Vorhin im täglichen #Bibnez DGI-Veranstaltungsnewsletter erneut DEN SATZ gelesen:

"viele Bibliotheken setzen bereits Künstliche Intelligenz ein oder planen den Einsatz von KI-Tools"

Nur:

- Welche Bibliotheken setzen Künstliche Intelligenz ein?
- Wofür setzen diese Bibliotheken Künstliche Intelligenz ein?
- Welche Bibliotheken planen den Einsatz von KI-Tools?
- Um welche KI-Tools geht es da?

Bitte inspiriert mich und schreibt wenn ihr das beantworten könnt. Ich nehme gern ernsthafte Antworten

Die #vzg_gbv hat heute auf ihrer #Verbundkonferenz an zwei Stellen erklärt, dass es in CLAIM (Katalog der TU Clausthal) [seit April] "KI-generierte Vorschläge für gesuchte Titel" gibt.

Siehe: https://www.ub.tu-clausthal.de/nachrichten/nachrichtendetail?tx_news_pi1%5Baction%5D=detail&tx_news_pi1%5Bcontroller%5D=News&tx_news_pi1%5Bnews%5D=28138&cHash=f9e35ff74c5030178017284ba60d44ec

Update der Katalogsuche

Jetzt mit neuen Funktionen, einschließlich KI-generierter Vorschläge.

@anotherfami das hat die Stadtbibliothek München auf der letzten bibliocon auch vorgestellt -> https://opus4.kobv.de/opus4-bib-info/frontdoor/index/index/searchtype/collection/id/16258/docId/19775 ich fand das als use case recht überzeugend. Alles steht und fällt natürlich mit der Qualität und Quantität der Metadaten.
BIB: OPUS-Publikationsserver | Besser stöbern mit Künstlicher Intelligenz: Eine inspirierende Lösung und deren Umsetzung in der Münchner Stadtbibliothek

Im vergangenen Jahr wurde innerhalb der Landeshauptstadt München ein innovatives KI-Tool entwickelt, welches den OPAC der Münchner Stadtbibliothek, um eine „Stöbern“-Funktion auf Basis eines AI Recommendation Systems ergänzt. Hiermit wird unser vielfältiger Bestand auf eine visuelle und ansprechende Weise präsentiert. Diese neue Funktion zeigt unseren Nutzer*innen direkt auf der Titelanzeige eines Mediums im Katalog eine Reihe weiterer Titel aus unserem Bestand. Gemeinsam ist diesen Titeln die inhaltliche Ähnlichkeit. Mit einem Klick auf einen empfohlenen Titel gelangt man zum nächsten Medium. Dies kann man beliebig oft fortsetzen. Eine zusätzliche Benutzereingabe ist nicht notwendig. Ziel ist es, unseren Bestand, der auf viele Standorte verteilt ist, visuell zentral erlebbar zu machen. Für die Generierung der Empfehlungen wandelt ein Embedding Modell die Texte in eine Vektordarstellung. Dadurch können die Medien über ihren Vektor in einem mehrdimensionalen Vektorraum angeordnet und dargestellt werden. Je näher die Medien zueinander im Vektorraum liegen, desto ähnlicher sind sich die Texte inhaltlich und somit auch die Medien zueinander. Um sicherzustellen, dass das Tool den Bedürfnissen unserer Nutzer*innen entspricht, haben wir in mehreren Testzyklen zunächst bibliothekarisches Fachpersonal und danach mit Hilfe eines Prototyps auch Kund*innen befragt. Parallel wurde eine Online-Befragung durchgeführt, die die Rückmeldungen der Tester*innen strukturiert und auswertbar erfasste. An diesem Projekt waren innerhalb der Landeshauptstadt München neben dem UX Team der Münchner Stadtbibliothek auch das InnovationLab und das KI Competence Center von IT@M sowie das Statistische Amt beteiligt. In unserem Vortrag möchten wir nicht nur das Tool selbst vorstellen, sondern auch von unseren Erfahrungen während der Umsetzungsphase berichten.

@awinkler @anotherfami ja, an die Session musste ich eben auch wieder denken. Das waren auch die mit der Visualisierung in 2D, damit man die begfriffliche Nähe auch noch eher einschätzen kann. Bei den ÖB fließen aber in die Embeddings teilweise auch noch die Kurzbeschreibungen der Titel an, was die Methode ggf. noch einmal verbessern kann.
Fun fact: die Klassifizierungssysteme haben schlechtere Ergebnisse geliefert als einfach nur die Titel...