Das Wort 'Danke' in verschiedene Sprachen übersetzt

Aktuell liest man häufiger von Natural Language Processing (NLP), wenn es um den Einsatz von künstlicher Intelligenz geht. Doch was bedeutet NLP eigentlich und wie können Unternehmen es einsetzen?

Definition: Natural Language Processing (NLP)

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 darauf, wie Computer so programmiert werden können, dass sie große Mengen natürlicher Sprache verarbeiten und zwar bevorzugt so, dass die Computer auch den Inhalt der Sprache verstehen, inklusive kontextueller Besonderheiten, etwa bei der Verwendung bestimmter Begriffe oder sogar der Tonalität.

Zu den größten Herausforderungen und daher auch 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.

Mit der Entwicklung von Machine Learning und insbesondere Deep Learning (mehr dazu hier), 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. Im Folgenden stelle ich Ihnen einige vor.

Anwendungsgebiete im Bereich NLP

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 einer Stimmung 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. Z.B., um herauszufinden, ob Personen in einem Text miteinander verwandt sind.

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, spezifische Daten aus unterschiedlichen Dokumenten zu ziehen, ohne KI-Fachkenntnisse zu besitzen. Diese Computer sind also Schnittstellen zwischen KI-Anwendungen und den Nutzern, um die Interaktion zwischen Nutzer und KI 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 – (s.o.) das maschinelle Generieren von Sprache, die von Menschen auch inhaltlich verstanden wird.

Natural Language Understanding (NLU) – das maschinelle Verstehen von menschlicher Sprache, sowohl akkustisch, 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

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 Kunden, aber auch Mitarbeitende. Dabei ist Spracherkennung besonders spannend, wenn es um Akzente, Dialekte und andere Variationen in der Aussprache geht.

Mehr noch, ohne KI wäre sowohl das Entwickeln als auch Nutzen von Chatbots stark eingeschränkt und unglaublich reglementiert. KI ermöglicht es derweil, anhand der Interaktionen zu lernen, was Nutzer meinen, ohne dass sie beispielsweise eine Frage genauso formulieren, wie sie im Programm vorgegeben ist. Dadurch können Chatbots mittlerweile realistischere „Gespräche“ führen und Nutzer können einfacher kommunizieren. Zusätzlich lassen sich auch immer häufiger individuelle Merkmale des Chatbots generieren, etwa durch humorvolle Antworten oder besonders freundliche Formulierungen.


Erfahren Sie in unserer (englischen) Webinar-Aufzeichnung, wie Sie Chatbots schnell und einfach aufsetzen und anwenden können.

New call-to-action


Monitoring

Das Herauslesen von Emotionen/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. Dennoch können Unternehmen diese Tools schon jetzt einsetzen, um beispielsweise Markenwahrnehmung auf sozialen Netzwerken zu dokumentieren.

Auch können diese Formen der Spracherkennung in Chatbots genutzt werden, um potenziell eskalierende Kundeninteraktionen frühzeitig zu erkennen und einen Service-Mitarbeitenden einzuschalten, um die Situation zu entspannen.

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 immer genauere Ergebnisse erzielen, je mehr Daten zur Verfügung stehen.

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

Allerdings ist es besonders bei populären Sprachen erstaunlich, wie gut die Übersetzungen mittlerweile ausfallen. Professionelle ÜbersetzerInnen werden dadurch zwar noch lange nicht ersetzt, 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 also eine riesige Marktlücke, die natürlich nicht unentdeckt geblieben ist.

Der Bedarf hat in den letzten 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. Hier wird es nicht nur aus der Business-Perspektive spannend sein zu sehen, wie sich die Anwendung von NLP in unserem täglichen Leben entwickeln wird.

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 Nutzern, 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.


Mit der Power Platform können Sie sich schon heute KI-Anwendungen zunutze machen, ohne komplexe Progammierkenntnisse. Erfahren Sie mehr über die Anwendungsbereiche für Ihr Unternehmen.

New call-to-action

, ,