Sebastian Erhardt, M.Sc.

Doktorand und wissenschaftlicher Mitarbeiter

Innovation and Entrepreneurship Research

+49 89 24246-589
sebastian.erhardt(at)ip.mpg.de

Arbeitsbereiche

Datenwissenschaften, Künstliche Intelligenz, Maschinelles Lernen, Natürliche Spracherkennung und -verarbeitung, Innovationsökonomie

Wissenschaftlicher Werdegang

Seit 2020
Doktorand und Wissenschaftlicher Mitarbeiter am Max-Planck-Institut für Innovation und Wettbewerb (Innovation and Entrepreneurship Research)

Seit 2020
Postgraduales Studium Betriebswirtschaftliche Forschung (MBR), Ludwig-Maximilians-Universität (LMU) München

02/2020 - 07/2020
Gast Blockchain-Wissesnschaftler, Liphardt Lab ‒ Stanford Distributed Trust Initiative, Leland Stanford Junior University

10/2019 - 05/2021
Master of Science (M.Sc.) in Informatik, Ludwig-Maximilians-Universität (LMU) München

08/2018 - 07/2020
Honours Degree in Technology Management, Center for Digital Technology and Management (CDTM), Ludwig-Maximilians-Universität (LMU) München und Technische Universität München (TUM)

10/2017 - 04/2019
Master of Science (M.Sc.) in Wirtschaftsinformatik, Technische Universität München (TUM)

10/2014 - 03/2017
Bachelor of Science (B.Sc.) in Wirtschaftsinformatik, Technische Universität München (TUM)

Beruflicher Werdegang

2/2005 - heute
Selbständiger Entwickler/Berater ‒ Freiberufliche Tätigkeit für kleine, mittlere und große Unternehmen sowie für den öffentlichen Sektor, Deutschland

08/2020 - 10/2020
Entwickler/Produktmanager ‒ Tech4Germany, Bundesministerium des Innern, für Bau und Heimat, Bundesministerium der Finanzen und Informationstechnikzentrum Bund, Berlin

02/2016 - 03/2017
Werkstudent, Deloitte Digital, München

09/2015 - 02/2016
Werkstudent, Deloitte Consulting, München

Ehrungen, Stipendien

Seit 2019
Fellow des Tech4Germany Programms der Bundesregierung, eine Initiative unter der Schirmherrschaft von Bundesminister Prof. Dr. Helge Braun, Chef des Bundeskanzleramts

2018 - 2019
Think Digital Stipendium des Internet Business Cluster (IBC) e.V.

Seit 2018
Mitglied des Elitenetzwerks Bayern, eine Initiative des Freistaats Bayern zur Förderung des wissenschaftlichen Nachwuchses

2016 - 2018
Manage&More Stipendium der UnternehmerTUM

Publikationen

Diskussionspapiere

Ghosh, Mainak; Erhardt, Sebastian; Rose, Michael; Buunk, Erik; Harhoff, Dietmar (2024). PaECTER: Patent-level Representation Learning using Citation-informed Transformers, arXiv preprint 2402.19411. DOI

  • PaECTER is a publicly available, open-source document-level encoder specific for patents. We fine-tune BERT for Patents with examiner-added citation information to generate numerical representations for patent documents. PaECTER performs better in similarity tasks than current state-of-the-art models used in the patent domain. More specifically, our model outperforms the next-best patent specific pre-trained language model (BERT for Patents) on our patent citation prediction test dataset on two different rank evaluation metrics. PaECTER predicts at least one most similar patent at a rank of 1.32 on average when compared against 25 irrelevant patents. Numerical representations generated by PaECTER from patent text can be used for downstream tasks such as classification, tracing knowledge flows, or semantic similarity search. Semantic similarity search is especially relevant in the context of prior art search for both inventors and patent examiners. PaECTER is available on Hugging Face.

Erhardt, Sebastian; Ghosh, Mainak; Buunk, Erik; Rose, Michael; Harhoff, Dietmar (2022). Logic Mill - A Knowledge Navigation System, arXiv preprint 2301.00200.

  • Logic Mill is a scalable and openly accessible software system that identifies semantically similar documents within either one domain-specific corpus or multi-domain corpora. It uses advanced Natural Language Processing (NLP) techniques to generate numerical representations of documents. Currently it leverages a large pre-trained language model to generate these document representations. The system focuses on scientific publications and patent documents and contains more than 200 million documents. It is easily accessible via a simple Application Programming Interface (API) or via a web interface. Moreover, it is continuously being updated and can be extended to text corpora from other domains. We see this system as a general-purpose tool for future research applications in the social sciences and other domains.
  • https://doi.org/10.48550/arXiv.2301.00200

Vorträge

07.12.2023
Logic Mill - A Knowledge Navigation System
2nd CESifo / ifo Junior Workshop on Big Data
Ort: München

02.12.2023
Logic Mill - A Knowledge Navigation System
Innovation Information Initiative Technical Working Group Meeting - National Bureau of Economic Research
Ort: Cambridge, MA, US

09.06.2022
Logic Mill
Munich Summer Institute
Ort: München

08.04.2022
Tracing the Flow of Knowledge from Science to Technology Using Deep Learning
European Patent Office ARP Program
Ort: München

04.11.2020
Introduction to Git & Github
Max-Planck-Institut für Innovation und Wettbewerb
Ort: online