Wann kommt endlich NLP?

Der NLP Reality-Check

Wer möchte das nicht: Schnell ein paar Ideen auf sein Smartphone sprechen, die App erkennt das Gesagte und schreibt es Wort für Wort nieder. Der Voice Assistant von Google erzielt bei englischsprechenden Personen bereits ansprechende Resultate. In Deutsch sind die Ergebnisse noch nicht berauschend. Oder: Man spricht mit seinem Smartphone, es gibt sinnhafte Antworten - ein angeregter Dialog entwickelt sich. Ein Check mit Siri zeigt auf, wie weit entfernt wir davon noch sind. Auf diversen Websites finden sich heute Chatbots, die den User bei seinen Anfragen zu Produkten und Services unterstützen. Nicht immer sorgen sie für gute Kundenerlebnisse.

Noch gibt es keine verlässlichen Apps, die der Herausforderung gewachsen sind, den Kontext zu einer bestimmten Frage treffsicher herzustellen. Aber es wird nicht mehr lange dauern, bis Natural Language Processing (NLP), die sprachlichen Tücken entschlüsselt und die gesprochene Sprache in den richtigen Kontext zu stellen vermag.

Natural Language Processing (NLP) kurz erklärt

NLP ist die Fähigkeit eines Computerprogramms, die natürliche Sprache genau so zu verstehen, wie sie gesprochen oder geschrieben wird. Sie verarbeitet Text und Sprache maschinell. Sie gelangt im Rahmen der KI (künstlichen Intelligenz)-Technologie zur Anwendung. Eine der ältesten und simpelsten NLP-Anwendungen ist die Erkennung von Spam. Ein Computerprogramm entscheidet aufgrund der Betreffzeile und des Texts einer E-Mail, ob es sich um eine Spamnachricht handelt oder nicht. Dahinter steht ein regelbasierter Ansatz, bei dem Algorithmen mitgeteilt wurde, nach welchen Wörtern, Phrasen oder Sätzen in einem Text gesucht werden soll. Die aktuellen NLP-Ansätze basieren auf Machine Learning, bzw. Deep Learning: Ein Computer handelt auf Basis vortrainierter Modelle. Anhand unzähliger Beispiele erkennt die Maschine selber die Bedeutung eines Textes. Die Idee dahinter ist, dass ein Computerprogramm die Sprache fast so wie ein Kind erlernt.

NLP-Anwendungen stehen vor der Herausforderung, dass Computer normalerweise in einer bestimmten Programmiersprache angesprochen werden. Programmiersprachen haben es in sich, dass sie präzise, eindeutig und strukturiert sind. Die natürliche Sprache ist bei weitem nicht präzise. Sie ist oft mehrdeutig, und die linguistische Struktur hängt von komplexen Variablen ab wie regionale Dialekte, sozialer Kontext, einem Slang oder einem bestimmten Fach- oder Sachgebiet.

Wo wird NLP heute eingesetzt?

Oft geht es bei der Verarbeitung der menschlichen Sprache um Suchanfragen. Der Mensch ist es sich gewohnt, auf eine bestimmte Art und Weise an Information zu gelangen: Er stellt eine Frage. Genauso möchte er auch Datensätze bei Computern abfragen – er gibt eine Frage ein, der Computer erkennt die wichtigsten Elemente des Fragesatzes, ordnet sie bestimmten Merkmalen eines vorhandenen Datensatzes zu – und zeigt die gefundenen Resultate an. Im Fachjargon nennt sich das Tokenization.

Ein Beispiel dazu

Jemand sucht auf Google: Wann geht der nächste Flieger von Zürich nach Amsterdam? Tokenization setzt nun einen Prozess in Gang, bei der der vorgegebene Text in kleinere Elemente wie ganze Sätze oder Wörter unterteilt und segmentiert wird.

Beim genannten Beispiel oben wird erkannt, dass:

Wann = ein Datum sein müsste
Flieger = Flugzeug ist
Zürich, Amsterdam = Flughäfen sind

Die Datenbankabfrage erfolgt nun nach Flügen in nächster Zeit von Zürich nach Amsterdam und zeigt die gefundenen Resultate an.

Mit NLP kann aber auch freier Text interpretiert werden, um ihn analysierbar zu machen. So sind beispielsweise bei Umfragen freie Textfelder wichtig, um konkrete Verbesserungsvorschläge oder einzelne Meinungen einzufangen. Diese Textdateien waren vor Deep Learning weder computergestützt noch systematisch analysierbar. Jede einzelne Antwort musste gelesen und ausgewertet werden. Mit NLP können nun unbegrenzt viele Textantworten nach relevanten Informationen durchsucht und analysiert, respektive klassifiziert werden. Diesen Vorteil macht sich auch die ECHONOVUM INSIGHTS PLATFORM zu Nutze und setzt bei der Textanalyse NLP ein. Die Sentiment Analyse (Sentiment Mining) zeigt auf, welche Kommentare positive, neutrale oder negative Meinungen und Stimmungen widerspiegeln.

Im Bereich IoT (Internet of Things) werden Sprachassistenten eingesetzt, um auf einen präzisen, gesprochenen Befehl eine Aktion auszulösen: Der Backofen wird auf 200° eingeschaltet, die Rollläden heruntergelassen, die Heizung auf 21° eingestellt.

Automatische Übersetzungsfunktionen von Google oder DeepL nutzen ebenfalls NLP und Deep Learning. Dazu interpretiert die Maschine die Bedeutung von Texten und transferiert sie in eine andere Sprache.

Die Zukunft von NLP

Die schier unbegrenzte Menge an neuen Textdateien, die heute täglich online produziert wird, verhilft NLP in Zukunft zu einem verbesserten «Sprachverständnis» und einer höheren Kontextsicherheit. Der Anwender wird bald in der Lage sein, mit der Sprachassistentin eine einigermassen sinnhafte Unterhaltung zu führen. Und vielleicht kümmert sich irgendwann einmal ein Mental- und Fitness-Coach um die körperliche und geistige Gesundheit des Users.

Für Unternehmen bieten sich eine Vielzahl neuer oder verbesserter Einsatzmöglichkeiten: Eine digitale Sprachassistentin begleitet den Sales zu Kunden, hört bei den Meetings mit, protokolliert diese und legt sie in das CRM ab. Sie coached bei der Akquise neuer Kunden und signalisiert, welche Frage und Stimmlage positive Reaktionen hervorruft. Chatbots nehmen Kundentelefone entgegen, beantworten Fragen oder leiten die Kunden weiter. Sie schreiben Artikel über bestimmte Fachthemen, übersetzen Produktkataloge, korrigieren Unternehmenstexte und Präsentationen. Intern verhilft NLP zu massiven Zeitansparungen bei der Informationssuche. Mit NLP-Anwendungen im Intranet, bei der Enterprise Search oder auch im Internet können Mitarbeitende W-Fragen stellen, um die benötigten Informationen aufzufinden.

NLP ermöglicht es Unternehmen, die Customer Experience, Mitarbeiterbeziehungen und die Geschäftsprozesse kontinuierlich zu verbessern. Sie werden in der Lage sein, ein breites Spektrum an verschiedenen Datenquellen zu analysieren und Predictive Analytics zu nutzen, der Vorhersage der wahrscheinlichen Zukunft und Trends. Damit werden Tendenzen frühzeitig erkannt und passende Entwicklungen angestossen.

Infografik zu NLP