Trotz ihrer Bedeutung ist der Zugang zu Informationen in Speichersystemen oder Rohdaten für die meisten Menschen aufgrund der schieren Menge und Heterogenität der Daten, sowie des Overheads und der Komplexität der bestehenden Systeme schwierig oder unmöglich. In dieser Arbeit schlagen wir mehrere Ansätze zur Verbesserung dieser Situation und damit zur Demokratisierung des Informationszugangs vor.

Datengetriebene und KI-basierte Ansätze machen es möglich, den notwendigen Informationszugang für viele Aufgaben skalierbar zur Verfügung zu stellen. Leider können die meisten existierenden Ansätze nur von IT-Expert*innen und Data Scientists erstellt und genutzt werden, wobei es jedoch längst nicht genug Data Scientists gibt. Zudem ist der Einsatz teuer. Um dem abzuhelfen, werden Ansätze mit geringem Overhead benötigt, d. h. ohne die Notwendigkeit großer Mengen von Trainingsdaten, manueller Annotation oder Extraktion von Informationen und umfangreicher Berechnungen. Solche Systeme müssen sich jedoch an die spezielle Terminologie verschiedener Disziplinen und den individuellen Informationsbedarf der Nutzer anpassen. Darüber hinaus sollten sie ohne umfangreiches Training nutzbar sein; wir wollen daher direkt nutzbare Systeme schaffen, die intuitive oder vertraute Interaktionsmöglichkeiten bieten, z. B. Chatbot-ähnliche natürlichsprachliche Eingaben oder grafische Benutzeroberflächen.

In dieser Arbeit schlagen wir eine Reihe von Beiträgen zu drei wichtigen Teilbereichen der Datenexploration und -verarbeitung vor: Natürlichsprachliche Schnittstellen für Datenzugriff und -manipulation, personalisierte Zusammenfassungen von Textsammlungen und Informationsextraktion und -integration. Diese Ansätze ermöglichen es Data Scientists, Fachleuten und Endanwender*innen, schnell und einfach auf Informationen zuzugreifen und sie zu bearbeiten.

Als Erstes schlagen wir zwei natürlichsprachliche Schnittstellen für den Datenzugriff und die Datenmanipulation vor. Natürliche Sprache ist eine nützliche alternative Schnittstelle für relationale Datenbanken, da sie es den Anwender*innen ermöglicht, komplexe Fragen zu formulieren, ohne dass sie Kenntnisse über SQL benötigen. Wir schlagen einen auf weak supervision basierenden Ansatz vor, der bestehende Deep-Learning-Techniken augmentiert, um die Leistung von Modellen für die Übersetzung von natürlicher Sprache zu SQL zu verbessern. Außerdem wenden wir die Idee an, um eine Trainingspipeline für conversational agents (d.h. Chatbot-ähnliche Systeme, die es ermöglichen, mit einer Datenbank zu interagieren und Aktionen wie Ticketbuchungen durchzuführen) zu konstruieren. Die Pipeline nutzt weak supervision, um die Trainingsdaten automatisch aus einer relationalen Datenbank und einer Reihe von definierten Transaktionen zu generieren. Unser Ansatz ist data-aware, d.h. er nutzt die Dateneigenschaften der DB zur Laufzeit, um den Dialogfluss zu optimieren und die notwendigen Interaktionen zu reduzieren. Darüber hinaus ergänzen wir diese Forschung, indem wir eine Metastudie über die Reproduzierbarkeit und Verfügbarkeit von natürlichsprachlichen Interfaces für Datenbanken (NLIDBs) für reale Anwendungen sowie einen Benchmark zur Bewertung der linguistischen Robustheit von NLIDBs vorstellen.

Als Zweites befassen wir uns mit personalisierten Zusammenfassungen und deren Nutzung für die Datenexploration. Die zentrale Idee ist es, Zusammenfassungen zu erstellen, die genau den aktuellen Informationsbedarf der Nutzenden abdecken. Durch die Generierung mehrerer Zusammenfassungen oder die Verschiebung des Fokus während des interaktiven Erstellungsprozesses können diese Zusammenfassungen zur Exploration des Inhalts unbekannter Textsammlungen verwendet werden. Wir schlagen einen Ansatz vor, um solche personalisierten Zusammenfassungen in interaktiver Geschwindigkeit zu erstellen; dies wird durch sorgfältiges Sampeln aus den Eingaben erreicht. Im Rahmen unserer Forschung zu Multi-Dokument-Zusammenfassung haben wir einen Mangel an diversen Evaluierungskorpora für diese Aufgabe ausgemacht. Wir stellen daher ein Framework vor, das zur automatischen Erstellung neuer Zusammenfassungskorpora verwendet werden kann, wenden es an und validieren es.

Als Drittes stellen wir Möglichkeiten zur Demokratisierung der Informationsextraktion und -integration vor. Dies wird dann relevant, wenn die Daten über verschiedene Quellen verstreut sind und es keine tabellarische Darstellung gibt, die bereits alle benötigten Informationen enthält. Daher kann es notwendig sein, verschiedene strukturierte Quellen zu integrieren oder sogar die benötigten Informationen zunächst aus Textsammlungen zu extrahieren und sie dann zu organisieren. Um bestehende strukturierte Datenquellen zu integrieren, präsentieren und evaluieren wir einen neuartigen Ende-zu-Ende-Ansatz für Schema-Matching, der auf neuronalen Embeddings basiert. Abschließend befassen wir uns mit der automatischen Erstellung von Tabellen aus Text für Situationen, in denen keine geeignete strukturierte Quelle zur Beantwortung eines Informationsbedarfs verfügbar ist. Der von uns vorgeschlagene Ansatz kann SQL-ähnliche Abfragen auf Textsammlungen ad hoc ausführen – sowohl um Fakten direkt aus Textdokumenten zu extrahieren, als auch um durch Filterung, Aggregation und Gruppierung Tabellen mit Informationen zu erstellen, die nicht explizit in den Dokumenten erwähnt werden. Unser Ansatz basiert auf der Generalisierung von Benutzerfeedback und benötigt daher keine domänenspezifischen Ressourcen für die Anpassung an die jeweilige Fachsprache. Er läuft in interaktiver Geschwindigkeit sogar auf Standard-Hardware.

Zusammengefasst können unsere Ansätze ein Qualitätsniveau bieten, das mit State-of-the-art-Ansätzen vergleichbar ist, aber das in vielen Fällen zu einem Bruchteil der damit verbundenen Kosten. In anderen Bereichen, wie z.B. bei der Extraktion von Tabellen, bieten wir sogar Funktionen, die – unseres Wissens nach – bisher von keinem generischen Tool für Endbenutzer*innen bereitgestellt werden. Es verbleiben noch viele interessante Herausforderungen und die kürzlichen Fortschritte bei großen Sprachmodellen (LLMs) hat die Grenzen des Möglichen im Umgang mit menschlicher Sprache noch einmal verschoben. Dennoch hoffen wir, dass unsere Beiträge einen nützlichen Schritt zur Demokratisierung des Informationszugangs darstellen.