Generierung natürlicher Sprache und ihre Anwendungen für Unternehmen

        
Generierung natürlicher Sprache (NLG)
      
    Im Rahmen der weiteren Erforschung von KI-Autoren und robotergenerierten Nachrichten lohnt es sich, einige der Technologien zu untersuchen, die diesen Algorithmen zugrunde liegen. KI, die Dokumente erzeugen soll, die sich so lesen, als hätte ein Mensch sie geschrieben, stützt sich auf Algorithmen zur Erzeugung natürlicher Sprache (Natural Language Generation, NLG). NLG-Algorithmen sollen aus strukturierten Daten automatisch einen Text generieren, der sich so liest, als wäre er von einem menschlichen Autor verfasst worden. Strukturierte Daten sind Dokumente wie z. B.:
Produktberichte, die die Merkmale eines neuen Produkts beschreiben.
Umfrageergebnisse aus einer Online-Umfrage zur Kundenzufriedenheit.
Finanzberichte (wie sie ein Roboterautor verwenden würde).
Personalisierte E-Mails.
Anders ausgedrückt kann NLG als das Sammeln von Rohtextdaten und deren Umwandlung in eine menschliche Erzählung definiert werden. NLG ist verwandt mit Natural Language Processing (NLP), arbeitet aber in die entgegengesetzte Richtung. NLP sammelt Daten aus Text, NLG erzeugt Text aus Daten. Oder: NLP liest, was NLG schreibt. Die allgemeine Reihenfolge der Operationen für einen NLG-Algorithmus sieht folgendermaßen aus:
Datensammlung: Suche nach den richtigen strukturierten Daten für das Training und Auswahl der richtigen Inhalte für die NLG-Ausgabe.
Entscheidung über den Inhalt: Entscheidung darüber, welche Hauptthemen vermittelt werden sollen und wie sie vermittelt werden sollen.
Strukturierung des Dokuments: Gliederung des Inhalts auf möglichst kohärente und "natürliche" Weise.
Zusammenfassen von Inhalten: Erstellen von Sätzen, Zusammenfügen von ähnlichen Sätzen und Hinzufügen von Verweisen.
        
        
Was muss die NLG entscheiden?
      
    
Auf seinem Weg durch die oben aufgeführten Schritte muss ein NLG-Algorithmus zwei Entscheidungen treffen: was unter "natürlicher Sprache" zu verstehen ist und wie er eine "menschliche Erzählung" unter Verwendung dieser natürlichen Sprache erstellen kann. Für einen NLG-Algorithmus sieht natürliche Sprache "wie" aus:
Große, getrennte Textabschnitte zu einem einzigen Thema.
Komplexe Sätze mit einheitlicher Syntax.
Umfassender Aufbau mit logischem Informationsfluss.
Referenzen und Analogien.
Als Nächstes muss ein NLG-Algorithmus entscheiden, wie er seine Ausgabe kompiliert, oder Schritt 4 aus dem vorherigen Abschnitt ausführen. Ausgehend vom Kontext der natürlichsprachlichen Eingabe muss der Algorithmus verstehen, wie er seine Ausgabe am besten formatieren kann, um sie wie eine menschliche Stimme zu lesen. Er muss entscheiden:
Die Kernidee des Textes zu generieren.
Die beste Struktur der Texterzählung, die über Iterationen eingegrenzt wurde.
Der Satzfluss und die Wortwahl.
Die richtigen Redewendungen / Hinweise / Ausdrücke.
Die richtige Syntax und Stimme.
      
        
NLG in Geschäftsanwendungen
       
    
Die NLG-Ausgabe "menschliches Erzählen" hat viele Anwendungen in der modernen Geschäftspraxis. In diesem Artikel werden zwei davon kurz beschrieben: Berichterstattung und Marketing.

Wie im Beitrag "Rise of AI Authorship" erörtert, kann NLG zusammen mit NLP verwendet werden, um auf der Grundlage komplizierter Daten schnell leicht lesbare Berichte für Vermarkter zusammenzustellen. So kann NLG beispielsweise einen übersichtlichen Verkaufsbericht für die vergangene(n) Woche(n) erstellen. NLG kann auch persönliche E-Mails als Datenquelle nutzen, um dann schnell und effizient menschlich klingende E-Mails zu erstellen, wodurch die Benutzer Zeit für die Formatierung und Formulierung ausgehender E-Mails sparen.

Neben der schnellen Auswertung von Daten und der Formatierung von Nachrichten sind sich die Nutzer einig, dass sich der Einsatz von NLG vor allem im Bereich des Marketings auszahlt. Zu den spezifischen Anwendungen von NLG im Bereich des Marketings gehören:

• Weniger pauschale "Einheits"-Marketingmaterialien und automatisch mehr kundenspezifische Marketingmaterialien.
• Schnelles Generieren einzigartiger Marketinginhalte, die auf einen bestimmten Kunden ausgerichtet sind.
• Schnelles Erreichen eines breiteren Kundenstamms durch rasche Erstellung und Verteilung von gezieltem Marketingmaterial.
• Steigerung der Kundenbindung durch die Erstellung spannender Inhalte, die sich darauf beziehen, wie dieser einzigartige Kunde die Produkte und/oder Dienstleistungen des Unternehmens nutzt.
• Verstehen von Metadaten über einen einzelnen Kunden und Anpassen von Produktinformationen an diesen Kunden.

Zusammenfassend lässt sich sagen, dass NLG die andere Seite des NLP darstellt. NLG AI nimmt strukturierte Daten als Eingabe und gibt ein Textdokument aus. Das Besondere an NLG ist jedoch die Art und Weise, wie der Text ausgegeben wird, so dass er wie von Menschenhand verfasst erscheint. Es gibt viele Nuancen bei der korrekten Anwendung von NLG, und es ist nicht immer einfach, NLG auf die "richtige" Weise einzusetzen. Doch der Nutzen, den NLG für ein Unternehmen haben kann, ist das Risiko wert. Moderne Unternehmen und Vermarkter müssen NLG verstehen und wissen, wie sie es für sich nutzen können, um im digitalen Zeitalter erfolgreich zu sein.