Seminar PoolParty Semantic Suite – Automatische Klassifikation mit Semantic Classifier

Der Semantic Classifier ordnet Dokumente trainierten Kategorien zu und ergänzt regel- oder taxonomiebasiertes Tagging um ein überwachtes Lernverfahren. Im Seminar wird der vollständige Modelllebenszyklus von Trainingsdaten bis zur produktiven Qualitätskontrolle aufgebaut. Der Schwerpunkt liegt auf belastbaren Kategorien, unabhängigen Testbeständen und nachvollziehbaren Retraining-Entscheidungen.

Inhaltsverzeichnis

1. Zielsetzung
2. Kompetenzziele
3. Seminarinhalte
4. Praxisübungen
5. Zielgruppe und Voraussetzungen
6. Methodik und Qualitätssicherung

Zielsetzung

Ziel ist ein reproduzierbarer Klassifikationsprozess mit klarer Datenbasis, messbaren Akzeptanzschwellen und kontrollierter produktiver Nutzung. Modellgüte und fachliche Eignung werden getrennt betrachtet.

Kompetenzziele

• Kategorien und Trainingskriterien trennscharf definieren.
• Training Boxes sowie Train und Test Classifier aufbauen.
• Fehlklassifikationen systematisch analysieren und nachtrainieren.
• Produktionsintegration, Modellversionen und Driftkontrolle planen.

Seminarinhalte

3.1 Use-Case-Auswahl und Anforderungsanalyse

1. Geschäftsproblem, Nutzergruppen, Informationsobjekte und gewünschte Entscheidungen präzise beschreiben.
2. Such-, Tagging-, Integrations-, Governance- und KI-Anforderungen getrennt priorisieren.
3. Messbare Qualitätskriterien für Abdeckung, Präzision, Aktualität und Nachvollziehbarkeit definieren.
4. Einen abgegrenzten Pilotumfang mit Datenquellen, Verantwortlichkeiten und Abnahmekriterien festlegen.

3.2 Training Boxes und Trainingsdaten

1. Kategorien, Dokumentklassen und Abgrenzungskriterien definieren.
2. Training Box anlegen und repräsentative, ausgewogene Dokumente hinzufügen.
3. Dokumentqualität, Dubletten und fehlerhafte Vorzuordnungen prüfen.
4. Trainingsstand versionieren und für spätere Vergleiche dokumentieren.

3.3 Train Classifier aufbauen

1. Train Classifier mit geeigneten Kategorien und Trainingsdaten konfigurieren.
2. Dokumente aus Training Boxes übernehmen oder kontrolliert ergänzen.
3. Manuelle Kategorien prüfen und widersprüchliche Beispiele bereinigen.
4. Training ausführen und Modellstatus sowie Warnungen auswerten.

3.4 Test Classifier und Qualitätsmessung

1. Unabhängigen Testbestand mit realistischen Dokumenten zusammenstellen.
2. Test Classifier konfigurieren und Klassifikation durchführen.
3. Treffer, Fehlklassifikationen und nicht zugeordnete Dokumente analysieren.
4. Akzeptanzschwellen pro Kategorie festlegen und kritische Klassen nachtrainieren.

3.5 Produktiver Klassifikationsprozess

1. Eingabeformat, Antwortformat, Fehlerbehandlung und Durchsatzanforderung definieren.
2. Klassifikationsdienst in einen Beispielprozess integrieren.
3. Modellversion, Taxonomiestand und Rückverfolgbarkeit in Ausgaben mitführen.
4. Drift, neue Kategorien und sinkende Qualität über einen geregelten Retraining-Prozess behandeln.

3.6 Qualitätsregeln und Datenvalidierung

1. Qualitätsszenarien für fehlende Labels, verwaiste Konzepte, ungültige Relationen und Pflichtfelder anlegen.
2. Validierung auf einen definierten Projektstand anwenden und Befunde priorisieren.
3. Fehlerursachen von fachlichen Ausnahmen unterscheiden und dokumentierte Ausnahmeregeln festlegen.
4. Korrekturen durchführen, erneut prüfen und den Qualitätsstatus nachvollziehbar protokollieren.

3.7 API-Tests und Fehlerbehandlung

1. Vertragstests für Pflichtfelder, Datentypen, Statuscodes und Antwortschema definieren.
2. Last-, Paging- und Größenlimits mit realistischen Testdaten prüfen.
3. Retry, Timeout, Circuit Breaker und idempotente Verarbeitung passend zum Aufruf festlegen.
4. Technische Protokolle und fachliche Auditdaten ohne sensible Inhalte strukturieren.

Praxisübungen

4.1 Trainingsbestand erstellen

1. Kategorien und Abgrenzungsregeln festlegen.
2. Dokumente einer Training Box hinzufügen.
3. Dubletten und widersprüchliche Zuordnungen bereinigen.

4.2 Modell trainieren und testen

1. Train Classifier ausführen.
2. Unabhängigen Testbestand klassifizieren.
3. Fehler je Kategorie bewerten und Nachtraining ableiten.

4.3 Produktionsfall simulieren

1. Eingabe- und Antwortvertrag definieren.
2. Klassifikationsaufruf in einen Beispielprozess einbinden.
3. Version, Fehlerpfad und Driftindikator prüfen.

Zielgruppe und Voraussetzungen

Zielgruppe: Content Intelligence, Data Science, Wissensmanagement, Informationsarchitektur, Dokumentenmanagement und technische Integration.

Voraussetzungen: Grundverständnis von Dokumentklassifikation und Kategorien. Erfahrung mit Taxonomien oder Content-Metadaten ist hilfreich.

Methodik und Qualitätssicherung

Die Vermittlung kombiniert strukturierte Fachimpulse, Demonstrationen, moderierte Modellierungs- oder Konfigurationsschritte und praktische Übungen. Jeder Arbeitsblock endet mit einer prüfbaren Zwischenkontrolle.

• Ausgangszustand und Lernziel werden vor jedem Arbeitsauftrag festgelegt.
• Konfigurationen und Modelle werden schrittweise aufgebaut und dokumentiert.
• Positiv-, Negativ- und Grenzfälle werden anhand definierter Kriterien geprüft.
• Abweichungen werden analysiert, korrigiert und in einer erneuten Prüfung bestätigt.