Content & Kontext - Wertsteigerung für Informationen. Lösungen & Praxisbeispiele | BITKOM ECM Forum auf der CeBIT 2013

CeBIT 2013, Hannover ECM-Forum „Shared Content“

Content & Kontext - Wertsteigerung für Informationen. Lösungen &

Praxisbeispiele

Franz Kögl – IntraFind Software AG

05.03.2013, 10:30 Uhr

http://www.ecm-navigator.de/

ENTERPRISE SEARCH

EINHEITLICHER ZUGANG ZU ALLEN

INFORMATIONEN ÜBER EINEN ZENTRALEN

INDIZIERUNGS- UND SUCHSERVICE

© IntraFind Software AG, 2013 2

Enterprise Search: Single Point Of Information Access


File Shares

(Win, Unix) E-Mail

DMS &

Archive

Applications

ERP/CRM

+ weitere Quellen…

iFinder

Enterprise Search

Konnektoren

PDM / PLM Intranet /

Internet

Wikis &

Collabo-

ration

Suche & Wissensmanagement – Spektrum: von Simple Search bis Knowledge Cockpits


Suche & Wissensmanagement – Einstieg über Dashboard

Widgets:

Gespeicherte Suchen

Meine favorisierten Dokumente

Alerts

News

…


Suche & Wissensmanagement – Intelligente Autovervollständigung


AUTOMATISCHE

VERSCHLAGWORTUNG:

TAGGING SERVICE


Verschlagwortungsarten

Freie Verschlagwortung

Extraktion von Sachverhalten aus dem Dokumenteninhalt

Kontrollierte Verschlagwortung

Freie Schlagworte werden mit einem kontrollierten Vokabular / Thesaurus / Wissensnetz abgeglichen

Entitätenerkennung

Erkennung der Eigennamen von Personen, Organisationen, Orten

Themenerkennung

mittels automatischer Textklassifikation (Lernverfahren) bei gegebenen Themenhierarchien


Tagging Service – Produktfunktionalitäten

Konfigurierbares Komplettpaket mit RESTful-API

Für Nutzung als Cloud-Service oder für On-Premise-Installationen

Index ist ein generisches Metadaten-Repository


Freie Schlagworte

Named Entities

Standardentitäten

Whitelisting

Kontrolliertes

Vokabular

Wissensnetz

Spezielle Entitäten

domänen- oder

kundenspezifisch

Themenerkennung

Training über

Training Wizard

Basis Individuell

Erkennung Freier Schlagworte

Erkennung wichtiger Begriffe eines Dokuments

Erkennung von Begriffen, die im Dokument „wichtig“ sind und im restlichen Korpus „weniger wichtig“

Abgleich (Matching) mit einem kontrollierten Vokabular / einer „Whitelist“


Erkennung von Eigennamen


Automatische Extraktion von Kern-informationen aus unstrukturierten Daten

Eigennamen von Personen

Eigennamen von Firmen

Marken aus Produktlisten

Technische Kennzahlen aus technischen Daten

(Raw Materials, Produkttypen, Bestellnummern,

Prozessnummern, eClass Kategorien)

Straßen- Ortsbezeichnungen

Währungs- und Buchhaltungswerte

Datumsangaben

Telefonnummern, E-Mail-Daten, Hyperlinks

Topic Learner Classifier

Rules (Parameters)

Definition of

Topics 1……N

Topic Classifier

Topic Association

Learning Phase

Classification Phase

New Document

Example Documents

Erkennung von Themen – mit Textklassifikation


Erkennung von Themen – mit Textklassifikation

New documents / content

Step 1: Topic Analysis

Step 2: Topic Matching

High accuracy

Scalable

Large scale analysis

Up to 5000 nodes


Topic

1

Topic

1.1

Topic

1.2

Topic

1.2.1

Topic

1.2.2

Topic

2

Topic

3

Taxonomy

Topic

1.2.2

Fazit: Viele komplexe Verfahren – ein einfacher Arbeitsschritt


Entity: Top Term 1

Entity: Person Name

Entity: Location

Entity: Top Term 2

Entity: Company Name

Entity: Top Term 3

Metadaten-Store

(Index, Redaktionssystem, semantisches Netz)

Entity / Category

Document

Document

AUS DER PRAXIS:

KUNDENPROJEKTE


Text Analytics – Skills & Wer macht was?

Welche Rolle haben Personen in Unternehmen?

Sie arbeiten in bestimmten Projekten

Sie sind Experten für bestimmte Themen

Lösung:

Erkennen von Skills

Erkennen von Projekten

Erkennen von Personennamen, mit Abgleich zum Active Directory

Normalisierung der Eigennamen

Analyse des E-Mails-Verkehrs

Automatisierte Informationen zu Projektbeteiligten, Skills und zu „Wen könnte ich fragen?“

Bis hin zur Analyse von Lebensläufen bei einem Personalvermittlungsdienstleister

Verbesserung des zentralen Geschäftsprozesses / des Abgleichs von

Kandidatenprofilen zu offenen Stellenbeschreibungen


ZEIT ONLINE: Verbesserung von Redaktionsprozessen

Darstellung der Lösung – der ZEIT-Tagger

Verbesserung des Content-Erstellungsprozesses

Automatische Verschlagwortung:

Qualitativ hochwertige Vorschläge für den Redakteur; mit intellektueller Qualitätssicherung

Durch Anwendung folgender Verfahren:

TopTerm-Analyse,

Themenerkennung,

Entitätenerkennung,

Content-Verlinkung

Aufbau eines kontrollierten Vokabulars aus dem ZEIT-Archiv für eine höhere Wertung der

erkannten Tags / freien Schlagworte

Vorsystem Wissensnetz

Ablösung wegen hohem Pflegeaufwand und geringer interner Expertise


ZEIT ONLINE: Verbesserung von Redaktionsprozessen

Lösung:

Suche: Qualitativer Ausbau der Solr-Installation im Portal mit Linguistik

Verschlagwortung: Qualitativ hochwertige Vorschläge für den Redakteur

Themenerkennung, Entitätenerkennung, Content-Verlinkung

Definition von Themenspecials

SEO / Optimierungsvorschläge


Nutzen für ZEIT ONLINE

Erhöhte Zugriffe auf www.zeit.de durch

Optimierung der Volltextsuche qualitativ bessere Suchergebnisse

Bessere Verlinkung der Artikel durch Related Links

Schlagwort- und Registerseiten

Klickoptimierung und Zeitersparnis durch automatische Verschlagwortung

Bessere Recherchemöglichkeit intern für die Mitarbeiter in der Redaktion


http://www.zeit.de/

Das lieferte unser Produkt so nebenbei…


http://blog.zeit.de/open-data/2012/12/31/personen_jahresrueckblick_2012/




Produktdatensuche

Produkte besser auffindbar machen

Normalisierung der Produktdaten

Normalisierung auf SI-Einheiten

Suche in Wertebereichen

Verbesserte Datenqualität

Höherer Suchkomfort durch

Rubrizierte Autovervollständigung

Interpretation der Suchanfrage


Bestehende „Altdaten“ nutzbar machen

Ausgangssituation:

Neuer Collaboration Workplace löst unternehmensweite Intranetplattform ab

Automatischer Verschlagworter analysiert sämtliche bestehenden Unternehmensdaten des

File-Systems

Erzeugt mittels eines kontrollierten Vokabulars eine einheitliche Metadatensystematik aller

Inhalte

Schlagworte: „Top-Terme“ eines Dokuments, Entitäten + Thema (gemäß

kundenspezifischer Taxonomie)

Kontextbezogene Vernetzung der Inhalte

Zuordnung zu aktuellen Projekt-Teamsites


Wolters Kluwer Deutschland – JURION: Datenquellenübergreifende Metadaten

Zu jedem Informationsobjekt im JURION-Wissensraum werden einheitliche Themen-

Metadaten erzeugt

Referenz: WKD –Rechtsgebiete-Taxonomie mit derzeit ca. 100 Knoten


Zentrale Inhalte

Wolters Kluwer Deutschland – JURION: Intelligente Suche für den Anwender


Wissenslandkarten bei Voith: Suche über Metadaten


Wissenslandkarten bei Voith: SAP-Anbindung


IntraFind Software AG

IntraFind entwickelt Produkte rund um das effiziente Suchen, Finden, Analysieren von Informationen

unter Berücksichtigung aller Datenquellen eines Unternehmens.

Kundenbasis in

Deutschland, Österreich und Schweiz

Kunden: >850

Mitarbeiter: 30

Gründung: Jahr 2000 in München

Unabhängiger Anbieter von Suchlösungen

basierend auf Lucene, Solr und ElasticSearch

Lieferung von Best-of-Breed-Produkten

Volltextsuche und die komplette Bandbreite an Textanalyseverfahren bilden die Grundlage für eine optimale

Ergebnisdarstellung. Mehr Informationen: www.intrafind.de

27

http://www.intrafind.de/

Kontakt


Franz Kögl

Vorstand

Tel: +49 (89) 3090446-0

Fax: +49 (89) 3090446-29

E-Mail: [email protected]

Web: www.intrafind.de

IntraFind Software AG

Landsberger Straße 368

80687 München

Besuchen Sie uns am VOI-Stand: Halle 3, D34/1

http://www.intrafind.dehrb/

CeBIT 2013, Hannover ECM-Forum „Shared Content“

Vielen Dank für Ihr Interesse!

Weitere Informationen unter: www.ecm-navigator.de

und www.ecmtoday.de





http://www.ecmtoday.de/