Natural Language Processing (NLP) - eine Einführung

Optimieren Sie Ihre Unternehmensprozesse mit Natural Language Processing.
Kontakt
Lassen Sie uns darüber sprechen, wie wir Sie unterstützen und Herausforderungen gemeinsam lösen können.
Let´s talk Technology

Was ist Natural Language Processing (NLP)?

Natural Language Processing (NLP) kombiniert Techniken (aus den Bereichen) der Linguistik, Informatik und Künstlichen Intelligenz (KI) mit dem Ziel, Sprachdaten computergestützt zu analysieren, zu verstehen und zu verarbeiten. Daraus können wir Mehrwert und umsetzbare Erkenntnisse gewinnen. Weitere Teilbereiche sind Natural Language Generation (NLG) und die Implementierung von Chatbots. In letzter Zeit hat insbesondere die Anwendung von Deep-Learning-Techniken die NLP-Forschung vorangetrieben und neue Anwendungsmöglichkeiten für Natural Language Processing eröffnet.

Welche Bereiche transformiert und optimiert Natural Language Processing (NLP)?

Mit Natural Language Processing (NLP) kann man wertvolle, bisher schwer zugängliche Informationen aus Textdaten extrahieren und zur Verbesserung der Prozessqualität und -effizienz oder zur Bereitstellung ganz neuer Dienstleistungen nutzen. Beispielsweise können E-Mail-Anfragen automatisch an die zuständige Abteilung weitergeleitet werden. Dadurch verkürzen sich Reaktionszeiten und es reduzieren sich unzureichende Bearbeitungen von Kundenanfragen. Außerdem kann man unzufriedene Kunden sowie Produktprobleme durch die Analyse von Social Media-Daten automatisch identifizieren. So können entsprechende Gegenmaßnahmen frühzeitig ergriffen werden. Mit Chatbots kann man den Kundensupport automatisieren und optimieren und dadurch ein neues Kundenerlebnis schaffen. Haben diese Beispiele Sie neugierig gemacht? Auf dieser Seiten finden Sie detailliertere Informationen zu den verschiedenen Aspekten und Techniken des Natural Language Processing.

Natural Language Processing - Anwendungsbereiche

Natural Language Processing spielt bereits in vielen Branchen und Bereichen eine wichtige Rolle, wie Healthcare, Kundensupport, Vertrieb & Marketing.

Vielfältige Anwendungsbereiche von Natural Language Processing (NLP)

Natural Language Processing (NLP) ist ein Teilbereich der Künstlichen Intelligenz (KI), der sich darauf konzentriert, Computer in die Lage zu versetzen, menschliche Sprache zu verstehen und zu verarbeiten. Das Schlüsselwort heißt Daten. Anhand von Daten werden Systeme trainiert, bis sie in der Lage sind, zu Verallgemeinern, zu Abstrahieren und unbekannte Daten zu beurteilen.

Wer kennt sie nicht? Digitale Assistenten und Chatbots wie Siri, Alexa, Cortana, Facebook M und Google Assistant

Wer kennt sie nicht? Die zurzeit bekanntesten Anwendungsgebiete von Natural Language Processing (NLP) sind Apple Siri, Amazon Alexa, Microsoft Cortana, Facebook M und seit Neuestem auch Google Assistant. Digitale Sprachassistenten und Chatbots sind nicht nur im Alltag auf dem Vormarsch. Sie spielen heute auch in vielen Unternehmen eine immer wichtigere Rolle.

Kosteneffizienz durch Natural Language Processing (NLP) Chatbots im Kundensupport

Spam-Filter in der E-Mail Kommunikation und Spracherkennungssoftware mit Sprach-zu-Text-Konvertierung sind praktische und alltägliche NLP-Techniken, die bereits seit vielen Jahren im Einsatz sind. Mittlerweile sind Natural Language Processing (NLP) Anwendungen immer vielfältiger und nehmen rasant zu. Suchanfragen, Terminvereinbarungen, Reservierungen, Bestellungen, Reklamationen können schon jetzt ohne Ansprechpartner und Bildschirm erfolgen. Branchenübergreifend werden sogenannte Chatbots verstärkt im Kunden-Support angewendet. Chatbots sind digitale Assistenten, die für alle Arten von Unternehmen einsetzbar sind. Künstliche Intelligenz (KI) ermöglicht diesen virtuellen Assistenten über Telefon, Chat oder E-Mail mit den Kunden auf natürliche Weise zu kommunizieren. Sie beantworten schnell und effizient Fragen, sprechen Empfehlungen aus und geben detaillierte Anleitungen zu How-Tos. Chatbots werden heutzutage von vielen Kunden als selbstverständlich vorausgesetzt. Ein erstklassiger, serviceorientierter Kundenservice ist ein entscheidendes Differenzierungsmerkmal und bietet neue Chancen und Wettbewerbsvorteile. Im Zeitalter der Digitalisierung bedeutet das für Unternehmen:

- Steigerung der Servicequalität
- Erhöhung der Kundenzufriedenheit
- Steigerung der Reaktionsfähigkeit
- 24/7 Informationsbereitstellung
- Reduzierung der Fehlerquote
- Kosteneffizienz

Intelligente Auswertung von Textdaten mit Natural Language Processing (NLP)

Natural Language Processing (NLP) kommt auch für Text Mining, insbesondere die linguistische Textanalyse und die Sentimentanalyse zum Einsatz. Dabei geht es um die automatische Auswertung von Texten, Nachrichten und Blogs mit dem Ziel Stimmungen (positiv, negativ oder neutral), Emotionen (glücklich, verärgert, wütend oder traurig), Meinungsäußerungen, Bewertungen und Tendenzen zu erkennen und zu analysieren.

Natural Language Processing (NLP) in der Medizin

Auch im Healthcare-Bereich wird Natural Language Processing (NLP) erfolgreich eingesetzt, mit dem Ziel effektive Forschung, Verbesserung der klinischen Behandlungsstandards, automatisierte Bewertung von Behandlungsergebnissen. Basis dafür ist der strukturierte Zugriff auf den Inhalt also das Wissen der entsprechenden Dokumente wie Arztbriefe, Pathologieberichte und klinische Berichte und die entsprechende Verarbeitung.

Natural Language Processing (NLP) für Vetriebs- und Marketingstrategien

Natural Language Processing (NLP) ermöglicht die Gewinnung von Erkenntnissen über Präferenzen und Kaufverhalten der Interessenten und Kunden. Über eine maschinelle Analyse der Stimmungslage in sozialen Medien wie Facebook oder Twitter lässt sich in Echtzeit die Einstellung der Kunden zum Unternehmen, einer Kampagne oder einem Produkt ermitteln. Dieses Wissen eröffnet völlig neue Möglichkeiten für die effektive Planung und Umsetzung von Marketingstrategien und -maßnahmen.

Natural Language Processing - Building Blocks

Welche Natural Language Processing Building Blocks sind die richtigen für Ihr Unternehmen?
Maschinelle Übersetzung
Die Übersetzung von Texten von einer Sprache in eine andere ist ein Anwendungsfall, mit dem fast jedes Unternehmen konfrontiert ist. Wenn man z.B. den Internetauftritt des Unternehmens mit viel Inhalt übersetzen will, ist diese Aufgabe sehr kostspielig und zeitaufwendig. Die maschinelle Übersetzung kann helfen, diesen Prozess zu automatisieren.
Die ersten maschinellen Übersetzungstools taten nur geringfügig mehr, als Wörter von einer Sprache einzeln in eine andere zu übersetzen, was zu Grammatikfehlern und seltsamen Sätzen führte. Moderne Ansätze hingegen bauen intern komplette semantische Darstellungen des Textes auf und generieren dann einen neuen Text in der Zielsprache. Dieser generierte Text respektiert dann die meisten Grammatikregeln und liest sich flüssiger.
Mit maschineller Übersetzung kann der Arbeitsaufwand der Übersetzung auf die Überprüfung und Korrektur der maschinell generierten Texte signifikant reduziert werden (im Vergleich zum Schreiben völlig neuer Texte).
Textklassifikation
Die Klassifizierung von Texten oder Dokumenten ist eine NLP-Aufgabe, die viele Anwendungsfälle ermöglicht. Ziel ist es, für Dokumente oder Texte zu entscheiden, zu welcher der vordefinierten Klassen sie gehören. Die bekannteste Anwendung sind wahrscheinlich E-Mail-Spam-Filter, die seit Jahrzehnten eingesetzt werden.
Ein weiteres Beispiel ist die Genreklassifizierung, also die Zuordnung von Nachrichtenartikeln zu Kategorien wie Politik, Sport etc. oder die Zuordnung von Forschungsartikeln zu relevanten Forschungsgebieten.
Sentimentanalyse
Die Sentimentanalyse ist ein Sonderfall der Dokumentenklassifizierung. Produktbewertungen oder Supportanfragen können in positiv/negativ/neutral oder wütend/traurig/glücklich/überrascht kategorisiert werden. Entitätserkennungstechniken werden eingesetzt, um zu erfahren, worauf sich dieses Gefühl bezieht.
Betrachten wir zum Beispiel die Bewertung "Tolles Handy. Die Lebensdauer der Batterie ist jedoch enttäuschend". Es drückt eine positive Stimmung aus, aber eine negative bezüglich der Batterie des Produkts. Dadurch lassen sich Erkenntnisse über Kundenzufriedenheit und -nachfrage gewinnen.
Dokumentenzusammenfassung
Die Dokumentenzusammenfassung zielt darauf ab, eine kurze, für den Menschen lesbare Zusammenfassung eines längeren Texts oder Dokuments zu erzeugen. Hierbei gibt es zwei Kategorien von Textzusammenfassern. Die eine Möglichkeit basiert auf der Extraktion der wichtigsten Sätze oder Wörter eines Textes. Die zweite Möglichkeit darauf, dass das Verfahren ein Verständnis des Textinhalts erlernt und darauf basierend selbst eine Zusammenfassung „schreibt“. Der erste Ansatz der Extraktion ist wesentlich einfacher zu implementieren und wird z.B. in der von Suchmaschinen angezeigten Zusammenfassung („snippet“) verwendet. Der zweite Ansatz der Abstraktion ist bisher eine nur theoretisch gangbare Option.
Textähnlichkeit
Herauszufinden wie ähnlich zwei Texte sind, kann Anwendungsfälle wie verbesserte Suchergebnisse oder Empfehlungen ermöglichen. Auf einer Nachrichtenseite könnte es beispielsweise eine gute Idee sein, den Leser*Innen Hinweise auf Artikel anzuzeigen, die zum aktuell gelesenen ähnlich sind, um die Leser*Innen länger auf der Seite zu halten.
Für Suchmaschinen ist die Volltextsuche nach den genauen Suchbegriffen relativ einfach. Ergebnisse zu finden, die für die Suche relevant sind, aber den eigentlichen Suchbegriff nicht enthalten, können mit Hilfe der Textähnlichkeit umgesetzt werden.
Text-Clustering
Wie die Analyse der Textähnlichkeit verwendet das Text-Clustering Techniken, um die Ähnlichkeit von Texten zu bestimmen. Ziel ist es dann, basierend auf dieser Ähnlichkeit Gruppen von Texten mit dem gleichen inhaltlichen Thema zu finden.
Rechtschreibkorrektur
Die Rechtschreibung von Wörtern in einem Text zu korrigieren kann ein eigener Anwendungsfall sein - denn niemand will falsch geschriebene Dokumente veröffentlichen. Außerdem kann eine automatische Rechtschreibkorrektur die Leistung anderer NLP-Methoden verbessern, indem es den Text von falsch geschriebenen Wörtern bereinigt.
Wir arbeiten derzeit an weiteren Building Blocks für noch mehr Services in der Zukunft 😉.

Use Cases

So profitieren Kunden von NLP Building Blocks:
Content Management im Web
Nehmen wir an, wir betreiben einen Webshop mit einer Vielzahl von Produkten, für die wir ausführliche Beschreibungen in deutscher Sprache erstellt haben. Aus diesen Beschreibungen können wir nun mit Hilfe der Dokumentenzusammenfassung Kurzbeschreibungen für eine Übersichtsseite generieren.

Um einen größeren Markt erreichen zu können, möchten wir weiterhin die gesamte Website ins Englische übersetzen. Wir könnten ein Team mit den Übersetzungen beauftragen, was mehrere Wochen dauern würde, oder wir könnten die Übersetzung durch maschinelle Übersetzung automatisieren und eine englische Version unseres Shops innerhalb weniger Tage online-stellen und dann eine Person die Mängel in den automatisch generierten Texten im Laufe der Zeit korrigieren lassen.
Beide NLP-Methoden können unserem Unternehmen Geld sparen und uns einen erheblichen Geschwindigkeitsvorteil beim Einführen neuer Funktionen ermöglichen.
Analyse des Kundenfeedbacks
Unser Ziel ist es, Kundenfeedback zu analysieren, das wir per E-Mail erhalten.
1. Zuerst stellt ein Spamfilter sicher, dass nur Nachrichten, die von tatsächlichen Kunden gesendet werden, in unseren Datensatz aufgenommen werden.
2. Anschließend bereiten wir die Textdaten für die anstehenden NLP-Aufgaben vor, indem wir mögliche Rechtschreibfehler automatisch korrigieren lassen.
3. Als nächstes führen wir eine Sentimentanalyse der Texte durch, um positive und negative Töne zu erkennen, und gruppieren die Daten so in „Clustern“, dass ähnliche Dokumente gemeinsam analysiert werden können.
4. Jetzt können wir eine Textzusammenfassung für jeden Cluster erzeugen, um die wichtigsten Schlüsselwörter zu finden. Ein mögliches Ergebnis wären Cluster, die nach "Design, Telefon, Aussehen" und "Telefon, Akku, Laden" zusammengefasst sind.
5. Nun analysieren wir, wie zufrieden die Kunden mit Aspekten unseres Produkts wie dem Design oder der Batterie sind, indem wir die positiven und negativen Empfindungen der in jedem Cluster enthaltenen Nachrichten vergleichen.
Es ergibt sich, dass 90% der Verbraucher das Design mögen, aber 52% sich über die Batterie beschweren. Solche Analysen lieferten wertvolle Erkenntnisse und ermöglichen fundierte Entscheidungen, z.B. wie das Budget für Forschung & Entwicklung des nächsten Modells verteilt werden soll.