Einsatzgebiete von Natural Language Processing (NLP)

NLP

Natural Language Processing (NLP) bedeutet die maschinelle Verarbeitung natürlicher Sprache. NLP ist ein Teilbereich der Künstlichen Intelligenz (KI). Der Mensch kommt im Alltag immer häufiger damit in Berührung – er kommuniziert mit Maschinen – sei es mit Alexa Zuhause, mit OK Google im Smartphone oder bei einem Anruf im Kunden-Support. Und die Einsatzgebiete von NLP werden immer größer.

Wie funktioniert Natural Language Processing (NLP)?

Eine typische Interaktion zwischen Mensch und Maschine verläuft wie folgt:

  1. Der Mensch spricht zur Maschine.
  2. Die Maschine speichert die Audiodaten der Aussage.
  3. Das Programm überträgt gesprochene Sprache in Text.
  4. Der Text wird verarbeitet, indem der Sinn der Aussage durch das Erfassen wesentlicher Daten ermittelt wird.
  5. Das Programm generiert eine Reaktion.
  6. Die Daten werden in ein Audioformat übertragen.
  7. Die Maschine gibt die Antwort als gesprochene Sprache aus.

Natürliche Sprachverarbeitung bedeutet, der Maschine beizubringen, Sprache zu verstehen. Dahinter steckt aber viel mehr als ein Wörterbuch in Form einer Datenbank. Auch Aspekte wie der situative Kontext oder die Stimmungsanalyse (Sentimentanalyse) spielen bei NLP eine Rolle. In der konkreten Anwendung lässt sich der Sinn von gesprochener oder auch geschriebener Sprache nur verstehen, wenn diverse andere Kriterien berücksichtigt werden. Die Interaktionen zwischen Anwender und Anwendung werden dadurch idealerweise immer natürlicher.

Achtung, Verwechslungsgefahr!

Die Abkürzung NLP steht sowohl für Natural Language Processing als auch für Neurolinguistisches Programmieren. Abgesehen von der gemeinsamen Abkürzung handelt es sich dabei jedoch um zwei völlig unterschiedliche Begriffe.

Wo kommt Natural Language Processing (NLP) zum Einsatz?

Mit NLP-Techniken verbessern Unternehmen ihren Kundensupport spürbar. Damit Natural Language Processing in Verbindung mit Künstlicher Intelligenz immer mehr Bereiche des Services abdecken kann, werden große Datenmengen benötigt. Hier kommen Big Data und die kontinuierliche Analyse der Kommunikation ins Spiel. So kann der Support über Telefon, Chat oder E-Mail immer autonomer abgewickelt werden. Auch für die Analyse von Kundenkommentaren lässt sich NLP gewinnbringend einsetzen.

Software-Training für NLP-Chatbots? Die Crowd liefert Ihnen jede Menge hochwertige Daten. Fragen Sie clickworker nach individuellen Lösungen für Ihre Anwendungen.

Kundenservice-Systeme, die auf Chatbots basieren, sind deutlich kostengünstiger als ein personengestützter Support. Sie arbeiten schneller und werden heutzutage zudem von vielen Kunden als selbstverständlich vorausgesetzt.

Die Natürlichkeit der Sprachbearbeitung ist das prägende Kennzeichen von NLP. Und hier kommt das Grundprinzip der Künstlichen Intelligenz und des Maschinellen Lernens ins Spiel: Die Algorithmen eines Programms für die Sprachanalyse lernen aus der eigenen Erfahrung. Sie vergleichen positive und negative Ergebnisse. Damit verbessern sie nach und nach ihre Reaktionen.

Während die reine Sprachanalyse die inhaltlich besten Antworten auf vergleichbare Fragen findet, liefert NLP zusätzliche Komponenten: NLP findet eine nicht nur kontextuell stimmige, sondern auch emotional effektive Antwort.

  • Mithilfe von NLP lässt sich die Stimmungslage des Anrufenden beim Kundensupport analysieren. Ausgefeilte Algorithmen stellen fest, wann es an der Zeit ist, von der maschinellen auf die menschliche Kundenbetreuung umzustellen.
  • Standardisierte Abläufe wie die Zuordnung des Kunden zu einem Account lassen sich effektiv mithilfe von Chatbots erledigen. Hier gilt die Faustregel: Jede Frage, die für einen menschlichen Support-Mitarbeiter monoton erscheint, kann auch ein Chatbot beantworten.
  • Auch bei der Filterung von Spam-E-Mails erweist sich NLP als nützlich. Die Programme vergleichen das Vorkommen typischer Wörter und Phrasen in Spam-E-Mails mit natürlich generierten Textnachrichten.

Schließlich leisten Chatbot-NLP-Systeme auch einen Beitrag dazu, auf der Grundlage von vergangenen Handlungen das zukünftige Verhalten der Kunden treffsicher zu antizipieren. Dieser Aspekt macht NLP auch für Marketingstrategien interessant. So lässt sich die Einstellung der Kunden zu einem Unternehmen, einer Kampagne oder einem Produkt in Echtzeit ermitteln – über eine maschinelle Analyse der Stimmungslage in sozialen Medien wie Facebook oder Twitter. Dies eröffnet völlig neue Möglichkeiten, auf der Basis konkreter Reaktionen Strategien zu überdenken oder neu zu entwickeln. Dadurch wird NLP zu einer treibenden Kraft für KI und Maschinelles Lernen.

Probleme der Natural Language Processing (NLP)

Die Schwierigkeiten für NLP liegen in der Natur der Sache: Sprache folgt nicht immer strengen logischen Regeln. Sie wird von Emotionen beherrscht und ändert sich häufig – je nach der Situation, in der sie angewandt wird. Es ist für einen Algorithmus außerordentlich schwierig, beispielsweise Sarkasmus, Ironie oder versteckte Kritik zu erkennen. Die sprachlichen Daten sind unstrukturiert – gleichwohl bilden sie die Grundlage für Programme, die ausschließlich nach logischen Regeln arbeiten. Nach dem Prinzip von Trial and Error erkennt Software jedoch nach und nach besondere Kontexte und vermeidet dadurch Fehlinterpretationen – zum Beispiel bei Übersetzungen.

Je standardisierter und strukturierter die Daten vorliegen, umso leichter fällt es digitalen Systemen, die Daten zu verarbeiten. Menschliche Sprache ist von Natur aus komplex. Die Regeln menschlicher Kommunikation sind eher grob und lose strukturiert. Hier setzt NLP an und versucht, diese Strukturen zu erkennen.

Fazit

Ob Chatbots, Kundensupport per Telefon und E-Mail, Filterung von Spam-Nachrichten oder die Entwicklung von Diktier-Software: NLP erweitert die Fähigkeiten von KI-Systemen ganz erheblich. Vor allem bei der Kommunikation mit Kunden erweisen sich Chatbot-NLP-Systeme als nützlich. Und auch hier gilt: Je größer die Datengrundlage, umso treffsicherer sind die Ergebnisse.

 

avatar

Jan Knupper