Der Fahrer eines BMWs nutzt die Sprachsteuerung seines Infotainment-Systems.

Im Fahrzeug ist der Nutzen von NLP offensichtlich, doch auch in der Business-IT gibt es Anwendungsfälle. (Bild: BMW)

Ob Alexa, Siri, Cortana oder Bixby: Sprachassistenten sind aus dem Alltag inzwischen kaum noch wegzudenken. Drei von fünf Deutschen haben laut einer Umfrage des Marktforschungsinstituts Splendid bereits ein entsprechendes System benutzt, rund ein Drittel bezeichnet sich sogar als Intensivnutzer der praktischen Alltagshelfer. Im Falle von Amazons Alexa ist sogar jeder Zweite der Meinung, das System besitze „fast eine richtige Persönlichkeit“.

Die Möglichkeiten der Sprachsteuerung lediglich auf die Nutzung von Wettervorhersagen, Musikstreaming oder den Wählvorgang am Telefon zu reduzieren, wird der Technologie schon lange nicht mehr gerecht. Inzwischen finden persönliche Assistenten auch zunehmend Anwendung im Fahrzeug, um eine möglichst ablenkungsfreie Bedienung des Infotainmentsystems zu gewährleisten. Doch auch im Unternehmen kommt dem Natural Language Processing (NLP) eine zunehmend große Rolle zu, wie verschiedene Beispiele aus der BMW Group zeigen.

Deep Learning ist State-of-the-Art

„Natural Language Processing ist eines der ältesten Teilgebiete der KI, das geht zurück bis in die 1950er Jahre“, erklärt Bernhard Pflugfelder, Product Owner Natural Language Processing in der BMW Group-IT. Seitdem habe sich die Methodik massiv verändert. „Zu regelbasierten und statistischen Ansätzen sind in den 80er und 90er Jahren Machine-Learning-Methoden hinzugekommen. Inzwischen sprechen wir im NLP-Bereich oft über Deep Learning als State-of-the-Art-Methoden“, erklärt Pflugfelder. Unter dem Begriff des NLP versteht man nahezu jede Interaktion zwischen Mensch und Maschine, die über gesprochene oder geschriebene Sprache erfolge.

Während beim Einsatz im Fahrzeug vor allem das gesprochene Wort im Vordergrund steht, kommen innerhalb der Business-IT hauptsächlich Anwendungsfälle mit Bezug zur Schriftsprache zum Einsatz. „Wir haben viele interne Dokumente sowie Tickets, Kommentare oder Freitextfelder in Datenbanken, in denen Informationen stecken, die man bis vor einigen Jahren zugunsten der strukturierten Daten vernachlässigt hat“, so Pflugfelder. Eben diesem verborgenen Datenschatz im Unternehmen komme nun, da die richtigen Analysetools gefunden seien, ein immer höherer Stellenwert zu.

NLP erkennt Widersprüche oder Dopplungen

Unter anderem kommt NLP bei BMW im Anforderungsmanagement zum Einsatz, wo viele detaillierte Beschreibungen in natürlich verfasster Sprache vorliegen. „Wir haben eine Datenbank, die mehrere Millionen Anforderungen aus den vergangenen Jahren umfasst“, erklärt Bernhard Waltl, der im Team von Bernhard Pflugfelder als Data Scientist tätig ist. „Wenn also eine Fahrzeugkomponente entwickelt oder weiterentwickelt wird, müssen diese Anforderungen natürlich neu geschrieben oder aktualisiert werden. Diese Aufgabe schreit nach dem Einsatz von Technologien, die den Menschen unterstützen.“

NLP soll dabei helfen, die Qualität und Verständlichkeit der Anforderungen zu prüfen oder Widersprüche in verschiedenen Texten zu finden und Dopplungen zu konsolidieren, bevor diese an Lieferanten oder Partner weitergegeben werden. Der Use Case deckt einen sehr breiten Bereich innerhalb des Unternehmens ab, von der Entwicklung und dem Aftersales bis hin zur Produktion. Realisiert wird das System strategisch über eine zentrale Stelle in der NLP-Arbeitsgruppe, die Nutzung innerhalb der Fachabteilungen erfolgt über eine Webapplikation im Intranet des Autobauers. Aktuell greifen über dreißig Nutzer auf das stetig in Abstimmung mit den Fachbereichen weiterentwickelte System zu, bis zum jetzigen Zeitpunkt wurden über 100.000 Anforderungen analysiert.

Übersetzung technischer Dokumente

Ein weiterer Anwendungsfall, bei dem BMW als global aufgestellter Konzern auf die Verarbeitung natürlicher Sprache setzt, ist die maschinelle Übersetzung technischer Dokumente. Dabei gilt es, entsprechende Lösungen möglichst optimal an die eigenen Anforderungen anzupassen. „Off-the-Shelf-Produkte für maschinelle Übersetzung helfen hier nur bedingt“, erklärt Bernhard Pflugfelder. „Die Qualität der Übersetzung von technischen Dokumenten in Automotive ist oft nicht genügend. Anbieter wie Google oder Amazon Web Services haben die BMW-spezifische Terminologie, die im Kontext unserer Aufgaben eine zentrale Rolle spielt, einfach nie zum Training ihrer Modelle nutzen können.“

Im Rahmen der Customized Machine Translation (CMT) setzt sich BMW das Ziel, die nachträgliche Bearbeitung von maschinell übersetzten Texten auf ein Minimum zu reduzieren. Derzeit befindet sich das System in der Pilotphase mit realen Use Cases und wird durch ein eigenes Training der eingesetzten Modelle mithilfe bereits übersetzter Fachtexte optimiert. Als Grundlage kommt der Service AWS Translate zum Einsatz. „Grundsätzlich ist im Rahmen der maschinellen Übersetzung die Algorithmik nicht das Hauptaugenmerk, die Trainingsdaten sind von entscheidender Bedeutung für eine gute Qualität der Übersetzung“, betont Natural-Language-Experte Pflugfelder.

Grundlage sind oftmals Open-Source-Lösungen

Im Bereich der Conversational AI setzt BMW die Sprachverarbeitung hingegen für einen eigenen persönlichen Assistenten ein. Über ein einheitliches Chat Interface dient das System dabei als Schnittstelle zu verschiedenen anderen Applikationen, die im natürlichen Dialog mit dem Assistenten bedient werden können. Anwendungsbeispiele sind etwa die Suche nach Mitarbeiterinformationen oder FAQ-Themen sowie die Buchung von internen Meetings und Räumen. Dabei agiert der digitale Helfer nicht nur auf Basis geschriebener Sprache, sondern liefert dem Anwender auch Grafiken oder Visualisierungen zu bestimmten Fragen. Der Chatbot wird auf Microsoft Azure gehostet und kann über das Kommunikationstool Microsoft Teams genutzt werden.

Derzeit befinde man sich in der Implementierungsphase, erklärt Bernhard Pflugfelder, eine Pilotphase mit echten Usern in verschiedenen Standorten und Fachbereichen soll noch in diesem Jahr folgen. Die technologische Grundlage für die NLP-Projekte beziehungsweise den dahinterstehenden Deep-Learning-Komplex bei BMW sind oftmals Open-Source-Lösungen, etwa Elasticsearch, PyTorch, Keras oder TensorFlow. „Wir setzen wenn möglich auf Whitebox- wie auch auf Blackbox-Lösungen“, erklärt NLP-Fachmann Bernhard Pflugfelder. „So können wir selbst entsprechende Applikationen anpassen und erweitern, um die speziellen Herausforderungen in den Fachbereichen BMWs erfüllen zu können.“

Sie möchten gerne weiterlesen?