Maschinelle Sprachverarbeitung

Was ist Natural Language Processing (NLP)?

NLP

Natural Language Processing, kurz NLP, ist das Gebiet an der Schnittstelle von Informatik und Sprachwissenschaft, im Deutschen auch Computerlinguistik genannt. Dort entstehen die Verfahren, mit denen Software geschriebene und gesprochene Sprache verarbeitet. Dazu gehören das Einsortieren von Texten, das Herausziehen von Namen und Daten, Übersetzung, Zusammenfassung und Suche.

Spamfilter, automatisch sortierte Tickets und die Suche im Intranet arbeiten alle mit denselben Verfahren, lange bevor irgendwo ein Sprachmodell im Spiel ist.

KI-generiertDieses Bild wurde mit KI erzeugt · Yves Hoppe / KI / cmt

Deutscher Name: Computerlinguistik
Aufgaben: Klassifizieren, Extrahieren, Übersetzen, Zusammenfassen
Sitzt meist in: Ticketsystemen, Suchen, Dokumentenprüfung
Verwechselt mit: Large Language Models, die nur ein Teil davon sind

Die typischen Aufgaben

Die häufigste Aufgabe ist Klassifikation: Ein Text bekommt eine Kategorie, etwa eine Zuständigkeit für ein eingehendes Ticket, eine Einstufung als Werbung oder eine Tonlage in einer Rückmeldung. Fast genauso häufig ist die Entitätserkennung, bei der aus einem Fließtext bestimmte Angaben herausgezogen werden: Firmenname, Datum, Betrag, Vertragsnummer.

Dazu kommen Übersetzung, Zusammenfassung, das Beantworten von Fragen zu einem Textbestand und die semantische Suche, die nach Bedeutung statt nach Wortgleichheit sucht. Angrenzend, aber nicht dasselbe, ist die Spracherkennung, die aus Audio erst einmal Text macht, bevor NLP-Verfahren überhaupt beginnen.

Vom Regelwerk zum gelernten Modell

Lange arbeitete NLP mit Wörterbüchern, Grammatikregeln und Wortstammreduktion. Danach kamen statistische Verfahren, dann Wortvektoren, die Bedeutungsähnlichkeit als Nähe im Zahlenraum abbilden, und schließlich die Transformer-Modelle, auf denen auch heutige Sprachmodelle beruhen.

Die älteren Verfahren sind deswegen nicht erledigt. Für eine eng umrissene Extraktion aus immer gleich aufgebauten Dokumenten sind ein regulärer Ausdruck oder ein kleines trainiertes Modell schneller, billiger und vor allem nachvollziehbar: Du kannst zeigen, warum ein Wert herausgezogen wurde. Ein großes Sprachmodell liefert dieselbe Angabe, aber mit mehr Aufwand und ohne diese Begründung.

Wo NLP im Betrieb tatsächlich sitzt

In den meisten Häusern läuft NLP unsichtbar: Eingangspost wird an die richtige Abteilung verteilt, Rechnungsdaten werden aus PDF-Dateien gezogen, Freitextfelder aus Umfragen werden gebündelt, Protokolle und Berichte werden durchsuchbar gemacht.

Dahinter steckt fast immer eine Kette und nicht ein einzelnes Modell: Text aus dem Dokument holen, bereinigen, zerlegen, durch das Modell schicken, das Ergebnis mit den bekannten Stammdaten abgleichen. Der letzte Schritt fehlt am häufigsten. Ein erkannter Lieferantenname, der nicht mit der Kreditorenliste abgeglichen wird, ist nur ein Vorschlag.

KI-generiertDieses Bild wurde mit KI erzeugt · Yves Hoppe / KI / cmt

Nicht verwechseln

Natural Language Processing und was oft damit gleichgesetzt wird

Natural Language Processing gegen Large Language Model

Ein LLM ist eines der Werkzeuge, mit denen NLP-Aufgaben heute gelöst werden, und nicht das Feld selbst. Für viele enge Aufgaben ist es das teuerste Werkzeug im Kasten.

Natural Language Processing gegen Spracherkennung

Die Umwandlung von gesprochener Sprache in Text ist ein eigenes Gebiet und liegt vor der eigentlichen Sprachverarbeitung. Fehler aus diesem Schritt pflanzen sich in allem fort, was danach kommt.

Natural Language Processing gegen OCR

Texterkennung holt Zeichen aus Bildern und Scans. Erst danach beginnt NLP. Bei schlechten Scans entscheidet die Qualität der Texterkennung darüber, wie gut das ganze Verfahren funktioniert.

KI-generiertDieses Bild wurde mit KI erzeugt · Yves Hoppe / KI / cmt

In der Praxis

Nicht jede Sprachaufgabe braucht ein großes Modell

Für gleichbleibende Aufgaben mit klaren Klassen, etwa das Sortieren eingehender Tickets in ein Dutzend Kategorien, ist ein trainierter Klassifikator oft die bessere Wahl. Er antwortet in Millisekunden, kostet pro Vorgang fast nichts, läuft im eigenen Rechenzentrum und liefert bei gleicher Eingabe immer dasselbe Ergebnis. Ein Sprachmodell tut nichts davon zuverlässig.

Deutsch macht dabei zusätzliche Arbeit. Zusammensetzungen wie Rechnungsanschrift oder Bestellnummernkreis werden von vielen Verfahren ungünstig zerlegt, und in Fachtexten stecken Abkürzungen, die außerhalb des Hauses niemand kennt. Wer hier keine eigene Liste aus dem Betrieb pflegt, verliert genau die Treffer, auf die es ankommt.

Gemessen wird am Ende nicht nach Gefühl. Für jede Klassifikation brauchst du einen Satz von Hand geprüfter Beispiele und getrennte Werte dafür, wie viele der richtigen Fälle gefunden wurden und wie viele der Treffer tatsächlich gestimmt haben. Erst dann siehst du, ob eine Änderung wirklich etwas verbessert hat.

Natural Language Processing lernen

Wie du eine Klassifikation oder eine Entitätserkennung selbst umsetzt, üben die Kurse zur maschinellen Sprachverarbeitung an eigenen Texten.

Wo heute ein großes Sprachmodell die klassische Verarbeitungskette ersetzt, zeigen die Trainings rund um Sprachmodelle im Einsatz .

Kurse, die Natural Language Processing behandeln

Häufige Fragen

Ist NLP dasselbe wie ein Chatbot?

Nein. Ein Chatbot ist eine von vielen Anwendungen. Der größere Teil der NLP-Arbeit in Unternehmen läuft ohne Dialog: Dokumente einsortieren, Angaben herausziehen, Texte durchsuchbar machen. Diese Aufgaben laufen im Hintergrund und fallen nur auf, wenn sie ausfallen.

Brauche ich heute noch klassische Verfahren?

Wenn Nachvollziehbarkeit, Tempo oder Kosten zählen, ja. Ein kleines, auf deine Dokumente trainiertes Modell läuft auf einer normalen Maschine, liefert immer dasselbe Ergebnis und lässt sich prüfen. Ein Sprachmodell lohnt sich dort, wo Formulierungen stark schwanken und Regeln nicht mehr greifen.

Funktionieren NLP-Modelle auf Deutsch genauso gut wie auf Englisch?

Nicht automatisch. Viele Modelle sehen im Training deutlich mehr englisches Material, und deutsche Eigenheiten wie zusammengesetzte Substantive oder Fälle machen zusätzliche Arbeit. Ob ein Modell für deinen Bestand taugt, zeigt nur ein Test mit deinen eigenen Texten.

Persönlich für dich da