Natural Language Understanding

Vier Aufgaben, die NLU im Betrieb übernimmt

Die Stichwortsuche in Ihrem ERP oder CRM findet Zeichenketten. NLU findet Bedeutung, und der Unterschied wird immer dann teuer, wenn dieselbe Sache in zwei Häusern anders heißt. Vier Aufgabentypen decken den größten Teil dessen ab, was mittelständische Betriebe tatsächlich brauchen.

Ein Projekt mit Namen: Kandidatenprofile gegen Stellenanforderungen

In der Personalvermittlung stehen sich zwei Texte gegenüber, die niemand für den Abgleich geschrieben hat: eine Stellenanforderung aus dem Haus des Auftraggebers und ein Lebenslauf, den der Kandidat selbst verfasst hat. Kern Engineering Careers bringt beide in Oberösterreich zu hunderten zusammen. Von Hand kostet das Lesezeit, und Eignung, die sich erst aus dem Fließtext ergibt, bleibt dabei unentdeckt. Genau das ist die Lücke, die eine Stichwortsuche nicht schließt.

Das System liest beide Ebenen: die strukturierten Felder mit Qualifikation und Berufserfahrung und daneben den Fließtext aus Lebenslauf und Anforderungsprofil, der den eigentlichen Bedarf einer Stelle meist nur umschreibt. Technisch verbindet es Machine Learning mit Large Language Models (großen Sprachmodellen). Binnen weniger Monate nach dem Rollout misst das Haus 30 % Effizienzsteigerung im Kandidaten-Matching. Der Wert gehört zu diesem einen Projekt und ist keine Zusage für Ihres. Was dahintersteht, beschreibt die Erfolgsgeschichte dazu, wie ein solches Vorhaben abläuft, zeigt KI im Recruiting.

Der Fehler, den man sieht, und der, den man nicht sieht

Textverstehen geht auf zwei Arten schief, und die beiden kosten sehr Unterschiedliches. Der sichtbare Fehler ist die verpasste Ähnlichkeit: Eine Suche nach „Schweißer“ übergeht einen Lebenslauf, in dem von „WIG-Schweißen“ die Rede ist. Wortgleichheit ist eben nicht Bedeutungsgleichheit. Dieser Fehler kostet einen Kandidaten, und er fällt auf, sobald jemand die Liste gegenprüft.

Der teurere Fehler ist die Gegenrichtung. Das System erkennt eine Ähnlichkeit, die fachlich keine ist, und schiebt ein Profil nach oben, das nicht passt. Wer dem System vertraut, merkt es nicht. Wer es einmal bemerkt, vertraut ihm danach in keinem Fall mehr, auch nicht in den vielen richtigen. Der erste Fehler kostet eine Besetzung, der zweite das Werkzeug.

Das Gegenmittel steht in demselben Projekt und ist unspektakulär: Jeder Vorschlag erscheint zusammen mit der Begründung, die zu ihm geführt hat. Die Reihenfolge lässt sich damit nachvollziehen und im Zweifel widerlegen, statt sie hinzunehmen. Ein NLU-System, das nur eine Rangliste ausgibt, ist im Betrieb deutlich weniger wert als eines, das seine Zuordnung erklärt. Diese Anforderung gehört in die Ausschreibung und nicht in die Nachbesserung.

Wo NLU aufhört und der Dialog anfängt

Technisch ist die Grenze künstlich: Ein Chatbot besteht in weiten Teilen aus denselben Bausteinen. Für die Kaufentscheidung ist sie es nicht. Auf dieser Seite geht es um Fälle, in denen niemand mit dem System spricht. Der Text liegt bereits vor, bevor die Software ihn sieht, und das Ergebnis der Zuordnung findet ein Mensch später in seinem Arbeitswerkzeug wieder.

Sobald jemand eine Frage stellt und eine Antwort erwartet, ist das ein anderes Projekt mit anderem Aufwand. LLM-Chatbots erklären die Technik dahinter, einschließlich Retrieval Augmented Generation (RAG) für den Zugriff auf eigene Dokumente. Unser fertiges Produkt dazu ist DIALOG.pro. Geht es um Rechnungen, Lieferscheine und Verträge, also um Dokumente mit fester Erwartung an das Ergebnis, führt der Weg zur KI-gestützten Dokumentenverarbeitung.

Woher die Technik kommt

Der älteste Anwendungsfall der maschinellen Sprachverarbeitung ist die Übersetzung, und sie ist auch der Fall, an dem regelbasierte Systeme jahrzehntelang gescheitert sind. Die Wende brachten Encoder-Decoder-Modelle, die einen Satz zuerst in eine Bedeutungsdarstellung überführen und daraus erst die Zielsprache erzeugen. Dieselbe Bedeutungsdarstellung trägt heute die Zuordnung von Kandidatenprofilen und die Klassifikation von Tickets. Der Unterschied liegt nur darin, was am Ende aus ihr gemacht wird.

Praktisch heißt das: Sie brauchen für ein NLU-Projekt keine Grundlagenforschung. Die Modelle sind vorhanden und in weiten Teilen quelloffen. Die Projektarbeit besteht aus Ihrem Vokabular, Ihren Kategorien, Ihren Zweifelsfällen und Ihren Schnittstellen. Wie diese Einbindung in bestehende Systeme abläuft, beschreibt das AI Engineering.

Womit wir anfangen

Der erste Termin braucht kein Konzept. Er braucht eine Textsorte aus Ihrem Alltag und die Auskunft, wer diese Texte heute liest und was er danach damit tut. Daraus ergibt sich, ob die Aufgabe eine Zuordnung, eine Klassifikation, ein Auslesen oder eine Auswertung ist, und mit welchem Aufwand zu rechnen ist. Reicht die Textmenge für ein verlässliches Ergebnis nicht aus, sagen wir das im Erstgespräch und nicht im dritten Projektmonat.