Prof. Dr. Alan Akbik

Profil

Zusammenfassung

Prof. Akbik entwickelt Methoden der natürlichen Sprachverarbeitung, um Text automatisch zu verstehen und strukturierte Informationen daraus zu extrahieren. Seine Expertise umfasst die Erkennung von Entitäten (wie Namen oder Fachbegriffe), die Analyse von Satzstrukturen und die Anwendung dieser Techniken auf mehrsprachige und ressourcenarme Szenarien. Diese Kompetenzen sind für Unternehmen relevant, die große Textmengen automatisiert analysieren oder Kundeninteraktionen intelligent verarbeiten möchten.

Skills

Name

Prof. Dr. Alan Akbik

Titel

Prof. Dr.

Fakultät

Mathematisch-Naturwissenschaftliche Fakultät

Institut

Institut für Informatik

Arbeitsgruppe

Maschinelles Lernen (J)

E-Mail

🔒 nur für eingeloggte sichtbarAnmelden

Telefon

🔒 nur für eingeloggte sichtbarAnmelden

HU-FIS-Profil

Quelle ↗

Zuletzt gescrapt

28.6.2026, 01:02:25

• Eidetische Repräsentationen Natürlicher Sprache

  Quelle ↗

  Förderer: DFG Nachwuchsgruppe Zeitraum: 07/2021 - 06/2028 Projektleitung: Prof. Dr. Alan Akbik

• Inscribed

  Quelle ↗

  Förderer: BMWE: EXIST Zeitraum: 04/2026 - 03/2027 Projektleitung: Prof. Dr. Alan Akbik

• KI im Kundenservice (KIK)

  Quelle ↗

  Förderer: Investitionsbank Berlin (IBB) Zeitraum: 02/2025 - 10/2027 Projektleitung: Prof. Dr. Alan Akbik, Prof. Dr. Stefan Lessmann

🔒 Das System hat 247 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• Contextual String Embeddings for Sequence Labeling

  2018

  International Conference on Computational Linguistics · 1010 Zitationen

  Recent advances in language modeling using recurrent neural networks have made it viable to model language as distributions over characters. By learning to predict the next character on the basis of previous characters, such models have been shown to automatically internalize linguistic concepts such as words, sentences, subclauses and even sentiment. In this paper, we propose to leverage the internal states of a trained character language model to produce a novel type of word embedding which we refer to as contextual string embeddings. Our proposed embeddings have the distinct properties that they (a) are trained without any explicit notion of words and thus fundamentally model words as sequences of characters, and (b) are contextualized by their surrounding text, meaning that the same word will have different embeddings depending on its contextual use. We conduct a comparative evaluation against previous embeddings and find that our embeddings are highly useful for downstream tasks: across four classic sequence labeling tasks we consistently outperform the previous state-of-the-art. In particular, we significantly outperform previous work on English and German named entity recognition (NER), allowing us to report new state-of-the-art F1-scores on the CoNLL03 shared task. We release all code and pre-trained language models in a simple-to-use framework to the research community, to enable reproduction of these experiments and application of our proposed embeddings to other tasks: https://github.com/zalandoresearch/flair

• Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing: System Demonstrations

  2021

  396 Zitationen · DOI

• 2019

  340 Zitationen · DOI

  Alan Akbik, Tanja Bergmann, Duncan Blythe, Kashif Rasul, Stefan Schweter, Roland Vollgraf. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics (Demonstrations). 2019.

• OMQ GmbH

  KI im Kundenservice (KIK)

  company