Entwicklung eines KI-Sprachmodells zum Extrahieren von Adressinformationen

Zur Wahrung des Datenschutzes generiert die PTA auf Grundlage einer Straßenabschnittsdatei und diverser Namenslisten (Vor- & Nachname, Firmenbezeichnung) synthetische Empfängeradressen. Um einen realistischen Datensatz zu erstellen, werden einerseits die Adressbestandteile zufällig angeordnet, wobei sich hierbei an übliche Muster orientiert wird, und andererseits zufällig Rechtschreibfehler erzeugt. Bspw. werden mit einer gewissen Wahrscheinlichkeit Buchstaben entfernt od. vertauscht. Die PTA entwickelt mit dem Python Framework PyTorch Sequence-to-Sequence (Seq2Seq) Sprachmodelle und unterzieht diese einem Benchmark auf Grundlage des zuvor generierten synthetischen Testdatensatzes. Modelle basierend auf der Seq2Seq Architektur bestehen im wesentlichen aus zwei Komponenten, einem Encoder und einem Decoder. Während es die Aufgabe des Encoders ist, den Eingabetext zu verstehen, ist es die Aufgabe des Decoders die Bestandteile des Eingabetextes mit den entsprechenden Tags (Name, Straße, Ort,…) zu annotieren.