SPECTRUM – APPLIED RESEARCH 68 / UdZ 01.22 modell + Transformer) klassifiziert. Exemplarisch können dieKlassen des offiziellen TRL der NASA von 1 bis 9 oder die Abstufung niedrig, mittel undhochverwendet werden. Essenziell ist hierbei, dass eine zusätzliche Klasse hinzugefügt wird, welche den Paragrafen als informationslosbeschreibt. Im letzten Schritt wird daraus eine Gesamtbewertung abgeleitet, wobei eine Heuristik über alle Teilbewertungen einer Technologie angewendetwird. ImeinfachstenFall istdasVerwendendesMittelwertesmöglich. FortgeschrittenereAnsätze umfassendieGewichtungder untersuchten Abschnitte – dies bedeutet, dass eine zusätzliche Klassifikation eingeführt wird, umdie Gewichtung zumEinfluss der Bewertung darzustellen, etwaniedrigundhoch. Für die Trainingsphase ist es wichtig, dass beliebige Textdokumente verwendet werden, um die Abstraktion und Robustheit des Modells sicherzustellen. Die Textdokumente sollen dabei ähnliche Technologiebewertungen enthalten undmit denKlassen informationslosund beliebige Klassen zur Reifegelabelt werden. Abschließend wird der Technologieradar in Phase 6 für den Anwender visualisiert. Dabei dienen die Schlagwörter als Sektoren des Radars, in denen die damit verknüpften Technologieradare angezeigt werden. Das TRL der einzelnen Technologien wird in Form eines Steckbriefs angezeigt. Ferner ist die Anzeige der relevanten Dokumente der Technologien inklusive Links zur Ursprungsquelle möglich. Zur Visualisierung der Ergebnisse eignen sich bekannte BI-Tools wie beispielsweise Qlik-Sense, Power-BI oder Spotfire. cm · lc weighting of the examined sections, i.e. an additional classification is introduced to represent the weight of a section in contributing to the evaluation, such as ‘low’ and ‘high’. For the training phase, it is important that random text documents are used to ensure the abstraction and robustness of the model. The text documents should contain similar technology ratings and be labeled according to the ‘devoid of information’ category and the maturity categories. Finally, the technology radar is visualized for the user in Phase 6. Here, the keywords serve as radar sectors in which the associated technology radars are displayed. The TRL of the individual technologies is displayed in the form of a fact file. Furthermore, it is possible also to display the relevant documents on the technologies including links to the original sources. Well-known BI tools such as Qlik-Sense, Power-BI, or Spotfire are suitable for visualizing the results. cm · lc References Beltagy,I.;Lo,K.;Cohan,A.:SciBERT:APretrainedLanguageModelfor ScientificText.In:EMNLP(2019).https://arxiv.org/pdf/1903.10676(Linkzuletztgeprüft: 23.02.2022) Klappert,S.;Schuh,G.;Aghassi,S.:EinleitungundAbgrenzung.In: Technologiemanagement.ReiheHandbuchProduktionundManagement;Bd.2. Hrsg.:G.Schuh;S.Klappert.Springer,Berlin[u.a.]2011,S.5–10. Wolf,T.;Debut,L.;Sanh,V.;Chaumond,J.;Delangue,C.;Moi,A.etal.:Hugging Face'sTransformers:State-of-the-artNaturalLanguageProcessing.5.Version. 14.07.2020.https://arxiv.org/pdf/1910.03771(Linkzuletztgeprüft:23.02.2022) If you have any questions, please do not hesitate to contact the author. Project Title: TechRad Funding/Promoters: Europäische Union (EU); LeitmarktAgentur.NRW– Projektträger Jülich Forschungszentrum Jülich GmbH Funding no.: EFRE-0801386 / IT-2-1-025 Project Partner: Deloitte Legal Rechtsanwaltsgesellschaft mbH; i2solutions GmbH; KEX Knowledge Exchange AG; RapidMiner GmbH Website: techrad.fir.de The project is funded by the European Union (EU). Florian Clemens, M.Sc. Project Manager FIR e. V. at RWTHAachen University Phone: +49 241 47705-507 Email: Florian.Clemens@fir.rwth-aachen.de
RkJQdWJsaXNoZXIy NzcyMw==