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.
-
Tokenisierung
Der Text wird in Token zerlegt, also Wörter, Satzzeichen oder Wortteile.
-
Normalisierung
Groß- und Kleinschreibung, Sonderzeichen und häufige Füllwörter wie „und“ oder „der“, die sogenannten Stoppwörter, werden vereinheitlicht oder entfernt.
-
Lemmatisierung oder Stemming
Wortformen werden auf ihre Grundform zurückgeführt, damit „Rechnungen“ und „Rechnung“ als dasselbe zählen.
-
Wortarten und Satzbau
Part-of-Speech-Tagging bestimmt, ob ein Wort Nomen, Verb oder Adjektiv ist, ein Parser erkennt die Satzstruktur.
-
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
Natural Language Processing und was oft damit gleichgesetzt wird
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.
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.
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.
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
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
- Natural Language Processing Grundkurs: Plattformen und Frameworks im Überblick
- AI-3003 Training: Entwickeln von Lösungen für die Verarbeitung natürlicher Sprache mit Azure KI Services
- Google Cloud NLP API: Textanalysen, die zählen
- LLM-Dokumentenanalyse und Pipelines Grundkurs
- Python Machine Learning Grundkurs (Für Python Entwickler)
Weitere Kurse aus diesem Bereich
- Large Language Model Grundkurs: Einsatz und Überblick
- Large Language Models Aufbaukurs: RAG, Anpassung und Training
- Large Language Models Advanced: Eigene LLMs und Tuning
- KI Für Entscheider Workshop: Maschinelles Lernen und Datenanalyse
- Data Engineering: KI-Pipelines im Einsatz
- Java Microservices mit KI: Spring AI & LangChain4j
- KI ersetzt Admins & Entwickler: Dein IT-Job 2026
Häufige Fragen
Ist NLP dasselbe wie ein Chatbot?
Was ist der Unterschied zwischen NLP, NLU und NLG?
Brauche ich heute noch klassische Verfahren?
Funktionieren NLP-Modelle auf Deutsch genauso gut wie auf Englisch?
Passt thematisch dazu
Wer mit großen Sprachmodellen auf Deutsch arbeitet, sollte wissen, wann die Sprache des Prompts das Ergebnis verändert.
Deine Ansprechpartner
Du willst das Thema nicht nur nachschlagen, sondern anwenden können? Wir beraten dich persönlich und kostenlos.
Yves Hoppe
Weiterbildung & Beratung
Ordnet mit dir ein, welcher Kurs zu deinem Vorwissen passt.
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.