NLP wird radikal verändern, wie wir in Zukunft mit Daten umgehen

NLP steht heute für keine Coaching-Methode mehr. Nein, NLP steht heute für Natural Language Processing. Eine Technologie, die unglaublich viel Potenzial hat. Höchste Zeit, sich das genauer anzuschauen...

Photo by Jason Rosewell on Unsplash

Was ist NLP eigentlich?

Natural Language Processing (NLP) ist ein Teilgebiet der Linguistik, Informatik, Informationstechnik und künstlichen Intelligenz, das sich mit den Interaktionen zwischen Computern und menschlichen (natürlichen) Sprachen befasst. Insbesondere geht es dabei um die Programmierung von Computern zur Verarbeitung und Analyse großer Mengen von natürlichsprachlichen Daten.

Warum ist das Thema relevant?

Die Fortschritte in diesem Bereich in den letzten Jahren haben u.a. dazu geführt, dass Spracherkennung plötzlich alltagstauglich geworden ist, das Chatbots immer mehr en vogue sind und das große Datenmengen, die unmöglich durch Menschen verarbeitet werden können, stärker nutzbar werden.

Die Weltweite Datenmenge wächst derzeit exponentiell an, 80% der Daten liegen in Form unstrukturierter Sprach- und Textdaten vor. Dieses enorme Wachstum an Daten ist nur mit Technologien zu bewältigen, die mit Sprache bzw. Texten umgehen können. Hier kommt NLP ins Spiel. Durch Deep Learning und immer mehr digital verfügbare Sprachdaten werden die Modelle immer besser.

Wie funktioniert Natural Language Processing?

NLP basiert auf dem Grundgedanken, dass jegliche Form von Sprache zunächst erkannt werden muss. Sprache ist dabei ein sehr komplexes System von Zeichen. Wichtig ist dabei nicht nur das einzelne Wort, sondern nicht zuletzt auch sein Kontext.

Was Menschen natürlicherweise von Geburt an lernen, erreichen Computer mit Hilfe von Algorithmen. Während der Mensch auf seine Lebenserfahrung zurückgreifen kann, greift der Computer auf künstlich erzeugte Erfahrungen (Trainingsdaten) zurück.

Aktuelle Ansätze für NLP basieren auf Deep Learning, einem Teilbereich von KI, der Muster in Daten untersucht und verwendet, um das Verständnis eines Programms zu verbessern. Deep-Learning-Modelle erfordern große Mengen an gekennzeichneten Daten, um relevante Zusammenhänge zu trainieren und zu identifizieren. Der Aufbau eines entsprechend großen Datensatzes ist derzeit eine der Haupthürden für NLP.

Frühere Ansätze an NLP beinhalteten einen eher regelbasierten Ansatz, bei dem Machine-Learning-Algorithmen mitgeteilt wurde, nach welche Wörtern oder Phrasen im Text gesucht soll. Bestimmte Phrasen oder Wörter führten dann zu spezifischen Antworten. Deep Learning ist jedoch ein flexibler, intuitiver Ansatz, bei dem die Algorithmen an Hand von vielen Beispielen lernen, die Bedeutung eines Textes zu erkennen - ähnlich einem Kind, dass die menschliche Sprache erlernt.

Konkrete Anwendungsfelder und Beispiele?

Übersetzung:

Die Qualität von Übersetzungen wird immer besser und immer mehr Sprachen werden erschlossen. Die Google Translate App übersetzt mittlerweile in über 100 Sprachen.

Spracherkennung:

Spracherkennungstechnologie gibt es schon seit über 50 Jahren, aber erst im letzten Jahrzehnt hat sie den Durchbruch geschafft mit Siri, Alexa, Cortana und co.

Sentimentanalyse:

Die Aufgabe der besteht darin, subjektive Informationen im Text zu identifizieren. Die Anwendungsfälle hierzu sind vielfältig, z.B. das Filtern von Hasskommentaren in sozialen Netzwerken oder die Analyse von Konsumentenmeinungen zu bestimmten Produkten kann damit realisiert werden.

Fragenbeantwortung:

Hier geht es um den Aufbau von Systemen, die automatisch die vom Menschen gestellten Fragen in einer natürlichen Sprache beantworten. Konkrete Beispiele hierfür sind Chatbots und digitale Assistenten.

Automatische Zusammenfassungen:

Die Informationsflut überfordert uns. Mit Algorithmen, die die Essenz aus Texten extrahieren kann Abhilfe geschaffen werden. Die APIs von Aylien, MeaningCloud und Recognant sind Beispiele für solche Anwendungen.

Rechtschreib- und Grammatikprüfung:

Auch diese Anwendungen haben in den letzten Jahr einen Durchbruch erlebt. Anwendungen können mittlerweile auch stilistisch wertvolle Hinweise geben, wie z.B. Grammarly.

Market Intelligence:

Hierunter versteht man die Nutzung von NLP, um nach Personen zu suchen, die wahrscheinlich oder ausdrücklich die Absicht haben, einen Kauf zu tätigen. Das Verhalten im Internet, die Pflege von Seiten in sozialen Netzwerken und Anfragen an Suchmaschinen liefern eine Menge nützlicher unstrukturierter Kundendaten.

Textklassifizierung:

Die Textklassifikation ist die Aufgabe, dem Freitext eine Reihe von vordefinierten Kategorien zuzuordnen. Mit Hilfe von NLP können Textklassifikatoren automatisch Text analysieren und dann eine Reihe vordefinierter Tags oder Kategorien auf der Grundlage des Inhalts zuweisen.

Zeichenerkennung:

Zahlreiche Anwendungen, wie z.B. die Zeichenerkennung von Quittungen, Rechnungen, Schecks, gesetzlichen Rechnungsbelegen und so weiter.

Welche Chancen bringt NLP mit sich?

1. Wir ertrinken alle in einem Meer an Informationen. NLP kann helfen, die Informationen herauszufiltern, die für uns relevant sind.

2. Die meisten Sprach- und Textdaten liegen in unstrukturierter Form vor. NLP kann automatisiert mehr Struktur in Daten bringen und so auch alte Datenschätze wieder zu neuem Leben erwecken.

3. NLP ermöglicht völlig neue Erkenntnisse, indem unstrukturierte Daten aus diversen Quellen miteinander kombiniert werden können und zwar in ganz großem Stil.

Es tut sich gerade eine neue Welt auf für alle, die viel mit unstrukturierten Daten arbeiten. Wer sich darauf einlässt, kann mehr aus seinen Daten machen und Wettbewerbsvorteile erzielen.