Natural Language Processing: Digitale Prozesse durch intelligente Sprache stärken

Die größte Veränderung im Natural Language Processing in den letzten zehn Jahren war der Wegfall von traditioneller Mustererkennung in Wörtern hin zu Machine- und Deep-Learning-Ansätzen.

Natural Language Processing (NLP) ermöglicht es Computern, Text zu lesen, Sprache zu hören, sie zu interpretieren, Sentiment zu messen und zu bestimmen, welche Teile wichtig sind. Heutige Maschinen können mehr sprachbasierte Daten analysieren als Menschen, ohne Ermüdung und auf konsistente, unvoreingenommene Weise.

„NLP ist wichtig, weil es hilft, Ambiguität in Sprache aufzulösen und nützliche numerische Struktur zu den Daten für viele nachgelagerte Anwendungen hinzuzufügen, wie Spracherkennung oder Textanalyse“, sagt Kayne Putman, Analytics Consultant bei SAS UK & Ireland. „Das bedeutet, es kann in einer Vielzahl von Business-Use-Cases angewendet werden, wie Betrugs- und Risikoanalyse oder Extraktion von Insights zum Kundenverhalten. Fundamental ist es essenziell, gute Data Analytics zu haben und zu wissen, was man erreichen will, bevor man NLP in die Umgebung einführt.“

Entwicklung von Natural Language Processing

Die größte Veränderung im NLP in den letzten zehn Jahren war der Wechsel von traditioneller Mustererkennung in Wörtern hin zu Machine- und Deep-Learning-Ansätzen. Es gab jüngste Fortschritte in der Technik des „Word Embedding“, die es erlaubt, individuelle Wörtern oder Wortgruppen einen gewissen semantischen Sinn zuzuordnen.

„Das Resultat ist ein hochdimensionaler numerischer Vektor, der weiteres Modelltraining und Analyse ermöglicht“, sagt Jos Martin, Senior Engineering Manager bei MathWorks. „Einmal, da etwas semantische Bedeutung in den numerischen Raum transferiert wurde, werden viele andere kürzlich entwickelte Deep-Learning-Techniken für NLP-Systemdesigner verfügbar.“

Beispielsweise haben viele Systeme Long Short-Term Memory (LSTM) Typen von rekurrenten neuronalen Netzen genutzt, hilfreich, um mehr über Beziehungen zwischen Wörtern in Sätzen, Absätzen und anderen linguistischen Blöcken zu lernen. Diese Netzwerktypen erlauben dem Designer, vorherzusagen, was das nächste Wort in einer Sequenz sein könnte, oder Wahrscheinlichkeiten für die nächsten mehreren Wörter zuzuweisen.

Mehr als nur ein Chatbot

In traditionellem NLP waren Wörter einfach nur Wörter – etwas bedeutungslose Phrasen, die die Bedeutung vermissen, die durch breiteren Kontext etabliert wird. So würden wir typischerweise einen Chatbot kategorisieren, der durch die Information limitiert ist, die ihm in Echtzeit zugeführt wird.

„Für fortgeschrittenes NLP können wir das kontextuelle Verständnis verbessern, indem wir Wörter als Vektoren von Zahlen repräsentieren“, sagt Johan Toll, Executive Director Transformations bei IPsoft. „Anstatt Wörter nur als Wörter zu verstehen, ermöglicht dies der Maschine, Wortähnlichkeiten und Phrasenähnlichkeiten auf sehr flexible Weise zu verstehen.“

Beispielsweise zu verstehen, dass das Wort „Vertrag“ in einem rechtlichen Kontext eine sehr andere Bedeutung hat als in einem Gangsterfilm. Im Gegensatz zu einem Chatbot, der nur einen einzelnen Strom von Information und Sprache versteht, ermöglicht dies eine vielschichtige Konversation, die je nach erforderlicher Kontext und Art der verwendeten Sprache maßgeschneidert ist.

Laut Toll ist fortgeschrittenes NLP ein Enabler. „Tatsächlich beinhalten die meisten KI-Entwicklungen und digitalen Innovationen eine Form von Intelligent Process Automation (IPA), wobei McKinsey schätzt, dass 50 bis 70 Prozent der Aufgaben in Unternehmen automatisiert sind“, fügt er hinzu. „Es ist diese Automatisierung, ermöglicht durch NLP, die die Entwicklung neuer KI-Anwendungen ermöglicht, die es Organisationen erlauben, riesige Mengen wertvoller Informationen präzise zu beschaffen, zu organisieren und zu identifizieren.“

Kundenerfahrung erweitern

Mit dem Wachstum von E-Commerce und dem expandierenden globalen Marktplatz kaufen mehr Konsumenten online als je zuvor. Um dieser steigenden Nachfrage gerecht zu werden, adoptieren Organisationen eine Kombination von Next-Generation-Technologien einschließlich NLP, um ihre Customer Experience zu erweitern, Markenreputation zu verbessern und Umsätze zu steigern. Eine bei Aspect durchgeführte Studie ergab, dass 92 Prozent der Befragten den Wert von NLP im modernen Kundenservice anerkennen.

„Eine Schlüsselanforderung für jede zukunftsorientierte Organisation ist es, eine vielseitige Omnichannel-Erfahrung anzubieten, bei der Kunden die Option haben, automatisierte Self-Service-Funktionen einschließlich virtueller Assistenten und Desktop- oder Mobile-Chatbots neben traditionellen Kommunikationsmitteln zu nutzen“, erklärt Stephen Ball, Senior VP Europe & Africa bei Aspect. „Die wahren Belohnungen von automatisiertem Self-Service können nur geerntet werden, wenn Organisationen diese neuen Technologien richtig implementieren, und ein umfassendes Verständnis von NLP-Technologie ist der Schlüssel dazu.

„Es ist extrem wichtig zu realisieren, dass erfolgreiche NLP-Integration ein Prozess ist, der Zeit und Aufwand erfordert und Investitionen in KI und assoziierte Technologien, die leicht an die Bedürfnisse des Unternehmens angepasst werden können, und am wichtigsten, fortgeschritten genug sind, um den komplexen und sich wandelnden Anforderungen des modernen Kunden gerecht zu werden. Um das zu erreichen, ist es entscheidend, dass Unternehmen NLP- und Technologie-Training anbieten, um Mitarbeiter upzuskillen, sowie mit externen Partnern zusammenarbeiten, um diese relevante KI-Erfahrung kurz- und mittelfristig zu gewinnen.“

Emotionen zu Natural Language Processing hinzufügen

Die Fähigkeit zu verstehen, ob jemand frustriert oder wütend ist, basierend auf tonaler Neigung, Wortwahl und Pausen zwischen Sätzen, galt bis vor Kurzem als einzigartig menschliche Fähigkeit. Ein aufblühender Forschungsbereich ist Emotion Analysis.

Emotion Analysis ist eine Form von NLP, die darauf abzielt, die Emotionen des Schreibers aus Text zu bestimmen – die Emotionen könnten Angst, Wut, Ekel, Frustration, Agitation oder sogar Traurigkeit sein. „Eine solche Anwendung dieser faszinierenden Technologie wird in Call Centern sein – ein Helpline-Operator könnte seine Beratung und Sprache anpassen, um die Bedürfnisse eines Kunden besser zu erfüllen, ohne dass der Anrufer je explizit sein Frustrationslevel angeben muss“, kommentiert Sally Epstein, Machine Learning Engineer, Cambridge Consultants.

Ein breiterer Innovationsbereich ist Sentiment Analysis, die verwendet wird, um zu bestimmen, ob ein Teil Freitext positiv, neutral oder negativ ist. „Mit Sentiment Analysis ist es möglich, effizient riesige Mengen an Textdokumenten, Social-Media-Posts oder Produktbewertungen zu durchsuchen, um bedeutende Trends zu extrahieren“, fügt Epstein hinzu. „Dieser Insight wird bereits von Unternehmen genutzt, um Kundenzufriedenheit für ihre Marke zu bewerten.“ Am wichtigsten: Diese Techniken können schnell skaliert werden, um Insights aus verschiedenen regionalen Dialekten und Sprachen zu ziehen.

Was kommt als Nächstes für Natural Language Processing?

Für die Zukunft werden bessere Sprachsteuerung und Spracherkennung ein großer Bereich für NLP sein. Während Spracherkennung in den letzten Jahren signifikant besser geworden ist, gibt es noch einen Weg, bis sie gut genug ist, um breiter genutzt zu werden. Ein Teil der Fortschritte in diesem Bereich wird mit besseren Modellen kommen.

Ein weiterer großer Bereich wird die erfolgreiche Anwendung von Transfer Learning auf NLP sein. Erst im letzten Jahr wurde es möglich, Deep-Learning-Pre-trained-Models für Transfer Learning in NLP zu haben, was signifikant ist, weil Transfer Learning länger für Computer Vision existiert. Das ist ein riesiger Durchbruch, weil es dem Nutzer erlaubt, vom gleichen Pre-trained-Modell, wenn auch mit einigen Tweaks, in allen möglichen Text-Analytics-Aufgaben zu profitieren – von Sentiment Analysis bis Question-Answering.

Artikel von Mark Venables.