Natural Language Understanding

Natural Language Understanding, kurz NLU, bezeichnet Aufgaben, bei denen ein Computersystem sprachliche Inhalte interpretiert, etwa die Absicht einer Nachricht erkennt oder Textstellen einer Bedeutungskategorie zuordnet. (Google, Hugging Face) Der Begriff ist Teil des größeren Gebiets Natural Language Processing. (Google)

So kannst du dir das vorstellen

Ein Kunde schreibt: „Ich hatte für morgen gebucht, schaffe es aber erst nächste Woche.“

Er verwendet weder das Wort „verschieben“ noch „Terminänderung“. Trotzdem wäre eine sinnvolle Einordnung: Der Kunde möchte vermutlich seinen Termin ändern. Genau diese Art von Aufgabenstellung ist mit NLU gemeint: Welche Absicht steckt in der Formulierung?

Für ein Beispielsystem könntest du drei mögliche Ergebnisse festlegen: „Termin ändern“, „Termin absagen“ und „Rückfrage nötig“. Die letzte Kategorie wäre hier vielleicht die vernünftigste, denn ein konkreter Ersatztermin fehlt.

Was „Verstehen“ in diesem Zusammenhang bedeutet

In der technischen Verwendung wird NLU über bearbeitbare Aufgaben beschrieben, beispielsweise das Klassifizieren eines Textes oder einzelner Wörter. (Hugging Face) Ob ein System dabei im menschlichen Sinn etwas versteht, ist eine andere Frage.

Lege für eine praktische Bewertung fest, welche Information zuverlässig erkannt werden soll. Beschreibe auch, in welchen Fällen das System nachfragen muss. Damit wird aus dem vagen Versprechen „versteht Kundenanliegen“ eine prüfbare Anforderung.

Im Terminbeispiel wäre eine richtige Absichtserkennung noch keine vollständige Buchungsanweisung. Der Satz sagt nicht, an welchem Tag und zu welcher Uhrzeit nächste Woche ein Termin gewünscht ist. Das sollte der Ablauf offenlassen.

Kontext kann die Deutung verändern

Zu NLU gehören auch Aufgaben, die den Kontext, die Stimmung oder mögliche Ironie berücksichtigen. (Google) „Das hat ja hervorragend geklappt“ könnte in unserem Beispielszenario ein Lob sein. Nach drei ausgefallenen Terminen würdest du denselben Satz anders lesen.

Nimm solche Fälle in deine Tests auf. Verwende neben eindeutigen Mustersätzen auch knappe Nachrichten und Formulierungen, bei denen mehrere Deutungen möglich sind.

Verwandte Begriffe

Die wichtigsten Anschlüsse sind Natural Language Processing, BERT, Encoder-only Model und Natural Language Generation. NLG behandelt die andere Richtung: selbst einen Text erzeugen.