Was macht NLP zum größten KI-Asset?

Im Bereich der künstlichen Intelligenz (KI) spielt Natural Language Processing (NLP) eine zentrale Rolle. Doch was steckt hinter dem Trend und warum ist dieser Entwicklungsbereich so wichtig für Unternehmen?  

Inhalt:

1. Definition: Natural Language Processing (NLP)
2. Anwendungsgebiete im Bereich NLP
3. Die größten NLP-Trends für den Unternehmensalltag

DEfinition: Natural Language Processing (NLP)

Zurück zum Seitenanfang

NLP gehört in den Bereich Sprachwissenschaften, Computerwissenschaften und künstliche Intelligenz und beschäftigt sich mit sprachlichen Interaktionen von Computern und Menschen. Ein besonderer Fokus liegt dabei auf der Programmierung, so dass Computer große Mengen natürlicher Sprache verarbeiten, verstehen und darauf reagieren können. Dazu gehören beispielsweise Elemente wie kontextuelle Besonderheiten, Metaphern oder sogar die Tonalität.   

Zu den größten Herausforderungen und Themen von NLP gehören Spracherkennung, Sprachverständnis und die Generierung von natürlicher Sprache (Natural Language Generation), also das Verarbeiten und Kommunizieren von Daten in einer für Menschen verständlichen Sprachform. 

(Deutsche Untertitel können im Video eingestellt werden, dazu klicken Sie einfach auf die Sprechblase mit den drei Punkten unten rechts im Video und wählen Ihre gewünschte Sprache aus. Die Untertitel wurden übrigens noch von Menschen übersetzt.)

NLP ist keine Erfindung des 21. Jahrhunderts, tatsächlich gab es bereits in den 1950er Jahren erste Experimente, die sich vorwiegend mit Übersetzung und dem Generieren von menschenähnlichen Interaktionen beschäftigten. Wer etwas mehr dazu lesen will, dem empfehle ich die Simulation ELIZA (YouTube-Video), die bereits 1966 teilweise menschenähnliche Antworten auf Aussagen wie "Mein Kopf tut weh" tätigen konnte. 

Wie bei allen Megatrends ist es notwendig, als Unternehmen oder Organisation die Technologie zu evaluieren, bevor sie adaptiert wird. Es ist sehr wahrscheinlich, dass nicht jede Branche, jeder Market und jedes Geschäftsmodell einen dringenden Bedarf an NLP-Technologien hat. Daher sollte erschlossen werden, ob es tatsächlich Use Cases gibt, die Geschäftsziele unterstützen, z.B. indem sie Prozesse optimieren, Kosten reduzieren, Umsätze stärken oder neue Geschäftsmodelle eröffnen.  

Mit der Entwicklung von Machine Learning und insbesondere Deep Learning hat sich NLP im Vergleich zu den vorherigen Jahrzehnten rasant verbreitet und weiterentwickelt. Dabei ist beeindruckend, in wie vielen verschiedenen Bereichen Spracherkennung und -verarbeitung eingesetzt bzw. erforscht werden kann.   

Anwendungsgebiete im Bereich NLP

Zurück zum Seitenanfang

Optical Character Recognition

Das Erkennen von Text anhand eines Bildes, auf dem sich Text befindet. 

Spracherkennung

Das Erkennen und korrekte Erfassen von gesprochener Sprache (auch: speech-to-text).

Text-to-Speech

Das Umsetzen von geschriebenem Text in Sprache. Dies wird aktuell insbesondere für sehbehinderte Menschen eingesetzt. 

Named Entity Recognition (NER)

Das Erkennen von Namen und das Identifizieren der Art des Namens (Ort, Mensch, Objekt, etc.).

Sentiment Analysis

Das Identifizieren von Stimmungen gegenüber bestimmten Themen/Aussagen. Dies wird beispielsweise beim Social Media-Monitoring verwendet, um zu identifizieren, wie Menschen zu einer Marke stehen (positiv oder negativ).

Relationship Extraction

Das Auswerten von Beziehungen zwischen genannten Personen, Objekten, etc.

Argument Mining

Das Identifizieren und Strukturieren eines Arguments in einem Text, um daraus beispielsweise die Prämisse, Argumente und Schlussfolgerung zu konzentrieren. 

Automatic Summarization

Das logische und verständliche Zusammenfassen eines Textes.

Dialogue Management

Das Führen von Gesprächen mit Menschen von einem Computer. 

Document AI

Das Vereinfachen für Nutzer:innen, spezifische Daten aus unterschiedlichen Dokumenten zu ziehen, ohne KI-Fachkenntnisse zu besitzen. Diese Computer sind also Schnittstellen zwischen KI-Anwendungen und den Nutzer:innen, um die Interaktion zwischen ihnen und der KI-Anwendung zu erleichtern.

Maschinenübersetzung

Das rein maschinelle Übersetzen von Texten von einer in eine andere Sprache. Populäre Beispiele sind DeepL oder Google Translate.  

Natural Language Generation

Das maschinelle Generieren von Sprache, die von Menschen auch inhaltlich verstanden wird (s.o.).

Natural Language Understanding (NLU)

Das maschinelle Verstehen von menschlicher Sprache, sowohl akustisch, grammatisch als auch semantisch. Dazu gehört auch, dass Textbausteine in für den Computer verständliche Strukturen umgestellt werden, damit sie einfacher verarbeitet werden können.

Fragen beantworten

Das Auslesen und sinnvolle Beantworten von gestellten geschlossenen und offenen Fragen (in Schrift oder Sprache). Besonders das Beantworten offener Fragen, also von Fragen, die nicht eine korrekte Antwort haben, ist dabei sehr komplex. 

 (Quelle: Wikipedia)  

Die grössten NLP-Trends für den Unternehmensalltag

Zurück zum Seitenanfang

Basierend auf den vorgestellten Teilbereichen von Natural Language Processing gibt es diverse Gebiete, in denen NLP schon jetzt effektiv eingesetzt werden kann. 

Chatbots

Chatbots sowohl für Text und Sprache für Nutzer:innen.  

Dabei ist Spracherkennung besonders spannend, wenn es um Akzente, Dialekte und andere Variationen in der Aussprache geht. 
Mehr noch, ohne KI wären sowohl das Entwickeln als auch Nutzen von Chatbots stark eingeschränkt und unglaublich reglementiert. KI ermöglicht es derweil, anhand der Interaktionen zu lernen, was Nutzer:innen meinen, ohne dass sie beispielsweise eine Frage genauso formulieren müssen, wie sie im Programm vorgegeben ist.  

Dadurch können Chatbots mittlerweile realistischere "Gespräche" führen und Nutzer:innen können einfacher kommunizieren. Zusätzlich lassen sich auch immer häufiger individuelle Merkmale des Chatbots generieren, etwa durch humorvolle Antworten oder besonders freundliche Formulierungen. 

Tatsächlich gibt es viele Chatbots, bei denen Designer spezifische "Persönlichkeiten" entwickelt haben, die zur Unternehmensmarke passen.  

Monitoring

Das Herauslesen von Emotionen und Stimmungen aus Sprache, sei es auf Social Media, im Chat-Gespräch oder sogar am Telefon.  

Hier befindet sich Natural Language Processing teilweise noch am Anfang, da insbesondere Doppeldeutigkeiten sowie Ironie und Sarkasmus schwerer zu identifizieren sind (auch für Menschen). Dennoch können Unternehmen diese Tools schon jetzt einsetzen, um beispielsweise Wahrnehmung einer Marke auf sozialen Netzwerken zu dokumentieren. 

Auch können diese Formen der Spracherkennung bei Chatbots genutzt werden, um potenziell eskalierende Kund:inneninteraktionen frühzeitig zu erkennen und einen Service-Mitarbeitenden einzuschalten, um das Problem zu lösen.  

Übersetzungen

Übersetzungen werden schon jetzt in vielen Bereichen von KI unterstützt. DeepL und Google Translate sind dabei populäre Beispiele, die kostenlos zur Verfügung stehen und gerade dadurch schneller lernen als Übersetzungssoftware mit einer kleineren Nutzungsgruppe. Immerhin kann künstliche Intelligenz schneller lernen und genauer agieren, je mehr vergleichbare Daten sie zum Lernen zur Verfügung hat. 

Besonders das Herausarbeiten sprachlicher Besonderheiten, Doppeldeutigkeiten sowie stilistischer Eigenheiten stellt immer noch eine Herausforderung dar. 

Allerdings ist es besonders bei populären Sprachen (Englisch, Chinesisch) erstaunlich, wie gut die Übersetzungen mittlerweile sind. Professionelle Übersetzer:innen werden dadurch zwar noch lange nicht ersetzt, denn gerade mit kreativeren Texten oder ungewöhnlicheren Sprachen haben die Tools noch Probleme, doch zumindest erleichtern Übersetzungstools die Arbeit insbesondere im Business-Umfeld. 

Multilinguale Modelle

Es gibt circa fünf Sprachen, in denen NLP-Modelle vorwiegend entwickelt werden. Das hat zur Folge, dass viele der spannenden und hilfreichen Anwendungen oft beispielsweise nur auf Englisch und / oder Chinesisch verfügbar sind. Während also englischsprachige Unternehmen schon jetzt eine Vielzahl an smarten Anwendungen nutzen können, müssen Unternehmen anderer Sprachen oft selbst in die Entwicklung gehen oder auf traditionelle, manuelle Prozesse zurückgreifen. Hier existiert eine riesige Marktlücke, die natürlich nicht unentdeckt geblieben ist. 

Der Bedarf hat in den vergangenen Jahren dafür gesorgt, dass ein vermehrter Fokus auf NLP-Modelle gelegt wurde, die auch ohne Englisch als Basissprache anwendbar sind und quasi parallel zahlreiche andere Sprachen verarbeiten können. Dies wird in den nächsten Jahren für eine extreme Beschleunigung in der Anwendung von Chatbots, Sprachassistenten, Übersetzungstools, etc. u.a. im europäischen Raum sorgen.   

Low-code-/no-code-Anwendungen

Während NLP selbst eine komplexe Disziplin ist, die viel Fachwissen erfordert, gibt es mittlerweile immer häufiger Tools, die die Anwendung von NLP durch einfache Baukastenmodelle ermöglichen, und zwar auch von Nutzer:innen, die keine umfassenden Machine Learning-Kenntnisse haben. 

Dadurch können mehr Unternehmen Anwendungsbereiche von NLP austesten und anwenden, was wiederum die Entwicklung der Technologien fördert und beschleunigt. 

Unsere DIGITALL-Expert:innen haben Know-how im KI-Bereich zahlreicher Anwendungen und Branchen. Wir unterstützen Sie nicht nur dabei, die Datengrundlagen für Ihre KI-Ziele zu implementieren, sondern entwickeln Lösungen und integrieren die passenden Plattformen für Sie und mit Ihnen.