Zum Hauptinhalt springen

NLP: Das diskrete Orchester der Sprache

· 17 Minuten Lesezeit
Info

Serie von Artikeln über KI
Hier ist der zweite Artikel einer Serie von vier:

  1. Die LLM: verstehen, was sie sind und wie sie funktionieren.
  2. Das NLP: eintauchen in die grundlegenden Bausteine der natürlichen Sprachverarbeitung (aktueller Artikel).
  3. **

Wenn die Sprache eine Symphonie wäre, wäre die Partitur unendlich komplex: mal grandios, mal intim, rhythmisch geprägt von der Vielfalt der Sprachen, der Kontexte und der kulturellen Nuancen. Im Herzen dieser Symphonie befindet sich ein discretes Orchester, das jedoch von unschätzbarem Wert ist: das NLP (Natural Language Processing), oder die automatische Verarbeitung natürlicher Sprache.

Im ersten Artikel haben wir LLMs (Large Language Models) mit riesigen Bienenschwärmen verglichen, die einen textuellen Honig produzieren. Hier werden wir zu grundlegenderen, oft unauffälligeren Bausteinen zurückkehren, die jedoch das Fundament des Textverständnisses und der Textgenerierung in der Welt der KI bilden. Diese Erkundung wird Ihnen ermöglichen, folgendes zu verstehen:

  • Die historischen Wurzeln des NLP
  • Die wichtigsten Methoden und Techniken (statistisch, symbolisch, neuronale)
  • Die Schlüsselschritte eines NLP-Pipelines (Tokenisierung, Stemming, Lemmatisierung usw.)
  • Die vielfältigen Anwendungsbereiche (semantische Analyse, Übersetzung, automatische Zusammenfassung...)
  • Die ethischen, kulturellen und technologischen Herausforderungen
  • Wie das klassische NLP neben den LLMs existiert und was sie voneinander unterscheidet

Wir werden sehen, dass NLP als eine Gruppe von Musikern betrachtet werden kann, die jeweils ein Stück spielen: die Tokenisierung ist die subtile Flöte, die morphologische Analyse die nachdenkliche Klarinette, die syntaktische Abhängigkeit das Cello, das die Melodie verankert, usw. Und aus dieser Harmonie entsteht ein Verständnis (oder zumindest eine Manipulation) der natürlichen Sprache.

Prêts à accorder vos instruments ? Plongeons dans le NLP, ce discret chef d’orchestre du langage.

1. Definition und Geschichte: als die Sprache (auch) zur Angelegenheit der Maschinen wurde​

1.1. Erste Schritte: Computerlinguistik und symbolische Ansätze​

Le NLP remonte à plusieurs décennies, bien avant l’avènement des puissants LLM. Dès les années 1950-60, des chercheurs se demandent comment faire traiter le langage par une machine. Les premières approches sont souvent symboliques : on tente de coder à la main des règles grammaticales, des listes de mots, des ontologien (représentant les concepts du monde), etc.

Diese Methoden, auch als "wissensbasiert" bezeichnet, basieren auf einer Hypothese: Wenn man dem System genügend linguistische Regeln zur Verfügung stellt, kann es Texte korrekt analysieren und generieren. Leider erweist sich die menschliche Sprache als so komplex, dass es nahezu unmöglich ist, alles in festen Regeln zu formalisieren.

Vorsicht

Beispiel für sprachliche Komplexität
Im Französischen hat die Regel des Geschlechts für Substantive eine Fülle von Ausnahmen (le poêle / la poêle, le mousse / la mousse…). Jede Regel bringt Gegenbeispiele mit sich, und die Liste der Sonderfälle wächst ständig.

1.2. Die statistische Ära: als man die Zahlen sprechen ließ​

À mesure que die Informatik voranschreitet, entsteht der statistische Ansatz des NLP: Anstatt Regeln manuell zu codieren, lässt man eine Maschine Trends aus annotierten Daten ableiten.

Zum Beispiel erstellt man ein Korpus von übersetzten Texten und lernt ein probabilistisches Modell, das die Wahrscheinlichkeit berechnet, dass ein Wort in der Quellsprache einem Wort (oder einer Wortgruppe) in der Zielsprache entspricht. So nahm zu Beginn der 2000er Jahre die maschinelle Übersetzung (wie Google Translate) Fahrt auf, die hauptsächlich auf statistischen Methoden wie versteckten Markov-Modellen oder ausgerichteten Phrasen basiert.

Petit à petit, die einfache Nutzung von Zählungen (Wortvorkommen) und Analysen (n-Gramme, TF-IDF usw.) erweist sich als sehr effektiv für Aufgaben der Klassifikation oder der Erkennung von Schlüsselwörtern. Man entdeckt, dass die Sprache zu einem großen Teil statistischen Gesetzen folgt, auch wenn diese bei weitem nicht alles erklären.

1.3. Das Zeitalter der neuronalen Netze: RNN, LSTM und Transformer​

Die 2010er Jahre markieren das Erscheinen von großflächigen neuronalen Modellen, zunächst durch RNNs (rekurrente neuronale Netze), LSTMs (Long Short-Term Memory) und GRUs (Gated Recurrent Units). Diese Architekturen ermöglichen es, die Reihenfolge der Wörter und den Kontext in einem Satz besser zu berücksichtigen als rein statistische Ansätze.

Dann, im Jahr 2017, veröffentlichte eine Publikation mit dem Titel “Attention is all you need” die Transformers und leitete die Welle ein, die zu den LLM (GPT, BERT usw.) führen sollte. Doch selbst mit diesem spektakulären Fortschritt bleiben die grundlegenden Bausteine des NLP relevant: Man spricht weiterhin von Tokenisierung, Lemmatisierung, syntaktischer Analyse usw., auch wenn sie manchmal implizit in diese großen Modelle integriert sind.

2. Die Schlüsselphasen einer NLP-Pipeline: das Orchester in Aktion​

Um die Vielfalt des NLP besser zu verstehen, stellen wir uns eine klassische Pipeline vor, in der ein Text verschiedene Schritte (verschiedene „Musiker“) durchläuft:

2.1. Tokenisierung: die Flöte, die die Grundnoten gibt​

Die Tokenisierung besteht darin, den Text in grundlegende Einheiten, die Tokens genannt werden, zu zerlegen. Im Deutschen entspricht dies oft den durch Leerzeichen oder Satzzeichen getrennten Wörtern, ist jedoch nicht immer trivial (Kontraktionen, integrierte Satzzeichen usw.).

C’est la première étape incontournable de tout pipeline NLP, car la machine ne “comprend” pas les chaînes de caractères brutes. Une bonne tokenisation permet de manipuler plus aisément ces unités de sens.

2.2. Normalisierung, Rauschunterdrückung​

Une fois découpé, on peut normalisieren (tout mettre en minuscules, par exemple), entfernen les ponctuations inutiles ou les Stopwörter (mots vides comme “le”, “la”, “de”, “et” qui n’apportent pas toujours de sens).

C’est aussi à cette étape qu’on peut traiter les spécificités linguistiques : en français, on peut vouloir gérer les accents, en chinois, on peut segmenter les caractères, etc. Cette phase est parfois comparée à la clarinette qui clarifie la mélodie en supprimant les parasites sonores.

2.3. Stemming vs Lemmatisation : das Alto und die Geige der morphologischen Analyse​

  • Stemming : man bringt die Wörter auf eine "stammform", indem man die Suffixe entfernt. Zum Beispiel werden "essen", "isst", "essen wir" zu "ess". Es ist schnell, aber ungenau, da der Stamm nicht unbedingt ein existierendes Wort ist.
  • Lemmatisierung : man identifiziert die kanonische Form des Wortes (sein Lemmata), zum Beispiel "essen". Es ist genauer, erfordert jedoch ein Lexikon oder ausgefeiltere linguistische Regeln.

Diese beiden Verfahren helfen, die Variabilität des Wortschatzes zu reduzieren und Wörter zu gruppieren, die eine gemeinsame semantische Wurzel teilen. Es ist ein bisschen wie die Abstimmung von Bratsche und Geige: Sie verfeinern die Töne, damit sie sich zu einer gemeinsamen Harmonie zusammenfügen können.

2.4. Syntaxanalyse (Parsing), morphosyntaktische Kennzeichnung (POS-Tagging)​

Die syntaktische Analyse besteht darin, die Struktur eines Satzes zu identifizieren, zum Beispiel wer das Subjekt, das Verb, das Objekt ist, welche Umstandsergänzungen vorhanden sind usw. Dieser Schritt, oft als “Parsing” bezeichnet, kann durch Abhängigkeitsalgorithmen oder Konstituentenbäume erfolgen.

Le POS tagging (Part-of-Speech tagging) associe à chaque token une catégorie grammaticale (nom, verbe, adjectif, etc.). C’est crucial pour la compréhension ultérieure : savoir que “banc” est un nom (le banc pour s’asseoir) ou un verbe (banc… pas très courant en français, mais imaginons un contexte), influence la façon dont la phrase est interprétée.

2.5. Semantische Analyse, Erkennung benannter Entitäten​

L’analyse sémantische zielt darauf ab, die Bedeutung von Wörtern und Sätzen zu verstehen. Dies kann die Sentimentanalyse (“positiver, negativer, neutraler Text?”), die Erkennung benannter Entitäten (Personen, Orte, Organisationen), die Kohärenzauflösung (zu wissen, welches Pronomen auf welchen Namen verweist) usw. umfassen.

Es ist das Orchester, das wirklich anfängt, harmonisch zu spielen: jedes Instrument (jeder Schritt) liefert Hinweise darauf, was der Text „bedeuten will“ und wie seine Elemente miteinander verbunden sind.

2.6. Endergebnis: Klassifikation, Zusammenfassung, Übersetzung, Generierung​

Enfin, selon la tâche, on peut avoir un résultat final très varié : une catégorie (spam / pas spam), une traduction, un résumé, etc. À chaque contexte correspond un “morceau” différent, joué par l’orchestre NLP.

Natürlich sind viele dieser Schritte in modernen LLMs integriert oder sogar automatisch „gelernt“. In der Praxis werden diese Schritte jedoch häufig noch modular für gezielte Anwendungen verwendet.

3. Die wichtigsten Methoden des NLP: symbolische, statistische und neuronale Partitionen​

3.1. Symbolische Ansätze​

Basierend auf expliziten Regeln versuchen sie, Grammatik, Semantik und Wortschatz zu modellieren. Vorteil: Sie können in einem engen Bereich sehr präzise sein (zum Beispiel im Recht können spezifische Regeln kodiert werden). Nachteil: Sie erfordern einen hohen menschlichen Aufwand (sprachliche Experten, Informatiker) und generalisieren schlecht.

3.2. Statistische Ansätze​

Hier schätzen wir Wahrscheinlichkeiten aus annotierten Korpora. Zum Beispiel die Wahrscheinlichkeit, dass ein Wort einem anderen folgt, dass eine Wortfolge zu einer bestimmten Kategorie gehört usw. N-Gramm-Modelle, HMM (Hidden Markov Models) und CRF (Conditional Random Fields) sind klassische Beispiele dafür.

Diese Ansätze dominierten das NLP in den Jahren 1990-2010 und ermöglichten Systeme wie die statistische Übersetzung oder die Erkennung von Entitäten in großem Maßstab. Sie können viele Daten erfordern, sind jedoch weniger ressourcenintensiv als die neuesten neuronalen Ansätze.

3.3. Neuronale Ansätze​

Mit der modernen Rechenleistung können Neurale Netzwerke auf sehr großen Korpora trainiert werden. RNNs und vor allem Transformers (BERT, GPT usw.) sind zu den Vorreitern des aktuellen NLP geworden.

Diese Modelle lernen Vektorrepräsentationen (Embeddings) und erfassen komplexe kontextuelle Beziehungen. Sie automatisieren das, was die „Instrumente“ der Pipeline taten: Tokenisierung, syntaktische und semantische Analyse… Natürlich verwenden wir in der Praxis oft eine Mischung von Ansätzen: ein vortrainiertes neuronales Modell, das auf eine spezifische Aufgabe verfeinert wurde, manchmal mit symbolischen Regeln als Überlagerung, um bestimmte Fallstricke zu vermeiden.

4. Hauptanwendungen des NLP: das Orchester im Dienste des Menschen​

4.1. Sentimentanalyse und Meinungsüberwachung​

Möchten Sie wissen, was die Menschen in den sozialen Medien über ein Produkt denken? Die Techniken des NLP ermöglichen es, Tweets, Posts und Online-Bewertungen in "positiv", "negativ" oder "neutral" zu klassifizieren. Es ist ein wertvolles Werkzeug für Unternehmen (Marketing, Kundenbeziehungen) oder Institutionen (Medienbeobachtung, Meinungsumfragen).

4.2. Chatbots und virtuelle Assistenten​

Avant même l’arrivée des LLM (type ChatGPT), on utilisait déjà des modules de NLP pour développer des chatbots capables de répondre à des questions simples, en s’appuyant sur des faq ou des scénarios prédéfinis. Aujourd’hui, ces chatbots peuvent être hybridés avec des modèles plus grands pour donner une illusion de conversation fluide.

4.3. Automatische Übersetzung und Zusammenfassung​

Die maschinelle Übersetzung war eine der ersten großen Herausforderungen der NLP. Heute basiert sie hauptsächlich auf neuronalen Ansätzen (NMT – Neuronale Maschinelle Übersetzung), aber der statistische Ansatz ist nach wie vor präsent.

De même, das automatische Zusammenfassen (eine prägnante Zusammenfassung eines Artikels, Buches usw. erstellen) gehört zu den gefragten Aufgaben. Es gibt zwei Hauptkategorien:

  • Extractives Zusammenfassen: die Schlüsselsätze extrahieren
  • Abstraktes Zusammenfassen: den Text synthetisch umformulieren

4.4. Aufklärung und Informationsbeschaffung​

In Bereichen wie Finanzen, Recht oder Medizin versucht man, ein großes Volumen an Dokumenten in Schlüsseltexten (Zahlen, Referenzen, Diagnosen...) zu nutzen. NLP bietet Werkzeuge zur Erkennung von benannten Entitäten, zur Extraktion von Beziehungen (wer ist mit wem verbunden?), usw.

4.5. Rechtschreib- und Grammatikprüfung​

Ob Sie eine Textverarbeitungssoftware oder ein Online-Tool verwenden, es ist sehr wahrscheinlich, dass Sie von NLP-Modulen profitieren, um Rechtschreib-, Grammatik- oder Stilfehler zu erkennen. Diese Aufgabe, die früher rein symbolisch war (Regellisten), integriert jetzt statistische und neuronale Modelle für mehr Flexibilität.

5. Sprachliche, kulturelle und ethische Herausforderungen: wenn die Teilung kompliziert wird​

5.1. Mehrsprachigkeit und kulturelle Vielfalt​

Le NLP beschränkt sich nicht auf Englisch oder Französisch. Viele Sprachen haben sehr unterschiedliche Strukturen (z. B. agglutinierende Sprachen, tonale Sprachen oder Sprachen mit nicht-alphabetischen Schriften). Annotierte Datensätze sind oft weniger verfügbar für "seltene" oder ressourcenarme Sprachen.

Cela pose la question de l’Inklusivität : wie kann man sicherstellen, dass der sprachliche Reichtum der Welt in den Modellen vertreten ist? Wie kann man vermeiden, systematisch die "dominanten" Sprachen zu bevorzugen?

5.2. Vorurteile und Diskriminierungen​

Les Algorithmen für NLP können, wie alle Algorithmen, die Vorurteile erben, die in ihren Trainingsdaten vorhanden sind. Diskriminierende Äußerungen, tief verwurzelte Stereotypen oder Ungleichgewichte in der Repräsentation können verstärkt werden.

Vorsicht

Beispiel für Vorurteile
Ein auf der Historie eines Unternehmens trainiertes Lebenslaufklassifizierungsmodell kann eine geschlechtsspezifische Voreingenommenheit entwickeln, wenn das Unternehmen in der Vergangenheit überwiegend Männer für bestimmte Positionen eingestellt hat.

5.3. Datenschutz und DSGVO​

Le NLP betrifft die Sprache, also potenziell die Korrespondenz, E-Mails und private Nachrichten. Die Frage der Vertraulichkeit ist entscheidend, zumal Gesetze wie die DSGVO (Datenschutz-Grundverordnung) in Europa strenge Anforderungen an die Nutzung und Speicherung personenbezogener Daten stellen.

5.4. Desinformation und Manipulation​

Les progrès du NLP, surtout couplés à des modèles génératifs, permettent de fabriquer du texte de plus en plus crédible. Cela ouvre la porte à des campagnes de désinformation (fake news), de propagande, etc. D’où la nécessité de développer des méthodes de détection et de vérification des sources, ainsi que de sensibiliser le grand public.

6. Koexistenz und Komplementarität mit den LLM: ein starkes Duo?​

On könnte sich fragen: „Jetzt, wo die LLMs da sind, wozu noch über all diese traditionellen NLP-Techniken sprechen?“ Die Antwort ist einfach: Das NLP-Orchester bleibt in vielerlei Hinsicht relevant:

  1. Größe und Ressourcen: LLMs sind riesig und rechenintensiv. Für kleine lokale oder eingebettete Anwendungen (z. B. auf Smartphones) bevorzugt man oft leichtere Modelle oder traditionelle NLP-Tools.
  2. Interpretierbarkeit: Klassische Methoden (symbolisches Parsing, linguistische Regeln) bieten manchmal eine bessere Transparenz. Man kann nachvollziehen, warum eine Entscheidung getroffen wurde, während ein LLM weniger transparent ist.
  3. Begrenzte Daten: In Nischenbereichen (z. B. spezialisierte Medizin, Recht eines wenig abgedeckten Landes) hat man möglicherweise nicht einen großen Korpus, um ein LLM zu trainieren. Klassische Ansätze können dann glänzen.
  4. Vorverarbeitung, Nachverarbeitung: Selbst mit einem LLM benötigt man oft eine Vorverarbeitung oder Bereinigung der Daten oder eine Nachverarbeitung der Ausgabe (für Formatierung, Konsistenzprüfung usw.).

In der Praxis kombinieren viele Unternehmen ein vortrainiertes neuronales Modell (BERT, GPT usw.) mit traditionellen NLP-Modulen. Es ist ein bisschen so, als hätte man einen großartigen Solisten für die komplexen Passagen, während der Rest des Orchesters für die Begleitung und Kohäsion sorgt.

7. Die Rückgrat der Zukunft: warum NLP nur wachsen wird​

7.1. Erweiterung der Anwendungen​

Le traitement du langage naturel est partout : recherche d’information, réponses automatiques, génération de contenu, aide à la rédaction, organisation de bases de connaissances… Avec la croissance exponentielle des données textuelles (emails, chats, documents), le NLP devient de plus en plus stratégique pour toutes les industries.

7.2. Multimodalität​

On se dirige vers des modèles multimodaux qui gèrent à la fois le texte, l’image, la vidéo, le son. Mais le texte restera un socle crucial : la capacité de comprendre et de générer du langage ouvre la voie à l’interopérabilité avec d’autres modalités (décrire une image, sous-titrer une vidéo, etc.).

7.3. Fortgeschrittene semantische Suche​

Die Unternehmen und Forscher interessieren sich zunehmend für die semantische Suche, das heißt die Fähigkeit, einen Korpus nicht nur nach Schlüsselwörtern, sondern nach Konzepten zu durchsuchen. Dies basiert auf Techniken der Vektorisierung und semantischen Kodierung (Embeddings), kombiniert mit Algorithmen zur kontextuellen Ähnlichkeit.

7.4. Die verbleibenden Herausforderungen​

Même si les progrès sont fulgurants, il reste des défis de taille :

  • Comprendre le second degré, l’humour, l’ironie
  • Gérer les inférences complexes, la logique de haut niveau
  • Résoudre les ambiguïtés de sens, liées au contexte et à la culture

Le NLP wird sich also weiterhin entwickeln und verfeinern, wobei es sowohl von den algorithmischen Fortschritten als auch von der Fülle der linguistischen Forschung profitiert.

8. Wie positioniert sich AI Smarttalk und die Zukunft der KI-Agenten​

Im nächsten Artikel werden wir über KI-Agenten sprechen: diese autonomen Entitäten, die in der Lage sind, zu denken, zu planen und in einer bestimmten Umgebung zu handeln. Sie werden sehen, dass sie stark auf NLP-Bausteine angewiesen sind, um Anweisungen zu verstehen, Antworten zu formulieren und sogar Aktionen zu generieren.

AI Smarttalk hingegen möchte sich als konversationsdienst positionieren, der sowohl intelligent als auch kontrollierbar ist, in der Lage ist, auf LLMs (wenn nötig) zuzugreifen und leichtere NLP-Techniken für spezifische Bedürfnisse (wie Klassifizierung, Fragenrouting, Intent-Erkennung usw.) zu verwenden.

L’idée est de combiner le meilleur de deux mondes : la puissance brute d’un grand modèle et la finesse ou la fiabilité de modules NLP dédiés. En clair, avoir un orchestre complet (le NLP traditionnel) qui sait jouer plusieurs partitions, et un soliste virtuose (un LLM) quand on veut une envolée lyrique.

9. Praktische Tipps zur Einrichtung einer NLP-Pipeline​

Avant de conclure, voici quelques Empfehlungen für diejenigen, die im NLP einsteigen oder es in ihrer Organisation verbessern möchten.

9.1. Identifizieren Sie die Aufgabe und die Daten​

  • Was ist das Ziel? Sentimentklassifikation, Informationsextraktion, Übersetzung?
  • Welche Daten haben Sie? Annotierte, nicht annotierte, mehrsprachige Korpora?
  • Was sind die Leistungskennzahlen? Genauigkeit, Rückruf, Reaktionszeit, Interpretierbarkeit?

9.2. Die richtigen Werkzeuge auswählen​

Es gibt sehr beliebte Open-Source-Bibliotheken (spacy, NLTK, Stanford CoreNLP usw.) und Cloud-Plattformen (schlüsselfertige NLP-Dienste). Die LLM (GPT-ähnlich) sind oft über APIs zugänglich. Denken Sie an die Einschränkungen (Kosten, Datenschutz, Bedarf an Hardware-Ressourcen).

9.3. Pflege der Annotation und Bewertung​

Les modèles, qu’ils soient statistiques ou neuronaux, ont besoin de Daten von hoher Qualität. Investieren in eine präzise Annotation ist entscheidend, um gute Ergebnisse zu erzielen. Es ist auch notwendig, ein Protokoll zur Bewertung (Testdatensatz, Metriken wie das F-Maß, BLEU-Score für die Übersetzung usw.) festzulegen.

9.4. Überwachen und iterieren​

Le langage évolue, les usages aussi. Il est fondamental de réévaluer régulièrement votre pipeline NLP, de le mettre à jour avec de nouvelles données, de détecter les éventuelles dérives ou les nouveaux biais. Le déploiement d’un système NLP n’est jamais “figé”.

10. Fazit: NLP, der diskrete Maestro, der die Zukunft der KI vorbereitet​

Wir haben gerade einen umfassenden Überblick über das NLP (Natural Language Processing) erhalten. Wie ein Orchester vereint dieses Gebiet zahlreiche Instrumente (symbolisch, statistisch, neuronal) und verschiedene Arten von Partituren (Tokenisierung, syntaktische Analyse, Semantik). Gemeinsam bilden sie die Musik der Maschinensprache, wobei jede Note ein Wort, ein Morphem oder ein Konzept sein kann.

Bien que les LLM aient récemment conquis la scène médiatique par leurs performances spectaculaires, le NLP demeure l’infrastructure fondamentale qui permet à ces grands modèles d’exister et de fonctionner au quotidien. Sans l’héritage du parsing, du POS tagging, de la lemmatisation, difficile d’imaginer la précision et la fluidité des modèles actuels.

Und das Abenteuer fängt gerade erst an: zwischen Multimodalität, semantischer Recherche und der Berücksichtigung von Humor, kulturellen Kontexten und der Logik der realen Welt wird das NLP viel zu tun haben, um seine Kunst weiter zu perfektionieren. Die ethischen, datenschutzrechtlichen und regulativen Herausforderungen werden ebenfalls die Partitur würzen und daran erinnern, dass diese Technologie ebenso mächtig wie gefährlich sein kann, wenn sie schlecht beherrscht wird.

Tipp

Hinweis: Die Fortsetzung dieser Serie

  • Artikel #3 : Die KI-Agenten, oder wie NLP und kognitive Planung sich vereinen, um autonome Systeme zu schaffen.
  • Artikel #4 : Globaler Vergleich und Vorstellung des Ansatzes von AI Smarttalk, der auf die Allianz zwischen der Leistungsfähigkeit von LLM und der Modularität von NLP setzt.

Insgesamt ist NLP der dirigierende Diskrete, manchmal im Schatten, der die Geigen stimmt und das Tempo angibt, während die Solisten (LLM) den Applaus ernten. Aber ohne diese grundlegende Arbeit wäre die Symphonie nicht dieselbe. Im folgenden Artikel werden wir sehen, wie Sprache, einmal interpretiert, von Agenten genutzt werden kann, um Entscheidungen zu treffen und auf die Welt zu wirken, und damit einen weiteren Schritt in Richtung immer autonomerer KI zu machen.

D’ici là, prenez le temps d’écouter la “musique du langage” qui vous entoure : chaque mot, chaque phrase, chaque nuance est le fruit d’une riche construction, et le NLP est là pour en révéler la structure cachée.

Danke für Ihre Lektüre und bis bald zum dritten Teil dieser Serie, der den KI-Agenten gewidmet ist!