Ein großer Teil des Wissens in Unternehmen steckt in unstrukturiertem Text: E-Mails, Verträge, Tickets, Protokolle und Chatnachrichten. Natural Language Processing, auf Deutsch maschinelle Sprachverarbeitung, macht diese Inhalte für Software auswertbar. Im Alltag begegnet NLP in Spamfiltern, Übersetzungsdiensten, Suchmaschinen und Chat-Assistenten.
Wie funktioniert NLP?
Frühe Systeme arbeiteten mit Regeln und Wortlisten, später setzten sich statistische Verfahren und Machine Learning durch. Heute dominieren neuronale Netze, insbesondere die 2017 vorgestellte Transformer-Architektur, auf der auch Large Language Models beruhen.
Vereinfacht läuft die Verarbeitung so ab: Text wird in kleine Einheiten zerlegt, sogenannte Token, und in Zahlenvektoren übersetzt. Solche Embeddings bilden Bedeutung so ab, dass inhaltlich ähnliche Texte nahe beieinanderliegen. Darauf bauen typische Aufgaben auf:
- Klassifikation: Thema, Dringlichkeit oder Stimmung eines Textes bestimmen.
- Informationsextraktion: Namen, Beträge, Termine oder Vertragsnummern erkennen.
- Zusammenfassung und Übersetzung: lange Texte verdichten oder in andere Sprachen übertragen.
- Semantische Suche: Inhalte nach Bedeutung statt nach exakten Stichwörtern finden.
- Textgenerierung: Antworten, Entwürfe oder Berichte formulieren.
Fachlich wird manchmal zwischen Sprachverstehen (Natural Language Understanding) und Spracherzeugung (Natural Language Generation) unterschieden.
Typische Beispiele
- Eingehende E-Mails werden automatisch nach Anliegen sortiert und an das zuständige Team geleitet.
- Rechnungs- oder Bestelldaten werden aus PDF-Dokumenten ausgelesen.
- Lange Ticketverläufe werden zusammengefasst, ähnliche frühere Fälle werden vorgeschlagen.
- Verträge werden nach bestimmten Klauseln durchsucht.
- In Kombination mit Spracherkennung entstehen Protokolle aus Besprechungen.
Worauf Unternehmen achten sollten
- Mit eigenen Daten testen: Deutsch, regionale Ausdrücke und Fachbegriffe können die Qualität deutlich beeinflussen.
- Die Qualität messen, etwa über Stichproben und Fehlerquoten je Kategorie.
- Den Datenschutz beachten, da Texte häufig personenbezogene Daten enthalten.
- Festlegen, was mit unsicheren Ergebnissen passiert, zum Beispiel eine manuelle Prüfung.
- Nicht jede Aufgabe braucht ein großes Sprachmodell. Für einfache Klassifikationen genügen oft kleinere, spezialisierte Modelle.
Abgrenzung
NLP ist der Oberbegriff für die maschinelle Verarbeitung menschlicher Sprache. Ein Large Language Model ist eine bestimmte, derzeit besonders leistungsfähige Technik innerhalb dieses Feldes. Klassische Verfahren wie Regeln, Stichwortsuche oder kleinere Klassifikationsmodelle bleiben daneben im Einsatz, weil sie schneller, günstiger und leichter überprüfbar sein können.
Bezug zu TOMORIS
MailAutomate von TOMORIS verbindet strukturierte Mail-Automation mit KI-Klassifikation.
MailAutomate ansehen