Heutzutage stoßen herkömmliche Datenverwaltungsprozesse bei der Nutzung von heterogenen Daten häufig an ihre Grenzen. Als neue Methode zur automatischen Bearbeitung unstrukturierter Daten hat sich inzwischen die künstliche Intelligenz (engl. Artificial Intelligence (AI)) durchgesetzt und findet mittlerweile Anwendung in allen Bereichen der Wirtschaft. Generell hängt der Erfolg des Einsatzes von maschinellem Lernen stark von der Größe der verwendeten Datensätze ab. Deshalb geht der Trend zur Verarbeitung immer größerer Datensätze durch immer komplexere Modelle, die einen stetigen Ausbau der technischen Ressourcen erfordern. Dies schränkt aber nicht nur das Einsatzgebiet des maschinellen Lernens aufgrund fehlender Datensammlungen stark ein, sondern auch die Menge der Anwenderinnen und Anwender, da ihnen die benötigte technische Ausrüstung nicht zur Verfügung steht. Aus diesem Grund hat sich in der letzten Zeit ein Forschungsgebiet entwickelt, welches versucht, diese Einschränkungen zu umgehen, indem nach Techniken gesucht wird, durch die die benötigten Datenmengen und somit auch die technischen Ressourcen reduziert werden können. In dieser Arbeit wird der Ansatz verfolgt, dass entweder durch geschickte Vorverarbeitung oder aber durch den Transfer des Wissens von großen vortrainierten Modellen mittels Transfer Learning auch aus kleinen Datensätzen ausreichend Informationen gezogen werden können, um so ein Modell auf eine neue Aufgabe zu trainieren.