Künstliche Intelligenz im Dialog. Die Evolution von Webformularen durch automatisierte Spracherkennung

Inhaltsverzeichnis

1 Einleitung

1.1 Ausgangslage und Motivation

1.2 Ziel und Forschungsfrage

1.3 Überblick über die Arbeit

2 Theoretische Grundlagen

2.1 Künstliche Intelligenz

2.2 Deep Learning (DL)

2.2.1 Deep Network

2.2.2 Klassen

2.2.3 Methodik

2.3 Automatic Speech Recognition (ASR) mit DL

2.3.1 Methodik

2.3.2 DL-Architekturen

2.3.3 Systemkomponenten

2.3.4 Systemarchitekturen

3 Ermittlung geeigneter Lösungsstrategien

3.1 Spracherkennung in Online-Formularen

3.1.1 Aktueller Stand

3.1.2 Implementierungsansätze

3.1.3 Vergleich von Implementierungsansätzen

3.1.4 Auswahl eines Implementierungsansatzes

3.2 ASR mit DL

3.2.1 Bestehende Lösungsstrategien

3.2.2 Vergleich von Lösungsstrategien

3.2.3 Auswahl einer Lösungsstrategie

4 Architektur des gewählten ASR-Systems

4.1 Beschreibung der Architektur

4.1.1 Akustikmodell

4.1.2 Decoder & Sprachmodell

4.2 Auswahl der ASR-Hyperparameter

4.2.1 Merkmalsextraktion

4.2.2 Akustikmodell

4.2.3 Decoder & Sprachmodell

4.3 Vor- und Nachteile

5 Methodik

5.1 Feldselektive Sprachformularbearbeitung

5.2 Web Speech API

5.3 DeepSpeech ASR-Modell

5.3.1 Datensammlung

5.3.2 Datenvorbereitung

5.3.3 Datenerweiterung

5.3.4 Training

5.3.5 Evaluierung des Modells

5.4 Internes ASR-System

5.4.1 ASR-Server

5.4.2 Web-Client

5.5 Evaluierung der feldselektiven Sprachformularbearbeitung

6 Ergebnisse und Diskussion

6.1 Implikationen

6.2 Limitationen

6.3 Zukünftige Arbeiten

7 Schlussfolgerung

7.1 Zusammenfassung der Arbeit

7.2 Fazit und Ausblick

Zielsetzung & Themen

Die Arbeit untersucht die Effektivität und Implementierung automatisierter Spracherkennung (ASR) mittels Deep Learning (DL), um die Interaktion zwischen Anwendern und formularbasierten Web-Prozessen zu verbessern und zu vereinfachen.

• Grundlagen der Künstlichen Intelligenz und des Deep Learning.
• Vergleich und Auswahl geeigneter Lösungsstrategien für ASR in Web-Formularen.
• Konzeption und Architektur eines hybriden ASR-Systems unter Verwendung der Web Speech API und DeepSpeech.
• Praktische Implementierung und Methodik zur feldselektiven Formularbearbeitung.
• Evaluierung der Leistungsfähigkeit des entwickelten Prototyps.

Auszug aus dem Buch

Zusammenfassung der Kapitel

1. Einleitung: Beschreibt die Herausforderungen bei formularbasierten Web-Prozessen und die Motivation, diese durch automatisierte Spracherkennung zu optimieren.

2. Theoretische Grundlagen: Erläutert die notwendigen Konzepte von KI, Deep Learning und die Spezifika von Spracherkennungssystemen (ASR) mit modernen Architekturen.

3. Ermittlung geeigneter Lösungsstrategien: Analysiert und vergleicht verschiedene Implementierungsansätze zur Integration von Spracherkennung in Online-Formulare und führt die Auswahl einer Strategie herbei.

4. Architektur des gewählten ASR-Systems: Detailliert den technischen Aufbau des gewählten DeepSpeech-Systems sowie die Auswahl der Hyperparameter.

5. Methodik: Beschreibt die praktische Umsetzung der feldselektiven Sprachformularbearbeitung, einschließlich der Datenverarbeitung und der Client-Server-Kommunikation.

6. Ergebnisse und Diskussion: Reflektiert über die erreichte Zielsetzung, diskutiert die Implikationen der Lösung und beleuchtet Limitationen sowie zukünftige Verbesserungsmöglichkeiten.

7. Schlussfolgerung: Fasst die Erkenntnisse der Arbeit zusammen und gibt einen Ausblick auf die zukünftige Entwicklung der Mensch-Maschine-Interaktion.

Schlüsselwörter

Spracherkennung, ASR, Deep Learning, DL, Webformulare, Feldselektive Bearbeitung, DeepSpeech, Sprachbefehle, Künstliche Intelligenz, Mensch-Maschine-Interaktion, Websocket, Python, Sprachmodell, Akustikmodell, Daten-Augmentation.

Häufig gestellte Fragen

Worum geht es in dieser Arbeit grundsätzlich?

Die Bachelorarbeit beschäftigt sich mit der Optimierung von formularbasierten Prozessen im Web durch den Einsatz von automatisierter Spracherkennung (ASR) basierend auf Deep Learning.

Was sind die zentralen Themenfelder?

Zentrale Themen sind die theoretischen Grundlagen des Deep Learnings, der Vergleich verschiedener Implementierungsstrategien für ASR-Systeme im Web-Kontext sowie die Konzeption und praktische Umsetzung eines funktionsfähigen Prototyps.

Was ist das primäre Ziel der Forschungsarbeit?

Das primäre Ziel ist es, die Effektivität von ASR mittels Deep Learning zu untersuchen und eine benutzungsfreundliche Lösung zu entwickeln, die Anwendern das Ausfüllen von Web-Formularen mittels Spracheingabe ermöglicht.

Welche wissenschaftliche Methode wird verwendet?

Der Autor führt eine theoretische Analyse bestehender Technologien durch, vergleicht unterschiedliche Implementierungsstrategien nach objektiven Kriterien und implementiert darauf basierend ein hybrides ASR-System, welches mittels eines Prototyps evaluiert wird.

Was wird im Hauptteil der Arbeit behandelt?

Im Hauptteil werden zunächst die theoretischen Grundlagen (KI, DL, ASR-Architekturen) behandelt, gefolgt von der Ermittlung und Auswahl der Lösungsstrategie, einer detaillierten Beschreibung der gewählten Systemarchitektur und der methodischen Umsetzung.

Welche Schlüsselwörter charakterisieren die Arbeit?

Wichtige Begriffe sind Spracherkennung, ASR, Deep Learning, Webformulare, DeepSpeech, Feldselektive Bearbeitung und Mensch-Maschine-Interaktion.

Für wen ist das implementierte System in der Praxis vorgesehen?

Das entwickelte System ist primär für Anwender konzipiert, die Formulare beispielsweise für eine Objekterfassung (Immobilienmakler) effizienter und barrierefreier mittels Spracheingabe bearbeiten möchten.

Welche Komponenten umfasst das hybride ASR-System?

Das System kombiniert die browsernative Web Speech API für allgemeine Aufgaben mit einem internen, auf DeepSpeech basierenden ASR-Server für spezifische, lokal trainierte Sprachbefehle.

Warum wurde DeepSpeech als interne Lösung gewählt?

DeepSpeech bietet eine gute Performance, ein End-to-End-Konzept, eine hohe Benutzerfreundlichkeit und die Möglichkeit, das Modell mittels Transfer Learning und Fine-Tuning effizient an spezifische deutsche Sprachdaten anzupassen.