Wie NLU die KI-Welt verändert.
In den bisherigen hier erschienenen Artikeln zum Thema Künstliche Intelligenz (KI) und dessen Einsatz im Requirements Engineering (RE) haben wir uns mit Natural Language Processing (NLP) und den Anwendungsmöglichkeiten beschäftigt. In diesem Artikel gehen wir jetzt aber mal weg vom NLP und hin zum Natural Language Understanding.
Unter Natural Language Understanding (NLU) versteht man, insbesondere im Kontext KI, die Fähigkeit von Computern menschliche Sprache und die Bedeutung eben dieser im Zusammenhang des Kontexts im Detail zu verstehen.
Im 2ten Artikel (NLP4RE – Wie KIs NLP nutzen, um Texte zu entschlüsseln) haben wir uns ja schon die grundlegenden Fähigkeiten der KI Tools näher angeschaut, mit welchen Texte in ihre Einzelteile zerlegt und auch Wörter in Cluster zugeordnet werden. Dieses Einordnen in Cluster hat in den letzten Jahren durch massive Fortschritte bei der Entwicklung von Deep Learning Modellen und durch verbesserte Datengrundlagen an Effektivität gewonnen. Zusätzlich haben Computer mittlerweile die Fähigkeit, kontextuelle Abhängigkeiten zwischen Worten und Redewendungen zu erkennen, was dazu führt, dass die die Erkennung und das Verständnis der Sprache akkurater und somit auch für große Unternehmen immer interessanter wird.
Das Ableiten von Modellen aus natürlichsprachlichen Anforderungen ist hierbei ein Anwendungsfall von KIs im Requirements Engineering, welcher durch die Entwicklungen der letzten Jahre profitieren kann. Eine KI während eines Meetings mitlaufen zu lassen, um aus den erarbeiteten Inhalten automatisch ein Aktivitätsdiagramm nach den Regeln der UML (Unified Modeling Language) zu erstellen, kann die Arbeit vieler Entwickler erleichtern. Hierbei kann ebenso die Fähigkeit einer KI, wichtige Informationen aus Gesprächen herauszufiltern, eine große Erleichterung für große Firmen darstellen.
Um Ihnen die Problemstellung bzgl. KI und NLU zu verdeutlichen, hilft uns folgendes Beispiel:
„Das System muss Name, Adresse und Telefonnummer eines Kunden aus einer E-Mail extrahieren“
Anhand dieser Anforderung könnte eine KI eine Klasse „Kundenkonto“ für ein Klassendiagramm ableiten, welche die Attribute Name, Adresse und Telefonnummer enthält. Dennoch ist der Begriff „Adresse“ interpretierbar. Im Kontext einer Internetseite oder E-Mail hat dieser Begriff eine andere Bedeutung als bei der Beschreibung einer Hausadresse. Durch die verbesserte Erkennung von Entitäten und kontextueller Abhängigkeiten kann eine KI jedoch direkt darauf schließen, dass es sich um eine Hausadresse handelt, da sie in diesem Satz im Zusammenhang einer natürlichen Person steht.
Ebenso könnte die KI auf die Interpretierbarkeit dieses Begriffs hinweisen und nach einer klareren Definition fragen. Dieses Beispiel soll die Verbesserten Fähigkeiten von KIs beim Verstehen von Texten verdeutlichen.
Durch unsere langjährige Arbeit und all die Erfahrungen, die wir im Bereich Requirements Engineering sammeln durften, haben wir eine solide Datengrundlage zur Verfügung, um eine KI auf das Erkennen und Verstehen von natürlichsprachlichen Anforderungen zu trainieren.
Gegen Ende des Jahres werde ich meine Ergebnisse aus dieser Forschung und der Forschung in weiteren Themengebieten, die KI betreffen, in mehreren Vorträgen vorstellen. Beispielsweise kann man meinen Vortrag auf den IT Days in Frankfurt vom 11.12-14.12 sehen.
Vielleicht sieht man sich vor Ort!
Beste Grüße,
Sebastian Fickert und Ihre SOPHISTen