Maximilian Junker

In Wissenschaft und Praxis herrscht Revolutionsstimmung. Sprachassistenten simulieren natürliche Gespräche, automatische Übersetzer gibt es mittlerweile in Googles Excel oder man schiebt gleich das ganze Word-Dokument in einen automatischen Übersetzer und bekommt den Text zurück als ob ein Dolmetscher involviert wäre. Dieser Eindruck drängt sich auf, aber vielleicht ist die Revolutionsstimmung auch nur eine Goldgräberstimmung. In unserer täglichen Arbeit versuchen wir automatisch potentielle Sprachprobleme in Texten aufzudecken - wie eine schlauere Rechtschreibprüfung. Wir arbeiten dabei bereits seit sechs Jahren mit Natural Language Processing (NLP) Techniken, insb. Lemmatization, Part-of-Speech Tagging, Syntax Parsing und Co-Reference-Resolution, und zuletzt stärker Topic Modelling. Weiterhin machen wir immer wieder Studien mit unterschiedlichsten Machine-Learning-Ansätzen. Das Herausfordernde in unserem Kontext: Mit den Ergebnissen unserer Analysen werden Menschen zum Teil auch kritisiert und gemessen und Sprache wird allgemein als etwas sehr persönliches wahrgenommen. Dadurch kommen zwei Faktoren ins Zentrum der Bewertung: Hohe Präzision und Erklärbarkeit. In diesem Vortrag möchte ich diese modernen Ansätze in der konkreten Anwendung aufzeigen und sowohl Chancen als auch die Probleme aus der Anwendung heraus diskutieren und reflektieren. Dabei wird auf Buzzwords garantiert verzichtet, stattdessen wollen wir uns anschauen, was die End-Nutzer dazu sagen. Wir schließen mit einer versöhnlichen Analyse wo und unter welchen Umstände aus unserer Erfahrung heraus NLP und Machine Learning sinnvoll anwendbar ist und wo nicht.