KI-basierte Verarbeitung natürlicher Sprache: Jenseits von Chatbots für Unternehmenslösungen

Computer und natürliche Sprache

Die Idee, natürliche menschliche Sprache mit Computern zu verarbeiten, geht auf die 1950er Jahre zurück und ist fast so alt wie der moderne Computer selbst. Die Fortschritte waren jedoch langsam, und die Ergebnisse waren lange Zeit wenig überzeugend. Während Computer die Signalverarbeitung in Wissenschaft und Technik und die Strukturierung von Geschäftsdaten in der Unternehmenswelt revolutionierten, blieb die natürliche Sprache jahrzehntelang unerreichbar.

Das Blatt begann sich zu wenden, als sich das Feld inden 2010erJahren widerwillig aufneuronale Netze im Bereich NLPverlagerte. Jahrzehntelang wurde Sprache von Computern "symbolisch" verarbeitet, analog zur linguistischen Theorie: Texte wurden in Sätze, Sätze in Wörter und Wörter in Morpheme unterteilt; die Grammatik wurde durch übersichtliche Bäume dargestellt. Das macht intuitiv Sinn und ähnelt den Lehrbüchern, die wir aus der Schule kennen.

Neuronale Netze im NLP, die auf langen Listen von Zahlen basieren, die durch Multiplikation mit noch längeren Zahlentabellen verarbeitet werden, schienenjedoch zunächst nicht für die Sprache geeignet zu sein. Doch die Kombination dieses Ansatzes mit der neuartigenTransformer-Architekturund einer großen Anzahl von Trainingsdaten brachte den lang ersehnten Durchbruch in derKI-basierten natürlichen Sprachverarbeitung. Bemerkenswerterweise sind diese bahnbrechenden Algorithmen völlig frei von linguistischer Theorie - keine Grammatikbäume, nicht einmal ein traditioneller Begriff von "Wort" existiert in diesen Systemen.

Diese Revolution ist noch ganz frisch: DieTransformer-Architektur in der NLPwurde 2017 eingeführt, und dasGPT-3-Sprachmodell, das derKI-basierten natürlichen Sprachverarbeitungweltweite Aufmerksamkeit verschaffte, wurde2020 veröffentlicht.

NLP im Unternehmen

GPT und seine Nachfolger haben dieKI-basierte natürliche Sprachverarbeitung (AI-NLP)von einer Nischentechnologie zu einer unverzichtbaren Fähigkeit mit enormem kommerziellen Potenzial in der Unternehmensweltgemacht.Im Folgenden gebe ich einen Überblick darüber, wieKI-NLP in Unternehmenin verschiedenen Branchen eingesetzt werden kann.

Bevor ich auf die Einzelheiten eingehe, ist es wichtig, einige Schlüsselprinzipien aus geschäftlicher Sicht zu verstehen:

Wertschöpfung durch Automatisierung

Der Kernmechanismus der Wertschöpfung durchKI-NLPist die Automatisierung: Computer können nun Aufgaben, die früher ausschließlich von Menschen erledigt wurden, in ausreichender Qualität und in großem Umfang ausführen. Allerdingsistder "Maßstab" beiKI-NLPim Vergleich zur traditionellen Datenverarbeitung aufgrund der hohen Rechenkosten deutlich kleiner.

Der Automatisierungsgrad kann von der vollständigen Ersetzung menschlicher Arbeitskräfte bis hin zu "Human-in-the-Loop"-Ansätzen reichen, bei denen die KI als Assistent dient. Die Wahl hängt von der geforderten Qualität des Outputs ab. Hohe Qualitätsanforderungen erfordern oft eine stärkere menschliche Beteiligung.

KI-NLP-Kernkompetenzen

Um die Vorteile vonKI-basierter natürlicher Sprachverarbeitungzu maximieren, ist es entscheidend, ihre Kernfähigkeiten zu verstehen, die weit über Chatbots hinausgehen. Diese Fähigkeiten dienen als Bausteine für komplexeKI-Lösungen für Unternehmen.

Die wichtigsten AI-NLP-Fähigkeiten

Dialog: Die Fähigkeit, einen plausiblen Dialog unter Berücksichtigung des Kontexts zu führen und Folgefragen zu beantworten, ist dank der Popularität von ChatGPT wahrscheinlich die bekannteste Fähigkeit von KI-NLP-Modellen. Für sich allein genommen ist die Dialogfähigkeit nicht besonders nützlich, aber sie ermöglicht leistungsstarke Anwendungen, wenn sie mit anderen Fähigkeiten kombiniert wird.

Beantwortung von Fragen: KI-NLP kann Fragen zu einem bestimmten Text in natürlicher Sprache beantworten. Sie können auch Antworten auf eine große Anzahl von Fragen zu allgemeinem Wissen in vielen Bereichen geben, basierend auf ihrem Training auf riesigen Datenmengen, zu denen z. B. Wikipedia gehört. Trotz des professionellen Tons sollten die Antworten nie für bare Münze genommen werden, da sie falsche Aussagen enthalten können, ein Verhalten, das als Halluzinationen bekannt ist.

Implizite und explizite Übersetzung: AI-NLP kann zwischen Sprachen übersetzen. Die Qualität hängt in der Regel davon ab, wie viele Trainingsdaten für die zu übersetzenden Sprachen zur Verfügung standen, als das KI-Modell trainiert wurde; daher ist es für Englisch am besten und für seltene Sprachen deutlich schlechter. Viele der hier beschriebenen Fähigkeiten funktionieren über verschiedene Sprachen hinweg (implizite Übersetzung). Die Beantwortung von Fragen zum Beispiel funktioniert auch, wenn das Modell angewiesen wird, die Frage in einer anderen Sprache zu beantworten.

Zusammenfassung und Neuformulierung: AI-NLP kann Texte zusammenfassen oder umschreiben und dabei den Stil verändern. Dies kann z. B. verwendet werden, um einen Text weniger formell zu gestalten oder ihn so klingen zu lassen, als ob er von einem Muttersprachler geschrieben worden wäre.

Textgenerierung: AI-NLP kann auf der Grundlage einer Anweisung neue Textstücke in einem gewünschten Stil generieren. Dies kann zur Erstellung von Marketingtexten, Produktbeschreibungen, Dokumentationen, Beiträgen für soziale Medien oder allgemeinen Aufsätzen verwendet werden. Die Ergebnisse klingen oft gut, sind aber inhaltlich sehr unoriginell. Oft enthalten sie auch falsche Aussagen (Halluzinationen).

Textklassifizierung: AI-NLP kann Text in vordefinierte Kategorien einordnen. Ein klassisches Beispiel ist die Stimmungsanalyse, bei der eine Produktbewertung oder ein Beitrag in sozialen Medien entweder als positiv oder negativ eingestuft wird. Andere Beispiele wären die Klassifizierung der Absicht einer Kunden-E-Mail ("Rechnungsprobleme", "Produkthilfe", "Adressänderung" usw.), die Erkennung unangemessener Inhalte in nutzergenerierten Texten oder die Bestimmung einer Produktkategorie anhand einer Produktbeschreibung in einem Online-Shop.

Informationsabfrage: KI-NLP kann die Informationsbeschaffung aus großen Textmengen erheblich verbessern. Die klassische Informationssuche, wie sie von Internet- und Intranet-Suchmaschinen verwendet wird, basiert auf Schlüsselwörtern und einfachen Textähnlichkeitswerten. Die KI-basierte Suche ist in der Lage, Bedeutungen zu erfassen und abzugleichen, selbst wenn die Abfrage nicht mit einem Dokument auf Schlüsselwortebene übereinstimmt. Die KI-basierte Suche funktioniert auch sprachübergreifend.

Informationsextraktion:KI-NLP-Systeme können nicht nur Antworten für Menschen generieren, sondern auch strukturierte Ausgaben, die von Maschinen verarbeitet oder in Datenbanken gespeichert werden können. Nehmen wir zum Beispiel an, wir haben eine Reihe von Immobilienexposés mit viel Prosa als PDF-Dateien. Mit Hilfe von AI-NLP können wir eine Datenbanktabelle oder eine Excel-Datei erstellen, in der Attribute wie Adresse, Größe und Anzahl der Zimmer für jede Immobilie als Spalten aufgeführt sind. Diese Informationen können weiterverarbeitet werden, um Statistiken zu erstellen, Informationen auf einer Karte darzustellen, usw .

Funktionsaufruf: Dies ist eine spezielle Fähigkeit einiger Modelle, die es einem KI-NLP-Modell ermöglicht, andere Computerprogramme für eine Aufgabe zu verwenden. Das Modell erhält eine Textdokumentation mit mehreren "Funktionen" (Programmen), die es zur Lösung einer bestimmten Aufgabe verwenden kann, sowie die zur Ausführung dieser Programme erforderlichen Informationen. Es beantwortet die Frage, welche Funktion zur Lösung der Aufgabe verwendet werden soll und welche Eingaben zu machen sind. Ein Beispiel für eine Funktion könnte sein: "Suche den Bestellstatus eines Kunden anhand seiner E-Mail-Adresse".

Kodierung: Als Spezialfall der Texterzeugung können KI-NLP-Modelle Code in vielen Programmiersprachen erzeugen. Wie Antworten in natürlicher Sprache, die falsche Informationen enthalten, kann der generierte Code korrekt sein oder auch nicht. KI-generierter Code birgt auch das Risiko, Sicherheitsprobleme in eine Codebasis einzubringen und sollte daher nicht ungeprüft verwendet werden. Ähnlich wie bei der Beantwortung von Fragen können die Modelle auch Fragen zu bestehendem Code beantworten, um beispielsweise Fehler zu erklären. In diesem Artikel werden wir nicht näher auf diesen speziellen Bereich eingehen.

Beispiel: AI-NLP im Kundensupport

Nehmen wir ein Beispiel aus der Praxis, wie diese Bausteine in einemticketbasierten Kundensupportsystemkombiniert werden können, das KI und menschlichen Support miteinander verbindet.

1. Text-Klassifizierung: Zunächst wird das Support-Ticket in Kategorien wie "Produkthilfe", "Bestellstatus" oder "Rechnungsprobleme " eingeteilt.
2. Abrufen von Informationen: Für "Produkthilfe"-Tickets ruft die KI relevante Dokumente aus der Wissensdatenbank des Unternehmens ab.
3. Informationsextraktion: Die KI identifiziert das betreffende Produkt, indem sie relevante Details aus der Anfrage des Benutzers extrahiert.
4. Beantwortung von Fragen: Anhand der abgerufenen Dokumente beantwortet das System automatisch die Fragen des Kunden.
5. Implizite Übersetzung: Die KI antwortet in der Sprache des Kunden, auch wenn die Wissensbasis in einer anderen Sprache vorliegt.
6. Dialog: Das System regt zu Folgefragen an und setzt das Gespräch fort, während es bewertet, ob der Kunde zufrieden oder frustriert ist.
7. Menschliches Eingreifen: Stellt die KI Frustration oder nicht hilfreiche Antworten fest, leitet sie das Gespräch an einen menschlichen Agenten weiter.
   
   

Schlussfolgerung: Maximierung von AI-NLP in Unternehmen

Um das Beste aus derKI-basierten Verarbeitung natürlicher Sprachein Unternehmen herauszuholen, ist es wichtig, die verschiedenen Möglichkeiten zu verstehen.KI-Lösungen für Unternehmensollten diese Fähigkeiten kreativ kombinieren, um geschäftliche Probleme zu lösen, und dabei sorgfältig abwägen, wo eine menschliche Beteiligung erforderlich ist.