Prof. Dr. Alan Akbik

Prof. Dr. Alan Akbik forscht auf dem Gebiet der Computerlinguistik und Künstlichen Intelligence, mit einem Schwerpunkt auf Large Language Models und Deep Learning. Seine Arbeit umfasst die Entwicklung mehrsprachiger Modelle, Semantik-Analyse und Korpuslinguistik, wobei er Methoden der Annotation und Korpusanalyse einsetzt. Er befasst sich zudem mit Automatisierung und Datenanalyse im Kontext von NLP-Anwendungen. Die Forschung ist interdisziplinär und berührt Bereiche wie Neurowissenschaften und Kognitive Neurowissenschaft, insbesondere im Rahmen von Projekten zur Science of Intelligence. Akbik engagiert sich für Open Science und die Einhaltung der FAIR-Prinzipien bei der Bereitstellung von Forschungsdaten und Modellen.

🔒 Das System hat 1.121 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• EXC 2002/1: Science of Intelligence (SCIoI)

  Quelle ↗

  Förderer: DFG Exzellenzstrategie Cluster Zeitraum: 01/2019 - 12/2025 Projektleitung: Prof. Dr. Marcel Brass

• EXC 2002: Science of Intelligence (SCIoI)

  Quelle ↗

  Förderer: DFG Exzellenzstrategie Cluster Projektleitung: Prof. Dr. Marcel Brass

• KI im Kundenservice (KIK)

  Quelle ↗

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

• Contextual String Embeddings for Sequence Labeling

  2018

  International Conference on Computational Linguistics

  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

  DOI