Maschinelle Sprachverarbeitung

Was ist Natural Language Processing (NLP)?

NLP

Natural Language Processing, kurz NLP, auf Deutsch maschinelle Sprachverarbeitung, ist das Teilgebiet der Informatik und der künstlichen Intelligenz, das Software menschliche Sprache auswerten und erzeugen lässt. Typische Aufgaben sind 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
Deutsch
Maschinelle Sprachverarbeitung
Aufgaben
Klassifizieren, Extrahieren, Übersetzen, Zusammenfassen
Sitzt meist in
Ticketsystemen, Suchen, Dokumentenprüfung
Verwechselt mit
Large Language Models, die nur ein Werkzeug davon sind

Die typischen Aufgaben

NLP ist kein einzelnes Verfahren, sondern ein Bündel von Aufgaben. Die meisten davon laufen in Unternehmen längst, ohne dass jemand das Wort NLP benutzt.

  • Klassifikation

    Ein Text bekommt eine Kategorie, etwa die Zuständigkeit für ein eingehendes Ticket oder die Einstufung einer Mail als Spam.

  • Entitätserkennung (Named Entity Recognition)

    Aus Fließtext werden bestimmte Angaben gezogen: Firmenname, Datum, Betrag, Vertragsnummer.

  • Stimmungsanalyse (Sentiment Analysis)

    Ein Text wird als positiv, neutral oder negativ eingestuft, etwa bei Kundenrückmeldungen oder Bewertungen.

  • Übersetzung und Zusammenfassung

    Ein Text wird in eine andere Sprache oder eine kürzere Form gebracht, ohne dass der Inhalt verloren geht.

  • Semantische Suche und Fragebeantwortung

    Gesucht wird nach Bedeutung statt nach Wortgleichheit, und auf eine Frage kommt die passende Stelle aus einem Textbestand zurück.

  • Textgenerierung

    Software formuliert selbst Text, vom Antwortvorschlag im Kundenservice bis zum Entwurf eines Berichts.

Wie eine klassische Verarbeitungskette aussieht

Bevor ein Modell einen Text verstehen kann, wird er in handliche Teile zerlegt. Bibliotheken wie spaCy oder NLTK bieten diese Schritte fertig an, und auch moderne Sprachmodelle beginnen mit dem ersten davon.

  1. Tokenisierung

    Der Text wird in Token zerlegt, also Wörter, Satzzeichen oder Wortteile.

  2. Normalisierung

    Groß- und Kleinschreibung, Sonderzeichen und häufige Füllwörter wie „und“ oder „der“, die sogenannten Stoppwörter, werden vereinheitlicht oder entfernt.

  3. Lemmatisierung oder Stemming

    Wortformen werden auf ihre Grundform zurückgeführt, damit „Rechnungen“ und „Rechnung“ als dasselbe zählen.

  4. Wortarten und Satzbau

    Part-of-Speech-Tagging bestimmt, ob ein Wort Nomen, Verb oder Adjektiv ist, ein Parser erkennt die Satzstruktur.

  5. Eigentliche Aufgabe

    Erst jetzt folgt Klassifikation, Entitätserkennung oder Suche, danach der Abgleich des Ergebnisses mit bekannten Stammdaten.

Der letzte Abgleich fehlt in der Praxis am häufigsten. Ein erkannter Lieferantenname, der nicht mit der Kreditorenliste abgeglichen wird, ist nur ein Vorschlag.

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 ab 2017 die Transformer-Architektur, auf der auch heutige große 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.

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 Neuro-Linguistisches Programmieren

Dieselbe Abkürzung NLP steht auch für ein Kommunikations- und Coachingkonzept aus der Psychologie. Mit Informatik hat es nichts zu tun, und seine Wirksamkeit ist wissenschaftlich umstritten. Wenn in einer KI-Stellenanzeige NLP steht, ist immer die Sprachverarbeitung gemeint.

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 Computerlinguistik

Die Computerlinguistik ist die wissenschaftliche Disziplin, die Sprache mit formalen und rechnerischen Mitteln untersucht. NLP meint stärker die angewandte, technische Seite, also Verfahren, die eine konkrete Aufgabe lösen. Im Alltag werden beide Begriffe oft synonym benutzt.

Natural Language Processing gegen Spracherkennung und OCR

Spracherkennung macht aus Audio Text, OCR holt Text aus Scans. Beide werden oft zum weiteren Feld gezählt, liegen aber vor der eigentlichen Sprachverarbeitung, und ihre Fehler pflanzen sich in allem fort, was danach kommt.

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.

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.
Was ist der Unterschied zwischen NLP, NLU und NLG?
NLU, Natural Language Understanding, bezeichnet den Teil, der Bedeutung aus Text herausliest, etwa Absicht oder Entitäten. NLG, Natural Language Generation, ist die Gegenrichtung und erzeugt Text. NLP ist der Oberbegriff für beides.
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 Fälle oder lange Zusammensetzungen machen zusätzliche Arbeit. Ob ein Modell für deinen Bestand taugt, zeigt nur ein Test mit deinen eigenen Texten.

Passt thematisch dazu

Wer mit großen Sprachmodellen auf Deutsch arbeitet, sollte wissen, wann die Sprache des Prompts das Ergebnis verändert.

Persönlich für dich da

Deine Ansprechpartner

Du willst das Thema nicht nur nachschlagen, sondern anwenden können? Wir beraten dich persönlich und kostenlos.

Yves Hoppe

Yves Hoppe

Weiterbildung & Beratung

Ordnet mit dir ein, welcher Kurs zu deinem Vorwissen passt.

Norbert Jansen

Norbert Jansen

Beratung & Inhouse

Plant Inhouse-Trainings, die an euren eigenen Daten und Abläufen ansetzen.

Natural Language Processing im Kurs statt im Lexikon

Nachschlagen bringt dich bis zum Verstehen. Anwenden lernst du an echten Aufgaben.