Beantwortet von der Redaktion von Business.Digital Stand
Eine Entität ist im Kontext von KI und Natural Language Processing (NLP) ein benanntes Objekt der realen Welt, das in einem Text vorkommt. Typische Entitätsklassen: Personen, Organisationen, Orte, Datumsangaben, Geldbeträge, Produktnamen.
In dem Satz “Volkswagen investiert 2 Milliarden Euro in sein Werk in Zwickau” sind “Volkswagen” eine Organisation, “2 Milliarden Euro” ein Geldbetrag und “Zwickau” ein Ort. Das Erkennen und Klassifizieren dieser Entitäten heißt Named Entity Recognition, abgekürzt NER.
Wie funktioniert Entitätserkennung technisch?
Frühere NER-Systeme arbeiteten mit Wörterbüchern und Mustern. Wenn “Berlin” in der Ortsliste stand, war es eine Ortsangabe. Das versagte bei neuen Firmennamen, Tippfehlern oder mehrdeutigen Begriffen. Moderne NER-Modelle basieren auf neuronalen Netzen und verstehen Entitäten im Kontext. “Apple” im Satz über Smartphones ist eine Organisation, im Rezepttext eine Frucht.
Aktuelle Sprachmodelle können NER ohne spezielles Training erledigen. Ein aktuelles GPT- oder Claude-Modell kann aus einem beliebigen Text alle Personennamen extrahieren, ohne dass man es explizit dafür trainieren muss.
Praktische Einsatzfelder
NER ist ein Baustein vieler größerer Systeme. Dokumentenautomatisierung: Verträge lesen und alle Parteien, Datumsangaben und Summen extrahieren. Medienmonitoring: Alle Erwähnungen der eigenen Marke oder von Wettbewerbern in Nachrichtentexten finden. CRM-Anreicherung: Aus E-Mails automatisch Kundennamen, Bestellnummern und Datumsangaben in das CRM übernehmen.
Für Unternehmen mit großen Textmengen aus Dokumenten, E-Mails oder Kundenanfragen ist NER oft ein erster sinnvoller Schritt zur Prozessautomatisierung.