Natural Language Processing (NLP) ist ein Teilgebiet der künstlichen Intelligenz (KI), das sich darauf konzentriert, Computer Sprache und Text auf eine Weise verarbeiten zu lassen, die dem menschlichen Verständnis ähnelt. Dieser Bereich der Informatik stützt sich auf Computerlinguistik – typischerweise auf statistische und mathematische Methoden –, die den menschlichen Sprachgebrauch modellieren.
NLP spielt eine zunehmend wichtige Rolle in der Informatik – und im Alltag der Menschen. Intelligente Assistenten wie Apples Siri, Amazons Alexa und Microsofts Cortana sind Beispiele für Systeme, die NLP nutzen.
Darüber hinaus nutzen zahlreiche weitere Werkzeuge Natural Language Processing. Dazu gehören: Navigationssysteme in Autos, Sprache-zu-Text-Transkriptionssysteme wie Otter und Rev, Chatbots sowie Spracherkennungssysteme im Kundensupport. Tatsächlich findet sich NLP in einem schnell wachsenden Universum aus Anwendungen, Tools, Systemen und Technologien.
In jedem Fall besteht das Ziel darin, die Schnittstelle zwischen Menschen und Maschinen zu vereinfachen. In vielen Fällen ist die Möglichkeit, mit einem System zu sprechen oder es geschriebene Eingaben erkennen zu lassen, die einfachste und direkteste Art, eine Aufgabe zu erledigen.
Computer können Sprache zwar nicht auf dieselbe Weise „verstehen“ wie Menschen, doch Natural-Language-Technologien werden zunehmend besser darin, Kontext und Bedeutung von Ausdrücken und Wörtern zu erkennen und sie in passende Antworten – und Aktionen – umzuwandeln.
Siehe auch: Führende Unternehmen im Bereich Natural Language Processing
Natural Language Processing: Eine kurze Geschichte
Die Vorstellung, dass Maschinen menschliche Sprache verstehen, reicht bis zu den frühen Science-Fiction-Romanen zurück. Das Gebiet des Natural Language Processing nahm jedoch in den 1950er-Jahren Gestalt an, nachdem der Computerpionier Alan Turing einen Artikel mit dem Titel „Computing Machinery and Intelligence“ veröffentlicht hatte. Darin stellte er den Turing-Test vor, der eine grundlegende Möglichkeit bot, die Fähigkeiten eines Computers im Umgang mit natürlicher Sprache zu beurteilen.
Im folgenden Jahrzehnt experimentierten Forscher damit, Computer Romane und andere Dokumente zwischen gesprochenen Sprachen übersetzen zu lassen, obwohl der Prozess äußerst langsam und fehleranfällig war. In den 1960er-Jahren entwickelte der MIT-Professor Joseph Weizenbaum ELIZA, das menschliche Sprachmuster bemerkenswert gut nachahmte. Im folgenden Vierteljahrhundert entwickelte sich das Gebiet weiter. Als Computersysteme in den 1990er-Jahren leistungsfähiger wurden, erzielten Forscher mithilfe statistischer Modellierung bemerkenswerte Fortschritte.
Diktier- und Sprachübersetzungssoftware begann in den 1990er-Jahren auszureifen. Frühe Systeme mussten jedoch trainiert werden, waren langsam, umständlich zu bedienen und fehleranfällig. Erst mit der Einführung des überwachten und unüberwachten maschinellen Lernens Anfang der 2000er-Jahre und anschließend der neuronalen Netze um 2010 begann das Gebiet, signifikante Fortschritte zu machen.
Dank dieser Entwicklungen konnten Deep-Learning-Systeme riesige Mengen an Texten und anderen Daten verarbeiten und sie mithilfe weit fortschrittlicherer Sprachmodellierungsmethoden analysieren. Die daraus resultierenden Algorithmen waren deutlich präziser und vielseitiger geworden.
Siehe auch: Führende KI-Software
Wie funktioniert Natural Language Processing?
Frühe NLP-Systeme stützten sich auf fest codierte Regeln, Wörterbuchabfragen und statistische Methoden. Häufig unterstützten sie einfache Entscheidungsbaummodelle. Schließlich automatisierte maschinelles Lernen Aufgaben und verbesserte zugleich die Ergebnisse.
Die Frameworks für Natural Language Processing von heute nutzen weitaus fortschrittlichere – und präzisere – Sprachmodellierungstechniken. Die meisten dieser Methoden stützen sich auf Convolutional Neural Networks (CNNs), um Sprachmuster zu untersuchen und wahrscheinlichkeitsbasierte Ergebnisse zu entwickeln.
Beispielsweise wendet eine Methode namens Word Vectors komplexe mathematische Modelle an, um Wörter, Ausdrücke und Konstrukte zu gewichten und miteinander in Beziehung zu setzen. Eine andere Methode namens Recognizing Textual Entailment (RTE) klassifiziert die Beziehungen zwischen Wörtern und Sätzen anhand von Folgerung, Widerspruch oder Neutralität. So folgt aus der Aussage „ein Hund hat Pfoten“, dass „Hunde Beine haben“, sie widerspricht jedoch „Hunde haben Flügeln“ und bleibt gegenüber „alle Hunde sind glücklich“ neutral.
Ein wichtiger Bestandteil von NLP ist das Word Embedding. Dabei werden Wörtern in einem bestimmten Kontext numerische Gewichtungen zugewiesen. Dieser Prozess ist notwendig, weil viele Wörter und Ausdrücke je nach Bedeutung oder Kontext etwas anderes bedeuten können (in einen Club gehen, einem Club angehören oder einen Schläger schwingen). Wörter können außerdem gleich ausgesprochen werden, aber unterschiedliche Bedeutungen haben (durch, warf oder Hexe, welche). Zudem müssen idiomatische Ausdrücke verstanden werden, die wörtlich keinen Sinn ergeben, etwa „Du bist der Augapfel von mir“ oder „das trifft nicht den Kern der Sache.“
Die Modelle von heute werden mit enormen Mengen an Sprachdaten trainiert – in manchen Fällen mit mehreren hundert Gigabyte an Büchern, Zeitschriftenartikeln, Websites, technischen Handbüchern, E-Mails, Songtexten, Bühnenstücken, Drehbüchern und öffentlich verfügbaren Quellen wie Wikipedia. Während das Deep-Learning-System Millionen oder sogar Milliarden von Kombinationen durchforstet – und dabei auf Hunderttausende CPU- oder GPU-Kerne zurückgreift –, analysiert es Muster, stellt Verbindungen her und lernt semantische Eigenschaften von Wörtern und Ausdrücken.
Oft ist es außerdem notwendig, Natural-Language-Processing-Systeme für bestimmte Aufgaben zu optimieren, etwa für einen Chatbot oder einen intelligenten Lautsprecher. Doch selbst danach funktioniert ein Natural-Language-Processing-System möglicherweise nicht immer wie versprochen. Selbst die besten NLP-Systeme machen Fehler. Sie können Probleme bekommen, wenn Menschen Wörter falsch schreiben oder aussprechen, und missverstehen manchmal die Absicht oder übersetzen Ausdrücke falsch. In manchen Fällen können diese Fehler eklatant – oder sogar katastrophal – sein.
Heute sind führende Natural-Language-Modelle unter verschiedenen Lizenzmodellen verfügbar. Dazu gehören der OpenAI Codex, LaMDA von Google, IBM Watson und Softwareentwicklungstools wie CodeWhisperer und CoPilot. Darüber hinaus entwickeln manche Organisationen ihre eigenen proprietären Modelle.
Siehe auch: Führende Business-Intelligence-Software
Wie wird Natural Language Processing eingesetzt?
Die Einsatzmöglichkeiten für Natural Language Processing nehmen zu. Dazu gehören:
Konversations-KI. Die Fähigkeit von Computern, Wörter zu erkennen, eröffnet eine Vielzahl von Anwendungen und Tools. Persönliche Assistenten wie Siri, Alexa und Microsoft Cortana sind prominente Beispiele für Konversations-KI. Sie ermöglichen es Menschen, während der Fahrt mit dem Handy zu telefonieren oder in einem Smart Home das Licht ein- und auszuschalten. Zunehmend verstehen diese Systeme die Absicht und handeln entsprechend. So können Chatbots auf Spracheingaben oder Texteingaben von Menschen mit Antworten reagieren, die wirken, als stammten sie von einer anderen Person. Darüber hinaus nutzen diese Systeme maschinelles Lernen, um sich kontinuierlich zu verbessern.
Maschinelle Übersetzung. NLP wird zunehmend für Aufgaben der maschinellen Übersetzung eingesetzt. Dazu gehören Übersetzungen, bei denen Wörter aus einer Sprache durch Wörter einer anderen ersetzt werden (beispielsweise Englisch in Spanisch oder Französisch in Japanisch). Google Translate und DeepL sind Beispiele für diese Technologie. Maschinelle Übersetzung kann jedoch auch andere Formen annehmen. So kann NLP gesprochene Wörter – entweder als Aufzeichnung oder als Live-Diktat – in Untertitel für eine Fernsehsendung oder in ein Transkript einer Zoom- oder Microsoft-Teams-Besprechung umwandeln. Obwohl diese Systeme zunehmend präziser und wertvoller werden, erzeugen sie weiterhin einige Fehler.
Sentimentanalyse. NLP kann unstrukturierte Daten analysieren – die Analyse sozialer Medien ist ein Paradebeispiel –, häufige Wort- und Formulierungsmuster herausarbeiten und diese Daten in einen Anhaltspunkt dafür umwandeln, wie sich soziale Medien und Online-Gespräche entwickeln. Diese Fähigkeit ist auch wertvoll, um Produktbewertungen, die Wirksamkeit von Werbekampagnen sowie die Reaktionen der Menschen auf Nachrichten und andere Ereignisse zu verstehen, ebenso für zahlreiche weitere Zwecke. Die Sentimentanalyse findet Dinge, die der menschlichen Wahrnehmung sonst entgehen könnten.
Inhaltsanalyse. Ein weiterer Anwendungsfall für NLP ist die Erschließung komplexer Systeme. Die Technologie kann beispielsweise riesige Mengen an Textdaten und Forschungsdatenbanken verarbeiten und Zusammenfassungen oder Abstracts erstellen, die sich auf die relevantesten und wichtigsten Inhalte beziehen. Ebenso kann die Inhaltsanalyse für die Cybersicherheit eingesetzt werden, etwa zur Spam-Erkennung. Diese Systeme können den Bedarf an manueller menschlicher Beteiligung verringern oder beseitigen.
Text- und Bildgenerierung. Ein schnell wachsender Bereich des Natural Language Processing konzentriert sich auf die Generierung von Texten, Bildern und sogar Musik. Bereits heute erstellen einige Nachrichtenorganisationen kurze Artikel mithilfe von Natural Language Processing. OpenAI hat unterdessen ein Tool entwickelt, das über eine natürlichsprachliche Schnittstelle Text und Computercode generiert. Ein weiteres OpenAI-Tool namens Dall-E-2 erstellt über eine NLP-Schnittstelle hochwertige Bilder. Gibt man die Wörter „schwarze Katze unter einer Treppe“ ein, erscheint ein Bild. GitHub Copilot und Amazon CodeWhisperer können Computercode mithilfe natürlicher Sprache automatisch vervollständigen und generieren.
Siehe auch: Führende Tools zur Datenvisualisierung
NLP-Anwendungsfälle im Unternehmen
Der Einsatz von NLP ist in der Geschäftswelt zunehmend verbreitet. Zu den wichtigsten Anwendungsfällen gehören:
Chatbots und Sprachinteraktionssysteme. Händler, Gesundheitsdienstleister und andere Unternehmen setzen zunehmend auf Chatbots, um mit Kunden zu interagieren, grundlegende Fragen zu beantworten und Kunden zu weiteren Online-Ressourcen zu leiten. Diese Systeme können einen Kunden bei Bedarf auch mit einem menschlichen Mitarbeiter verbinden. Sprachsysteme ermöglichen es Kunden, ihre Anliegen mündlich zu äußern, anstatt Tasten am Telefon zu drücken.
Transkription. Da Organisationen auf virtuelle Besprechungen über Zoom und Microsoft Teams umsteigen, besteht häufig Bedarf an einem Transkript des Gesprächs. Dienste wie Otter und Rev liefern hochpräzise Transkripte – und können ausländische Akzente oft besser verstehen als Menschen. Darüber hinaus benötigen Journalisten, Anwälte, medizinische Fachkräfte und andere Transkripte von Audioaufnahmen. NLP kann Ergebnisse aus Diktaten und Aufzeichnungen innerhalb von Sekunden oder Minuten liefern.
Internationale Übersetzung. NLP hat die Interaktion zwischen Unternehmen in verschiedenen Ländern revolutioniert. Der Bedarf an Übersetzern ist zwar nicht verschwunden, doch Dokumente lassen sich heute problemlos von einer Sprache in eine andere übertragen. Das hat die Interaktion und Geschäftsprozesse global tätiger Unternehmen vereinfacht und zugleich den Welthandel erleichtert.
Bewertungssysteme. Finanzinstitute, Versicherungsgesellschaften und andere Unternehmen nutzen natürliche Sprache, um Elemente zu extrahieren und Dokumente, Daten, Schadensfälle und andere textbasierte Ressourcen zu analysieren. Dieselbe Technologie kann auch bei der Betrugserkennung, Finanzprüfung, Bewertung von Lebensläufen und Spam-Erkennung helfen. Letztere stellt tatsächlich eine Form des überwachten maschinellen Lernens dar, die mit NLP verbunden ist.
Marktinformationen und Sentimentanalyse. Marketer und andere Unternehmen setzen zunehmend auf NLP, um Marktinformationen und Stimmungstrends zu ermitteln. Semantische Engines durchsuchen Inhalte von Blogs, Nachrichtenseiten, sozialen Medien und anderen Websites, um Trends, Einstellungen und tatsächliches Verhalten zu erkennen. Ebenso kann NLP Organisationen dabei helfen, das Verhalten auf Websites zu verstehen, etwa Suchbegriffe, die häufige Probleme erkennen lassen, und die Art und Weise, wie Menschen eine E-Commerce-Website nutzen. Diese Daten können zu Änderungen an Design und Benutzerfreundlichkeit führen.
Softwareentwicklung. Ein wachsender Trend ist der Einsatz natürlicher Sprache für die Softwareentwicklung. Low-Code- und No-Code-Umgebungen können gesprochene und geschriebene Anforderungen in tatsächliche Zeilen von Softwarecode umwandeln. Systeme wie Amazons CodeWhisperer und GitHubs CoPilot verfügen über prädiktive Funktionen, die Code ähnlich automatisch ausfüllen, wie Google Mail vorhersagt, was eine Person als Nächstes schreiben wird. Sie können außerdem Informationen aus einer integrierten Entwicklungsumgebung (IDE) abrufen und mehrere Codezeilen auf einmal erzeugen.
Text- und Bildgenerierung. Der OpenAI Codex kann auf Basis einer einfachen Anforderung vollständige Dokumente generieren. Dadurch lassen sich Gedichte, Artikel und andere Texte erstellen. Open AIs DALL-E 2 generiert mithilfe natürlichsprachlicher Eingaben fotorealistische Bilder und Kunstwerke. Das kann Designer, Künstler und andere unterstützen.
Siehe auch: Die besten Tools für Datenanalysen
Welche ethischen Bedenken gibt es bei NLP?
Die Bedenken gegenüber Natural Language Processing konzentrieren sich vor allem auf die Genauigkeit der Modelle und darauf, sicherzustellen, dass keine Verzerrungen auftreten. Viele dieser Deep-Learning-Algorithmen sind sogenannte „Black Boxes“. Das bedeutet, dass sich nicht nachvollziehen lässt, wie das zugrunde liegende Modell funktioniert und ob es frei von Verzerrungen ist, die kritische Entscheidungen über Kreditvergabe, Gesundheitsversorgung und vieles mehr beeinflussen könnten.
Außerdem wird darüber debattiert, ob diese Systeme „empfindungsfähig“ sind. Die Frage, ob KI tatsächlich wie ein Mensch denken und fühlen kann, wurde in Filmen wie 2001: Odyssee im Weltraum und Star Wars thematisiert. Sie kam 2022 erneut auf, als der ehemalige Google-Datenwissenschaftler Blake Lemoine von Mensch zu Maschine geführte Gespräche mit LaMDA veröffentlichte. Lemoine behauptete, das System habe Empfindungsfähigkeit erlangt. Zahlreiche Linguistikexperten und Informatiker widersprachen jedoch und erklärten, ein siliziumbasiertes System könne nicht so denken und fühlen wie Menschen. Es ahme Sprache lediglich auf äußerst überzeugende Weise nach.
Tatsächlich konnten Forscher, die mit NLP-Systemen experimentierten, durch die Eingabe bestimmter Wörter und Ausdrücke gravierende und offensichtliche Fehler erzeugen. Eine Genauigkeit von 100 % bei NLP zu erreichen, ist aufgrund der nahezu unendlichen Zahl von Wort- und Begriffskombinationen in jeder Sprache fast unmöglich.
Ein weiteres Problem ist das Eigentum an Inhalten – insbesondere dann, wenn urheberrechtlich geschütztes Material in das Deep-Learning-Modell eingespeist wird. Da viele dieser Systeme aus öffentlich verfügbaren, aus dem Internet zusammengetragenen Quellen erstellt werden, können Fragen darüber aufkommen, wem das Modell oder Material tatsächlich gehört und ob Mitwirkende vergütet werden sollten. Dies hat bislang zu einer Handvoll Klagen sowie zu umfassenderen ethischen Fragen darüber geführt, wie Modelle entwickelt und trainiert werden sollten.
Siehe auch: KI vs. ML: Künstliche Intelligenz und maschinelles Lernen
Welche Rolle wird NLP in Zukunft spielen?
Es besteht kein Zweifel daran, dass Natural Language Processing bei künftigen geschäftlichen und persönlichen Interaktionen eine wichtige Rolle spielen wird. Persönliche Assistenten, Chatbots und andere Tools werden sich weiterentwickeln. Dies wird wahrscheinlich zu Systemen führen, die komplexere Sprachmuster verstehen und automatisierten, aber präzisen technischen Support oder Anleitungen zum Zusammenbauen oder Reparieren eines Produkts liefern.
NLP wird außerdem zu fortschrittlicheren Analysen medizinischer Daten führen. Ein Arzt könnte beispielsweise die Symptome eines Patienten eingeben, woraufhin eine NLP-basierte Datenbank sie mit der neuesten medizinischen Fachliteratur abgleicht. Oder ein Verbraucher könnte eine Reise-Website besuchen und sagen, wohin er in den Urlaub fahren und was er dort unternehmen möchte. Die Website würde daraufhin hochgradig personalisierte Vorschläge und Empfehlungen liefern, basierend auf Daten früherer Reisen und gespeicherten Präferenzen.
Vorläufig sollten Führungskräfte die Entwicklung im Bereich Natural Language Processing verfolgen und weiter prüfen, wie die Technologie Produkte, Tools, Systeme und Dienstleistungen verbessern kann. Die Möglichkeit, dass Menschen zu ihren eigenen Bedingungen mit Maschinen interagieren, vereinfacht viele Aufgaben. Sie schafft außerdem Mehrwert für Geschäftsbeziehungen.
Siehe auch: Die Zukunft der künstlichen Intelligenz