Beantwortet von der Redaktion von Business.Digital Stand
Ein Beispiel macht das Problem greifbar: „Der Kunde hat die Rechnung erhalten. Er hat sie noch nicht bezahlt.” Ein Mensch löst beide Bezüge in Millisekunden auf. Ein System muss lernen, dass sich das erste Pronomen auf den Kunden bezieht und das zweite auf die Rechnung.
Das Forschungsfeld, das sich damit beschäftigt, heißt Koreferenzauflösung. Ein System muss verstehen, welches “Sie” auf wen referenziert, besonders wenn mehrere Personen im Text vorkommen oder der Verweis weit zurückliegt.
Warum ist das für KI-Systeme schwierig?
Der Mensch löst Anaphern automatisch durch Weltwissen und Kontext. Ein KI-Modell kann das nur dann, wenn es ausreichend Kontext verarbeiten kann und in Trainingsbeispielen ähnliche Muster gesehen hat. Bei kurzen Sätzen geht das heute gut. Über längere Texte, bei mehreren gleichgeschlechtlichen Personen oder bei komplex verschachtelten Bezügen wird es schwieriger.
Frühe regelbasierte NLP-Systeme scheiterten oft an diesem Problem. Transformer-Modelle wie BERT und die heutigen großen Sprachmodelle von OpenAI, Anthropic und Google lösen es deutlich besser, weil sie Kontextfenster von mehreren hunderttausend bis zu einer Million Tokens verarbeiten und Beziehungen zwischen weit entfernten Textelementen erkennen.
Welche Bedeutung hat das in der Praxis?
Wer KI-Systeme für Textanalyse, Dokumentenverarbeitung oder Chatbots einsetzt, begegnet dem Anaphor-Problem indirekt. Wenn ein Kundenservice-Bot nicht versteht, auf wen sich “er” in einer Anfrage bezieht, gibt er falsche oder inkohärente Antworten. Gute Sprachmodelle sind heute aber sehr gut darin, das im Kontext zu lösen.
Das Thema ist vor allem für die Entwicklung und Evaluierung von NLP-Systemen relevant. Im praktischen Einsatz erledigt das Framework im Hintergrund. Bei Fragen zur Integration von Sprachmodellen in deine Prozesse helfen wir gerne weiter.