Von daher möchte ich hier über 5 Dinge zum Thema NLU sprechen, von denen ich denke, dass sie vor allem Manager*innen wissen sollten:

Wie gesagt, ich bin eine erfahrene NLU-Entwicklerin und bis heute bin ich mir ziemlich sicher, dass keines meiner Familienmitglieder versteht, womit ich meinen Lebensunterhalt verdiene. Nicht, dass es so geheimnisvoll wäre, wie ein Michelin-Stern-Inspektor zu sein, aber das Konzept, dass jemand mit Sprachen arbeitet und im Wesentlichen programmiert, um eine Maschine dazu zu bringen, die menschliche Sprache zu verstehen, ist einfach sehr schwer zu begreifen.  

Bis jetzt, denn wenn ich heutzutage eine kurze Erklärung liefern sollte, würde ich sagen: NLU ist ein Dolmetscher zwischen Mensch und Maschine.

Dies ist eine gute Erkenntnis für Managerinnen und Product Ownerinnen, vor allem für diejenigen, die virtuelle Sprachassistenten und immersive Spracherlebnisse für ihre Nutzerinnen schaffen wollen. Nicht alle NLP-Entwicklerinnen (NLP: natural language processing) sind auch gut im Entwickeln von NLUs. Sicherlich ist eine gut entwickelte Pipeline in einem erstellten Sprachmodell wichtig, aber das bedeutet nicht, dass eine NLP-Entwicklerin automatisch über umfangreiches linguistisches Wissen über eine bestimmte Sprache verfügt.

Wenn man Standardchinesisch und Englisch vergleicht, mag beispielsweise die Syntax ähnlich sein: Ein Satz besteht in beiden Sprachen aus Subjekt und Verb. Aber die chinesische Sprache ist sehr arm an Morphologie und was das Standardchinesische noch komplizierter macht, ist, dass sie eine riesige Menge an Homophonen enthält (Wörter, die die gleiche Aussprache, aber unterschiedliche Bedeutungen haben, zum Beispiel „Mathe“ und „Matte“ im Deutschen). 

Außerdem ist Chinesisch eine ideografische Sprache, bei der ein Zeichen die Bedeutung repräsentieren kann, ohne die Aussprache wiederzugeben, daher kann dieselbe gesprochene Silbe durch eines von vielen Zeichen dargestellt werden, je nach Bedeutung. Ein bestimmtes Zeichen kann auch eine Reihe von Bedeutungen haben, oder manchmal ganz unterschiedliche Bedeutungen, die unterschiedlich ausgesprochen werden können. Ohne Zeichen repräsentiert der Klang selbst nicht unbedingt die Semantik, die Bedeutung des Wortes. Englischsprachige Entwickler*innen sind also nicht in der Lage, ihr Wissen einfach auf eine chinesische NLU-Entwicklung zu übertragen.  

Ein anderes Beispiel wären agglutinierende Sprachen wie Japanisch, wo grammatische und semantische Funktionen durch Affixe gekennzeichnet werden. Im Deutschen gibt es das auch, beispielsweise verändert das Präfix an- die Wortbedeutung von Verben: gehen und angehen, machen und anmachen. Im Japanischen können Affixe die Verbbedeutung von Aktiv zu Passiv verändern (das Deutsche benötigt dafür beispielsweise fast immer Hilfsverben: massieren – massiert werden). Hier ein japanisches Beispiel:

Im Japanischen wird also an den Verbstamm, hier つけ (tsuke) mit dem „Passiv-Suffix“ られる (rareru) kombiniert, um das Verb zu passivieren. Sprachen sind also dermaßen verschieden, dass es NLU-Entwickler*innen braucht, die sich sprachspezifisch auskennen, um gute NLUs erstellen zu können.

Um bei der Dolmetscher-Analogie vom Anfang zu bleiben: NLP ist die Übersetzungssoftware, die Dolmetscherinnen verwenden können. Es kommt also darauf an, wie man sie einsetzt und wofür man sie verwendet. Oftmals decken NLP-Entwicklerinnen auch die NLU-Entwicklung ab, sodass es oft keinen klaren Schnitt gibt, es sei denn, es ist sprachspezifisch. Bei einer guten NLU geht es darum, sprachliche Details zu verstehen und sie mit den gegebenen Tools zu nutzen.

Oft überrascht es Benutzer*innen, wenn Sprachassistenten Eingaben auch dann verstehen, wenn sie es nicht erwarten. Es schafft ein Gefühl von Empathie, Engagement und manchmal sogar Charisma.

Leider ist Perfektion, wie alles andere auch, nur eine Wahrnehmung und keine Realität. Jede NLU-Plattform hat ihre eigenen Vor- und Nachteile. Sie können die Nachteile einer Plattform überwinden, indem Sie mit Sprachexpert*innen zusammenarbeiten und mehr oder bessere Trainingsdaten und Tuning-Regeln verwenden, was praktischer und realistischer ist als die Suche nach der einen perfekten Plattform.  

Die NLU-Engine ist schließlich ein Werkzeug. Wie Sie es nutzen und wofür Sie es nutzen, ist viel wichtiger. Zum Beispiel, wenn Alexa eine Pfanne ist und Google Assistant ein Topf: beide können gleichermaßen gut zum Kochen verwendet werden. Aber wenn Sie ein leckeres Abendessen zubereiten wollen, sind die Zutaten und der Koch wahrscheinlich entscheidender als die Pfanne oder der Topf. Ich bin mir sicher, dass ein Gordon Ramsay ein wunderbares Gericht mit sehr schlechtem Kochgeschirr zubereiten kann. 

Oft streben Menschen nach den Sternen und verfehlen diese. Halten Sie ihre NLU einfach und sauber, einen Schritt nach dem anderen. Eindeutige Intents, die von qualifizierten Sprachexpert*innen definiert werden, sind immer ein guter Ausgangspunkt. Irgendwann wird eine klar definierte Entscheidung notwendig sein, um mit mehrdeutigen Daten umzugehen.

Vergessen Sie also nicht, was das Ziel Ihrer Dienstleistung oder Ihres Produkts ist und wie Sie es mit den vorhandenen Daten erreichen wollen. Und denken Sie daran, den Schwerpunkt auf den sprachlichen Bereich zu legen, denn dort werden hochwertige Spracherlebnisse geschaffen. Das Trainieren einer NLU-Engine ist wie das Unterrichten eines Kindes. Je menschlicher Sie Ihre NLU-Engine mit Liebe zum Detail und Einfühlungsvermögen behandeln, desto mehr versteht sie Sie. Schließlich brauchen Sie keinen netten Sprachassistenten ohne Funktionalitäten.

Wenn Sie noch mehr über NLU und die Entwicklung von virtuellen Assistenten und immersiven Spracherlebnissen wissen möchten, sprechen sie mit uns! Wir bieten auch Workshops an, um tiefer in die Conversational User Interface Welt einzusteigen. Fragen Sie uns gerne nach branchenspezifischen Workshops oder Trainingseinheiten.