Was ist Natural Language Processing (NLP)?

Nat­ur­al Lan­guage Pro­cess­ing (NLP) ist ein­er der modis­chsten Begriffe der let­zten Jahre. Er wird in einem Atemzug mit Chat­bots und Kün­stlich­er Intel­li­genz im All­ge­meinen genan­nt. Aber was ist Nat­ur­al Lan­guage Pro­cess­ing eigentlich? Wir haben zusam­menge­fasst, was hin­ter dem Begriff steckt.

Was ist Natural Language Processing?

NLP beze­ich­net im Weitesten Sinne die Fähigkeit von Maschi­nen, Sprache zu ver­ar­beit­en. In der Regel ist damit die Fähigkeit von Kün­stlich­er Intel­li­genz gemeint, men­schliche Aus­sagen zu ver­ste­hen. Das gilt für geschriebe­nen Text und gesproch­ene Sprache gleichermaßen.

Wie funktioniert Natural Language Processing?

NLP beste­ht aus mehreren Teilen. Neben der reinen Fähigkeit, Text zu lesen oder gesproch­ene Sprache zu ver­ste­hen, benötigt man zunächst das nötige lexikalis­che Wis­sen — also eine angemessene Ken­nt­nis von Wörtern. Ein Chat­bot muss beispiel­sweise erst­mal jedes einzelne Wort von möglichen Anfra­gen ler­nen, um darauf reagieren zu können.

Des Weit­eren braucht es ein gram­matikalis­ches Grund­ver­ständ­nis, um zum Beispiel die Fälle eines Nomens sowie Sin­gu­lar und Plur­al erken­nen zu kön­nen. Außer­dem kom­men syn­tak­tis­che Kom­po­nen­ten hinzu, was beispiel­sweise dazu führt, dass Sub­stan­tive erkan­nt und wegen ihrer hohen Bedeu­tungss­chwere pri­or­isiert wer­den können.

Was ist Natural Language Understanding?

Ein weit­er­er Teil von Nat­ur­al Lan­guage Pro­cess­ing ist die Seman­tik — also grob gesagt die kor­rek­te Bedeu­tungszuschrei­bung ein­er ganzen Aus­sage. Dafür müssen unter­schiedliche Satzteile erkan­nt und richtig ein­ge­ord­net wer­den. Außer­dem ist der Kon­text, in dem die Aus­sage gemacht wurde, wichtig. Diesen Teil von NLP nen­nt man auch Nat­ur­al Lan­guage Under­stand­ing (NLU). Zur besseren Über­sichtlichkeit fassen wir dies hier mit dem Begriff Nat­ur­al Lan­guage Pro­cess­ing zusammen.

Mod­erne NLP-Pro­gramme wie Dialogflow von Google oder Wat­son von IBM ver­fü­gen über ein sehr sta­biles Grundgerüst dieser Kom­po­nen­ten. Jed­er Use­case stellt jedoch indi­vidu­elle Anforderun­gen an eine KI. Deswe­gen ist die Arbeit von geschul­ten Redak­teuren uner­lässlich, um zum Beispiel einen ziel­gerichteten Chat­bot zu entwickeln.

Natural Language Processing und Machine Learning

In NLP-Sys­te­men zum Ver­ste­hen von Sprache ist häu­fig auch ein Aspekt von Machine Learn­ing (ML) enthal­ten. Durch Machine Learn­ing wird das Ver­ständ­nis der KI über Zeit bess­er, da sie die Dat­en früher­er Kon­ver­sa­tio­nen nutzt, um zukün­ftige ähn­lich aufge­baute Aus­sagen bess­er beant­worten zu kön­nen und sich so automa­tisch zu verbessern.

Warum ist Natural Language Processing wichtig?

NLP automa­tisiert ein­fach gesagt das Ver­ar­beit­en von Sprache. Das ist nahe­liegen­der­weise von großem wirtschaftlichen Inter­esse. Daten­men­gen, die für eine manuelle Bear­beitung viel zu groß sind, wer­den für Unternehmen durch den Ein­satz von KI nutzbar. Daher hat die Nutzung von NLP-basierten Pro­gramme über die ver­gan­genen Jahre stark zugenommen.

Einsatzgebiete von Natural Language Processing?

Kün­stliche Intel­li­genz ist in nahezu allen Branchen anzufind­en. Ihre Anwen­dungs­ge­bi­ete sind vielfältig. Wir haben einige der wichti­gen Nutzungsmöglichkeit­en zusammengestellt.

Maschinelle Übersetzung

Eines der bekan­ntesten Ein­satzge­bi­ete von NLP ist die automa­tis­che Über­set­zung. Gängige Über­set­zung­spro­gramme wie DeepL oder der Google Trans­la­tor bein­hal­ten hochkom­plexe Tech­nolo­gie zum maschinellen Ler­nen. Dafür sind riesige Daten­men­gen nötig, mit denen ein Super­com­put­er gefüt­tert wird. Das Erfassen der neuen Eingaben für die Über­set­zung geschieht dabei durch Nat­ur­al Lan­guage Processing.

Spam-Erkennung

Das Konzept der syn­tak­tis­chen und seman­tis­chen Analyse von Nat­ur­al Lan­guage Pro­cess­ing wird beson­ders beim Beispiel von Spam-Fil­tern deut­lich. Durch eine entsprechende Kon­fig­urierung sind diese Fil­ter in der Lage, wiederkehrende Struk­turen in Text, Betr­e­ff und Ver­sand-Adresse von Spam-Mails zu erken­nen und diese auszu­sortieren. Genutzt wer­den solche NLP-basierte Spam-Fil­ter beispiel­sweise von Google und Yahoo.

Sentiment-Analyse

Im Fall der Sen­ti­ment-Analyse kann vor allem der lexikalis­che Anteil von Nat­ur­al Lan­guage Pro­cess­ing im Vorder­grund ste­hen. Durch das Erken­nen von emo­tion­al aufge­lade­nen Begrif­f­en wie “super” oder “furcht­bar” ist eine automa­tis­che Einord­nung möglich, die in der Regel in Form eines Sen­ti­ment Scores fest­ge­hal­ten wird. So kön­nen Unternehmen beispiel­sweise ihre Sozialen Medi­en nach beson­ders pos­i­tiv­en oder neg­a­tiv­en Aus­sagen durchsuchen.

Chatbots

Chat­bots gehören zu den bekan­ntesten Anwen­dungs­ge­bi­eten von NLP. Sie erfüllen zahlre­iche Auf­gaben, darunter beispiel­sweise das Beant­worten von FAQs, die Vor­ab­wick­lung von größeren Prozessen oder vol­lum­fänglich­er Kun­denser­vice. Wegen ihrer hohen Flex­i­bil­ität sind sie die ver­mut­lich gefragtesten KI-Tools auf dem Markt.

Die Rolle von Nat­ur­al Lan­guage Pro­cess­ing kann hier­bei je nach Use­case unter­schiedlich groß sein. Manche Bots, in denen die Nav­i­ga­tion nur durch But­tons getätigt wird, benöti­gen gar kein NLP, son­dern lediglich eine logis­che Aneinan­der­rei­hung vordefiniert­er Inhalte. Andere Chat­bots wiederum sind hochkom­plex, haben mul­ti­ple Kon­texte und reagieren auf jede Aus­sage individuell.

Sprachassistenten

Die Krö­nung aktueller NLP-Pro­duk­te stellen wohl die etablierten Sprachas­sis­ten­ten von Google, Apple und Ama­zon dar. Sie ver­fü­gen über ein her­vor­ra­gen­des Ver­ständ­nis von Sprache. Das zeigt sich alleine schon darin, dass sie eine unglaublich große Menge an unter­schiedlichen Fra­gen kor­rekt zuord­nen können.

Diese Beispiele zeigen jedoch auch, wie aufwendig die Entwick­lung entsprechen­der Pro­duk­te sein kann und wie viele Ressourcen es kosten kann, NLP, NLU und NLG zu kon­fig­uri­eren und trainieren, damit das Ergeb­nis zufrieden­stel­lend ist.

Die Zukunft von Natural Language Processing

Der Trend zur Nutzung von auf NLP basieren­der KI ist ein­deutig. Die großen Tech-Konz­erne haben hier gewaltige erste Schritte nach vorne gemacht. In allen Wirtschaft­szweigen wird aktuell nachge­zo­gen — die Nach­frage ist groß. Das gilt für große Unternehmen genau­so wie für KMUs und Behörden.

Es ist leicht, nur auf die Vorteile von NLP zu schauen. Um gute Resul­tate zu erzie­len, ist jedoch eine anwen­dungs­gerechte Herange­hensweise unab­d­ing­bar. Sprache kann extrem unter­schiedlich sein und deshalb sollte ein KI-Pro­dukt auf die zu erwartenden Dat­en zugeschnit­ten sein.

Das bedeutet, das bloße Ein­set­zen eines NLP-Pro­gramms wie Google Dialogflow bedeutet noch lange keinen Mehrw­ert. Das Trainieren von Nat­ur­al Lan­guage Pro­cess­ing, sodass ein gutes Ver­ständ­nis erre­icht wird, ist und bleibt ein hochkom­plex­er Vor­gang. Deshalb ist von Baukästen-Bots, die manuell befüllt wer­den müssen, im kom­merziellen Bere­ich stark abzuraten.

Fazit

Nat­ur­al Lan­guage Pro­cess­ing hat Kün­stliche Intel­li­genz in der Form, in der wir sie ken­nen, erst möglich gemacht. Das inter­diszi­plinäre Feld von Sprache und Infor­matik bietet unzäh­lige Möglichkeit­en, das Leben zu erle­ichtern. Automa­tis­ches Über­set­zen, Date­n­analyse nach lin­guis­tis­chen Kri­te­rien und die Beant­wor­tung von Fra­gen in Echtzeit sind nur ein paar der möglichen Anwendungen.

Wenn Sie wis­sen möcht­en, wie Nat­ur­al Lan­guage Pro­cess­ing Ihr Unternehmen voran­brin­gen kann, melden Sie sich gerne bei uns. Wir bei botcamp.ai arbeit­en mit Lei­den­schaft daran, die aktuellen tech­nis­chen Möglichkeit­en rund um NLP, NLU und NLG in ziel­gerichteten Chat­bots umzuset­zen und für unsere Kun­den nutzbar zu machen.