Über zahlreiche Branchen hinweg setzen technologische Innovationen und Digitalisierung bestehende Prozesse unter Druck und bringen Unternehmen dazu, ihre bisherigen Arbeitsabläufe und Wertschöpfungsketten zu hinterfragen, anzupassen und neu zu gestalten. Die neuesten Entwicklungen im Bereich der Künstliche Intelligenz bewirken sogar eine noch stärkere Dynamik: Die Art und Weise, wie wir arbeiten, wirtschaften und als Gesellschaft zusammenleben wird grundlegend verändert.
Künstliche Intelligenz & Sprache
KI-Technologien beeinflussen ebenso die Formate und Prozesse, wie wir kommunizieren und mit Sprache und Text umgehen. Denn eines der spannendsten und zeitgleich herausforderndsten Anwendungsgebiete der Künstlichen Intelligenz ist die maschinelle Verarbeitung natürlicher Sprache – besser bekannt unter dem Begriff Natural Language Processing (NLP).
Als interdisziplinäre Querschnittsdisziplin zwischen Linguistik und Künstlicher Intelligenz besteht das Ziel von NLP in der Entwicklung von Algorithmen, die Elemente von menschlicher Sprache maschinell aufschlüsselt oder generiert. Das heißt: All das, was Menschen schriftlich oder verbal ausdrücken, kann NLP in digital lesbare Informationen dechiffrieren. Diese Teildisziplin von NLP wird auch als Natural Language Understanding (NLU) bezeichnet.
Bei einem anderen Teilgebiet von NLP funktioniert der oben beschriebene Prozess in die umgekehrte Richtung: Mit Natural Language Generation (NLG) – auch als automatische Textgenerierung bezeichnet – werden maschinelle Daten in verbale Sprache oder in Textelemente verarbeitet. Überall dort, wo strukturierte Daten vorhanden sind oder generiert werden – etwa im E-Commerce, in Unternehmen für interne Reportings, an der Börse oder in der Berichterstattung für Sport, Wirtschaft bzw. Wetter –, kann NLG-Software aus Daten leserfreundliche und informative Texte erstellen; und das per Knopfdruck und in Sekundenschnelle. Auf diese Weise können NLG-Systeme Texter und Redakteure von monotoner Routine-Arbeit befreien, sodass die eingesparten zeitlichen Ressourcen in kreative und konzeptionelle Arbeiten investiert werden können.
Step by step: Wie funktioniert NLG?
Bildrechte: Retresco GmbH
Gute Beispiele für den sinnvollen Einsatz von NLG-Systemen sind solche Bereiche, in denen große Mengen an strukturierten, semantischen Daten anfallen, die NLG-Programme dann in Form von Texten umwandeln. Die dahinterliegenden Prozesse beinhalten eine Reihe von technologischen und computerlinguistischen Raffinessen: Große Mengen an Primärdaten – sie enthalten beispielsweise Auskunft über Namen, Häufigkeiten, Produkteigenschaften, Messwerte usw. – werden zunächst der Datenbank der Software hinzugefügt.
Damit nun jedoch Texte in natürlicher Sprache entstehen können, benötigt ein NLG-System vorab sogenannte Vorlagen und Bedingungen. Hinter Vorlagen verbergen sich im Wesentlichen vorformulierte Sätze, die mithilfe von Lexikalisierungsalgorithmen mit einer großen Anzahl von Varianten, Synonymen und Adverbien angereichert werden. Unter Bedingungen hingegen versteht man Voraussetzungen, die erfüllt sein müssen, damit eine bestimmte Vorlage verwendet werden kann.
Um Texte automatisch generieren zu können, ermittelt das System eine relevante Bedingung, kombiniert Informationen aus den Vorlagen mit ereignis- oder produktspezifischen Daten und erstellt mithilfe einer intelligenten linguistischen Analyse das Endprodukt. Nebenbei bemerkt: NLG-Software weiß in der Regel auch, wie man die Vorlagen in einer Reihenfolge – auch bekannt als „Story Plot“ oder „Narrativ“ – anordnet, sodass sie inhaltlich für den menschlichen Rezipienten Sinn machen und ansprechend zu lesen sind. Menschliche Redakteure müssen in der Initialphase lediglich Vorlagen erstellen und Bedingungen definieren – liegen diese Informationen jedoch einmal vor, kann das NLG-System komplett autonom arbeiten.
NLG in der Praxis
Im Bereich der Fußballberichterstattung entstehen auf diese Weise computergenerierte Texte, die sich in der Wahrnehmung der Leser nicht von Berichten, die von einem (menschlichen) Redakteur verfasst wurden, unterscheiden lassen. Hier ein Beispiel eines voll vollautomatisiert erstellten Fußballberichtes:
Bildquelle: Retresco GmbH
Natural Language Generation kann aber nicht nur in der datenbasierten Berichterstattung für Medien & Publisher (z.B. bei Wahl-, Finanz, und Wetternachrichten) eingesetzt werden, sondern trägt auch zur Content-Automatisierung in anderen Branchen bei: Im Sales, Marketing & Customer Service verstärkt NLG-Software beispielsweise die Leistungsfähigkeit von Chatbots, die immer intuitivere Antworten auf teils komplexe Kundenanfrage geben können. Ein weiteres Einsatzgebiet stellt die Mailautomatisierung im Customer Service oder auch im Marketing dar: Personalisierte E–Mails bzw. Textabschnitte können automatisiert verfasst und zielgruppenspezifisch versendet werden.
Darüber hinaus erstellt Natural Language Generation im E-Commerce eingesetzt, um Produktbeschreibungen skalierbar und effizient vollautomatisiert erstellen zu lassen. Auf diese Weise entstehen SEO-optimierte und einzigartige Produktbeschreibungen in großem Variantenreichtum und sogar in der Tonalität der eigenen Marke. Was im Online-Handel Produkttexte leisten, sind für Anbieter von touristischen Services Inhalte wie Hotelbeschreibungen. In diesem Markt mit internationalem Fokus kommt eine Stärke von NLG besonders zum Tragen: das automatische Übersetzen von Texten auf (nahezu) muttersprachlichem Niveau.
Der Einsatz von NLG ist jedoch nicht nur auf bestimmte Branchen beschränkt: Jede Organisation, die über strukturierte Datensätze verfügt, kann automatische Textgenerierung verwenden, um ihre in- oder externe Kommunikation zu automatisieren. Auf diese Weise bietet KI-basierte Natural Language Generation große Potenziale für Unternehmen und Content-Agenturen, die ihre Content-Produktion skalierbar, effizient und damit zukunftsfähig aufstellen wollen.
Bildquelle: Olav Ahrens Røtne on Unsplash
