Künstliche Intelligenz auf dem Vormarsch: von Slotfilling über Varianzvorschläge bis hin zur End-to-End Textgenerierung

Von Slotfilling bis hin zur End2End Textgenerierung

Ein besonderes Augenmerk sollten hierbei auf die technologischen Fortschritte gelegt werden, die im Bereich Natural Language Generation in den vergangenen Jahren erarbeitet wurden. Die ersten Anfänge von NLG liegen in den 80ern, als Textgenerierungssysteme mehrheitlich noch auf Templates sowie auf sehr rudimentären Semantik- und Grammatikregeln basierten. Nach dem sogenannten Slotfilling-Schema »Die Temperatur steigt heute von (insert actual temperature) auf (insert future temperature), das Wetter wird (insert expected weather status).« konnten recht generische Sätze formuliert werden. Im Laufe der Zeit wurden diese schablonenartig arbeitenden Systeme nach und nach verbessert – auch die zu leistenden Aufgaben haben an Komplexität zugenommen.

Technologische Fortschritte machen NLG leistungsfähiger und intuitiver

Heutige NLG-Systeme können mithilfe von Künstlicher Intelligenz und Neuronalen Netze anspruchsvollere Ansätze für die Sprachgenerierung verfolgen und damit auch komplexere Anwendungsfälle angehen. Sie generieren Texte von solcher Qualität und in so großem Variantenreichtum, dass menschliche Rezipienten automatisch generierte Texte in der Regel nicht mehr von Texten unterscheiden können, die von Menschen verfasst wurden.

Die dahinterliegenden Prozesse beinhalten eine Reihe von technologischen und computerlinguistischen Raffinessen: Große Mengen an strukturierten Rohdaten – sie enthalten beispielsweise Auskunft über Namen, Häufigkeiten, Produkteigenschaften, Messwerte usw. – werden zunächst der Software hinzugefügt.

Damit nun jedoch Texte in natürlicher Sprache entstehen können, benötigt ein NLG-System vorab sogenannte Templates und Bedingungen. Hinter Templates verbergen sich im Wesentlichen vorformulierte Sätze, die mithilfe von Lexikalisierungsalgorithmen mit einer großen Anzahl von Varianten und Synonymen angereichert werden. Unter Bedingungen hingegen versteht man Voraussetzungen, die erfüllt sein müssen, damit ein bestimmtes Template verwendet werden kann. Um Texte automatisch generieren zu können, ermittelt das System eine relevante Bedingung, kombiniert Informationen aus den Templates 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 Templates 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. Künstliche Intelligenz sorgt hier zudem für grammatikalisch korrekte Texte und ermöglicht einen hohen Grad der Prozessautomatisierung – beispielsweise erlernt die NLG-Software durch KI eine neue Sprache oder die selbstständige Erzeugung vielfältiger Formulierungen.

Mit KI zu noch mehr Automatisierung in der Natural Language Generation

Jüngste Bestrebungen im Bereich NLG konzentrieren sich insbesondere auf die Entwicklung und Anwendung der sogenannten End–To–End Textgenerierung. Der End-To-End Ansatz zielt darauf ab, dass sich ein NLG-System den Prozess der Textgenerierung von den Daten, auf denen der erstellte Text beruht, bis hin zum fertigen Text selbst aneignet.

Das langfristige Ziel hiervon ist es, dass dieses System zukünftig einfach mit Daten oder Beispielssätzen gefüttert werden kann, von ihnen lernt und sie selbständig abstrahiert, sodass ohne menschliches Zutun neue Formulierungen und Texte entstehen. Der Vorteil liegt auf der Hand: Neue Anwendungsfälle ließen sich innerhalb kürzester Zeit erschließen, was eine erhebliche Steigerung des Automatisierungs- und Effizienzgrades ermöglicht – und das ohne initiales Setup durch Menschenhand. Diesbezüglich stellt das neue Retresco-Feature Textvariantenvorschläge einen entscheidenden Schritt in Richtung End–To-End-Textgenerierung – und damit in die Zukunft von Natural Language Generation dar: Die NLG-Software von Retresco erstellt nun eigenständig mehrere Vorschläge an Formulierungsalternativen – ohne dass das System zuvor vom User manuell dazu explizit trainiert werden musste.

Mit dem aktuellen Feature-Release baut Retresco seine technologische Pioniertätigkeit im Bereich der KI-basierten Sprachtechnologien weiter aus und vollzieht einen entscheidenden Schritt in Richtung der End-To-End-Textgenerierung.

NLG revolutioniert die Erstellung von Texten in unterschiedlichsten Branchen

In diesem Zusammenhang gilt NLG als Schlüssel zu mehr Effizienz: Die Fähigkeit, datenbasierte Analysen in Form von natürlichsprachlichem und leicht verständlichem Text auszudrücken, macht NLG zur optimalen Schnittstelle zwischen Mensch und Maschine – und somit zum Schlüsselelement in jedem Data-To–Insights Prozess. NLG unterstützt Unternehmen dabei, optimalen Nutzen aus der gesamten Daten-Wertschöpfungskette zu ziehen. Es ist daher kaum verwunderlich, dass renommierte Marktforschungsunternehmen wie Gartner und Wirtschaftsmagazine wie Forbes innovative Sprachtechnologien und Natural Language Generation als einen der spannendsten Trends der Digitalen Transformationen einordnen.

Gute Beispiele für den sinnvollen Einsatz von NLG-Systemen findet man vor allem in Bereichen, in denen große Mengen an Daten anfallen, NLG-Programme wandeln diese Daten dann in Texte um. Auch wenn sämtliche Möglichkeiten längst nicht vollständig ausgelotet sind, bewähren sich einige konkrete Formate bereits in der Praxis:

• Nachrichten: Newsportale gehören zu den Vorreitern bei dem Einsatz von NLG. Automatisch generierte Beiträge eignen sich insbesondere für Textsorten mit einer hohen Dichte an standardisierten Formulierungen. Dazu gehören zum Beispiel die Berichterstattung für unterschiedlichste Sportarten, Börsennachrichten oder Wettervorhersagen.
• Reportings: Ob im Bereich Business Intelligence oder in der Kommunikation mit Privatkunden: ausformulierte Berichte lesen sich eingängiger als reine Zahlenkolonnen. Überall dort, wo große Datenmengen erhoben werden, kann Natural Language Generation helfen, Entwicklungen und Zahlenanalysen deskriptiv darzustellen und Informationen zu interpretieren. Ein Anwendungsbeispiel sind etwa die Fondsreports großer Finanzdienstleister für private Anleger.
• Produktbeschreibungen: Je mehr Produkte ein Online-Shop enthält, desto aufwendiger ist die redaktionelle Erstellung von einzigartigen Produktbeschreibungen. Automatische Textgenerierung sorgt für signifikante Effizienzsteigerungen im gesamten Prozess der Inhaltserstellung. Dort wo NLG im E-Commerce im Einsatz ist, lassen sich zudem positive Effekte auf Nutzererfahrung und SEO-Sichtbarkeit messen.
• Dialogsysteme: Besondere Stärke entfaltet Natural Language Generation in Kombination mit Natural Language Understanding (NLU). So vereinen beispielsweise Chatbots NLG und NLU: Dialogprogramme verstehen die Eingaben eines Nutzers und generieren sinnvolle Antworten. Über Maschinelles Lernen entwickelt sich die Präzision der natürlich generierten Aussagen fortlaufend weiter.

Hier finden Sie weitere Informationen über KI-basierte Varianzvorschläge in der Natural Language Generation.