---
title: "Natural Language Processing (NLP): Definition und Beispiel"
description: "Natural Language Processing (NLP) erklärt: typische Aufgaben, der Weg von Regeln zu Transformern und wann ein kleines Modell statt eines LLM genügt."
url: https://carl-wuerfel.de/glossar/nlp
author: Carl-Uwe Würfel
---

1. [Start](https://carl-wuerfel.de/)
  2. [Wissen](https://carl-wuerfel.de/wissen)
  3. [Glossar](https://carl-wuerfel.de/glossar)
  4. Natural Language Processing (NLP)

# Natural Language Processing (NLP)

Natural Language Processing (NLP) ist das Teilgebiet der Informatik und der künstlichen Intelligenz, in dem Computer menschliche Sprache auswerten und erzeugen.

## Auf dieser Seite

  1. Ein NLP-System zerlegt die Arbeit in prüfbare Schritte
  2. Die ersten Systeme arbeiteten mit Wörterbüchern und Regeln
  3. Embeddings und Transformer haben das Fach umgebaut
  4. NLP ist das Fach, ein LLM ist ein Werkzeug darin
  5. Wann ein kleines Modell genügt
  6. Woran man eine gute Umsetzung erkennt
  7. Die Grenze des Begriffs
  8. Häufige Fragen
  9. Quellen

Für eng umrissene Aufgaben reicht oft ein kleines, spezialisiertes Modell.

_Abbildung: Verzweigung am Beispiel eines Großhändlers für Sanitärbedarf, der sein zentrales E-Mail-Postfach sortiert. Ein kleines Klassifikationsmodell, trainiert auf von Hand zugeordneten Mails aus dem eigenen Archiv, ordnet jede Mail einem Anliegen zu und erkennt Bestellnummer und Betrag. Liegt die Konfidenz über der festgelegten Schwelle, geht die Mail direkt an die zuständige Abteilung; sonst prüft ein Mitarbeiter, und korrigierte Fälle gehen in den nächsten Trainingslauf. Darunter: Ein großes Sprachmodell schreibt nur Antwortentwürfe auf Reklamationen._

Natural Language Processing, auf Deutsch maschinelle Sprachverarbeitung, umfasst alle Verfahren, mit denen Computer geschriebene und gesprochene Sprache verarbeiten. Klassische Aufgaben sind das Einordnen von Texten in Kategorien, das Erkennen von Namen, Orten, Daten und Beträgen (Named Entity Recognition), Übersetzung, Zusammenfassung und Stimmungsanalyse. Spracherkennung, die Rede in Text umwandelt, ist ein Nachbargebiet.

NLP ist ein Fachgebiet. Große Sprachmodelle ([LLMs](https://carl-wuerfel.de/glossar/llm)) wie die Modelle hinter ChatGPT sind ein Werkzeug darin, heute das bekannteste. Daneben arbeiten kleine, auf eine Aufgabe trainierte Modelle und Regelwerke. Mit dem Neurolinguistischen Programmieren, einer Kommunikations- und Coachingmethode, teilt das Fach nur die Abkürzung.

Führungskräfte betrifft NLP, weil ein großer Teil der Arbeit in Unternehmen aus Text besteht: E-Mails, Verträge, Tickets, Bewertungen. Wer weiß, welche Aufgabe ein Verfahren löst und wie zuverlässig, kann Angebote vergleichen und erkennen, wo ein kleineres Modell genügt.

Beispiel

Ein Großhändler für Sanitärbedarf sortiert sein zentrales E-Mail-Postfach mit einem kleinen Klassifikationsmodell, trainiert auf von Hand zugeordneten Mails aus dem eigenen Archiv. Es ordnet jede Mail einem Anliegen zu, etwa Bestellung, Reklamation oder Lieferstatus, und erkennt Bestellnummer und Betrag. Liegt die Konfidenz über der festgelegten Schwelle, geht die Mail direkt an die zuständige Abteilung; sonst prüft ein Mitarbeiter, und korrigierte Fälle gehen in den nächsten Trainingslauf. Ein großes Sprachmodell nutzt das Team nur für Antwortentwürfe auf Reklamationen.

Kapitel 1 von 7

## Ein NLP-System zerlegt die Arbeit in prüfbare Schritte.

Klassische NLP-Systeme arbeiten in einer Kette. Die Tokenisierung zerlegt den Text in Wörter, Wortteile und Satzzeichen. Die Lemmatisierung führt gebeugte Formen auf ihre Grundform zurück, aus „Rechnungen“ wird „Rechnung“. Die Named Entity Recognition markiert Eigennamen; die Dokumentation der Bibliothek spaCy beschreibt eine benannte Entität als Objekt aus der realen Welt, das einen Namen trägt, etwa eine Person, ein Land oder ein Produkt. Am Ende ordnet eine Klassifikation den Text einer Kategorie zu.

Das Deutsche macht einige Schritte aufwendiger. Es bildet viele Formen desselben Wortes und lange zusammengesetzte Wörter wie „Kundendienstanfrage“. Ein System, das nur gleiche Zeichenfolgen vergleicht, übersieht deshalb Treffer.

Neuronale Modelle erledigen viele dieser Schritte in einem Durchgang. Für die Prüfung bleibt die Aufteilung nützlich: An jedem Schritt lässt sich messen, wo Fehler entstehen.

Kapitel 2 von 7

## Die ersten Systeme arbeiteten mit Wörterbüchern und Regeln.

Am 15. Juli 1949 verschickte Warren Weaver von der Rockefeller Foundation ein Memorandum mit dem Titel „Translation“. Er schlug Computer als Übersetzer vor und beschrieb das Kernproblem: Ein Wort, durch einen schmalen Schlitz gelesen, bleibt oft mehrdeutig. Das englische „fast“ kann „schnell“ heißen oder „unbeweglich“. Sieht man genügend Wörter links und rechts davon, lässt sich die Bedeutung bestimmen. Weaver forderte deshalb statistische Untersuchungen der Sprache.

Am 7. Januar 1954 führten die Georgetown University und IBM in New York auf einem IBM 701 eine Übersetzung vom Russischen ins Englische vor. Laut IBM-Pressemitteilung übersetzte das System mehr als sechzig Sätze mit einem Wörterbuch von 250 russischen Wörtern und sechs Regeln. Leon Dostert von der Georgetown University schätzte, für wissenschaftliche Texte im Allgemeinen könnten bis zu hundert solcher Regeln nötig sein.

Regelsysteme sind nachvollziehbar, scheitern aber an jeder Formulierung, für die niemand eine Regel geschrieben hat. Statistische Verfahren lernten später Wahrscheinlichkeiten aus großen Textsammlungen, statt jede Regel von Hand festzulegen.

Kapitel 3 von 7

## Embeddings und Transformer haben das Fach umgebaut.

Im Januar 2013 beschrieben Tomas Mikolov und Kollegen bei Google Modelle, die jedes Wort als Zahlenvektor darstellen; bekannt wurde das Verfahren als word2vec. Wörter aus ähnlichen Zusammenhängen liegen nah beieinander. Auf Zahlenvektoren dieser Art, [Embeddings](https://carl-wuerfel.de/glossar/embeddings) genannt, beruht heute meist die semantische Suche.

Im Juni 2017 erschien „Attention Is All You Need“ von Ashish Vaswani und Kollegen. Die darin vorgestellte Transformer-Architektur beruht allein auf Aufmerksamkeitsmechanismen: Für jedes Wort gewichtet das Modell, welche anderen Wörter des Textes für seine Bedeutung zählen. Erprobt wurde sie an Übersetzungen aus dem Englischen ins Deutsche und Französische.

Im Oktober 2018 folgte BERT von Jacob Devlin und Kollegen. Das Modell lernt aus unbeschriftetem Text und liest den Kontext links und rechts eines Wortes zugleich; mit einer zusätzlichen Ausgabeschicht lässt es sich etwa an Fragebeantwortung anpassen. Im Mai 2020 zeigten Tom Brown und Kollegen mit GPT-3, dass ein großes Sprachmodell Aufgaben lösen kann, die nur als Text mit wenigen Beispielen beschrieben sind, ohne zusätzliches Training.

Kapitel 4 von 7

## NLP ist das Fach, ein LLM ist ein Werkzeug darin.

[Künstliche Intelligenz](https://carl-wuerfel.de/glossar/kuenstliche-intelligenz) ist der Oberbegriff. [Machine Learning](https://carl-wuerfel.de/glossar/machine-learning) ist ein Teilgebiet, in dem Software aus Beispieldaten lernt; [Deep Learning](https://carl-wuerfel.de/glossar/deep-learning) nutzt dafür neuronale Netze mit vielen Schichten. NLP liegt quer zu diesen Ebenen, weil es sich über seinen Gegenstand bestimmt, die Sprache, und nicht über eine Methode. Ein Regelwerk, das Rechnungsnummern aus Mails fischt, ist NLP ohne Machine Learning, ein großes Sprachmodell NLP mit Deep Learning.

Innerhalb des Fachs unterscheidet man Natural Language Understanding (NLU), das Erkennen von Absicht und Bedeutung, und Natural Language Generation (NLG), das Erzeugen von Text. Ein LLM deckt beides ab.

Im Gespräch mit Dienstleistern hilft diese Trennung. Die Angabe, ein Produkt nutze NLP, sagt wenig. Aussagekräftig ist, welche Aufgabe es löst, mit welchem Modell und mit welcher gemessenen Trefferquote auf den eigenen Texten.

Kapitel 5 von 7

## Wann ein kleines Modell genügt.

Für eng umrissene Aufgaben reicht oft ein kleines, spezialisiertes Modell. Eng umrissen heißt: feste Kategorien, viele gleichartige Texte und genug von Menschen richtig zugeordnete Beispiele. Posteingang sortieren oder Rechnungsdaten auslesen erfüllen diese Bedingungen häufig. Ein solches Modell antwortet schnell, kostet je Text wenig und läuft auch auf eigenen Servern.

Wie viel kleine Modelle leisten, zeigte 2019 DistilBERT. Victor Sanh und Kollegen verkleinerten BERT um 40 Prozent; laut Aufsatz behielt das Modell 97 Prozent der Leistung beim Sprachverstehen und rechnete 60 Prozent schneller.

Ein großes Sprachmodell lohnt sich, wenn Aufgaben wechseln oder kaum Beispiele vorliegen, und überall dort, wo es selbst formulieren soll. Es braucht kein eigenes Training, kostet aber je Aufruf, und sein Text muss geprüft werden. Beides lässt sich verbinden: Ein LLM übernimmt die Aufgabe zuerst, und sobald genug geprüfte Beispiele vorliegen, löst ein kleines Modell es ab.

Kapitel 6 von 7

## Woran man eine gute Umsetzung erkennt.

Gemessen wird an einem Testsatz aus eigenen Texten, deren richtige Zuordnung Menschen festlegen. Musterdaten des Anbieters zeigen nicht, wie das System mit den Formulierungen der eigenen Kunden umgeht.

Das Modell gibt zu jeder Entscheidung einen Wert für seine Sicherheit aus, die Konfidenz. Unter einer festgelegten Schwelle prüft ein Mensch. Wo die Schwelle liegt, hängt davon ab, was ein Fehler kostet: Eine falsch einsortierte Werbemail ist harmlos, eine übersehene Kündigung nicht.

Jede Entscheidung wird protokolliert. Ändern sich Produkte oder Formulare, läuft der Testsatz erneut, und korrigierte Fälle fließen ins nächste Training. Enthalten die Texte personenbezogene Daten, gilt das Datenschutzrecht; vorab ist zu klären, wo die Daten verarbeitet werden.

Kosten entstehen bei Datenaufbereitung, Anbindung, Prüfung und Pflege; LLM-Dienste rechnen zusätzlich je [Token](https://carl-wuerfel.de/glossar/token) ab.

Kapitel 7 von 7

## Die Grenze des Begriffs

NLP verarbeitet Sprache statistisch und liefert Wahrscheinlichkeiten, keine Gewissheit; flüssige Ausgaben belegen kein Verständnis. Abzugrenzen ist das Fachgebiet vom LLM, einem Werkzeug darin, von Machine Learning als Methode, die auch Bilder oder Messdaten verarbeitet, und von der Spracherkennung, die Rede erst in Text umwandelt.

## Häufige Fragen

Was ist Natural Language Processing (NLP)?

Natural Language Processing ist das Fachgebiet, in dem Computer menschliche Sprache verarbeiten, also Texte einordnen, auswerten, übersetzen, zusammenfassen oder erzeugen. Es reicht von festen Regeln bis zu großen Sprachmodellen.

Was ist der Unterschied zwischen NLP und KI?

KI ist der Oberbegriff, NLP das Teilgebiet, das sich mit Sprache befasst. Andere Teilgebiete der KI arbeiten etwa mit Bildern oder Sensordaten.

Ist ChatGPT ein NLP-Modell?

ChatGPT ist eine Anwendung aus dem Fachgebiet NLP, die auf großen Sprachmodellen beruht. Die Modelle dahinter sind auf großen Textmengen vortrainierte Transformer, die Text auswerten und erzeugen.

Was ist der Unterschied zwischen NLP und NLU?

NLU (Natural Language Understanding) ist der Teil von NLP, der sich auf das Verstehen beschränkt, also auf Absicht und Bedeutung. Das Erzeugen von Text heißt NLG (Natural Language Generation), NLP ist der Oberbegriff für beides.

Wofür setzen Unternehmen NLP ein?

Unternehmen setzen NLP dort ein, wo viel Text anfällt: beim Sortieren von E-Mails und Tickets, beim Auslesen von Rechnungen und Verträgen, bei der Auswertung von Kundenbewertungen und in Chatbots. Den Nutzen zeigt erst ein Test auf eigenen Texten.

Braucht man für NLP ein großes Sprachmodell?

Nein, für eng umrissene Aufgaben mit festen Kategorien genügt oft ein kleines, spezialisiertes Modell. Ein großes Sprachmodell lohnt sich, wenn Aufgaben wechseln, frei formuliert werden muss oder kaum Trainingsbeispiele vorliegen.

Hat NLP etwas mit Neurolinguistischem Programmieren zu tun?

Nein, beide teilen nur die Abkürzung. Neurolinguistisches Programmieren ist eine Kommunikations- und Coachingmethode, Natural Language Processing ein Fachgebiet der Informatik.

## Weiter

  * [**KI-Glossar**](https://carl-wuerfel.de/glossar)
  * [**KI-Automatisierung**](https://carl-wuerfel.de/ki-automatisierung)
  * [**Deep Learning**](https://carl-wuerfel.de/glossar/deep-learning)
  * [**Embeddings**](https://carl-wuerfel.de/glossar/embeddings)
  * [**Small Language Model (SLM)**](https://carl-wuerfel.de/glossar/small-language-model)
  * [ Begriff**LLM: Large Language Model**](https://carl-wuerfel.de/glossar/llm)
  * [ Begriff**Machine Learning (maschinelles Lernen)**](https://carl-wuerfel.de/glossar/machine-learning)
  * [ Begriff**Semantische Suche**](https://carl-wuerfel.de/glossar/semantische-suche)
  * [ Begriff**Chatbot**](https://carl-wuerfel.de/glossar/chatbot)

## Quellen

  1. [Warren Weaver, Rockefeller Foundation: Translation, Memorandum, 15. Juli 1949, Abdruck im MT Archive der ACL Anthology (englisch)](https://aclanthology.org/www.mt-archive.info/Weaver-1949.pdf)
  2. [IBM: 701 Translator, Pressemitteilung, 8. Januar 1954, Abdruck im MT Archive der ACL Anthology (englisch)](https://aclanthology.org/www.mt-archive.info/IBM-1954.pdf)
  3. [Mikolov, Chen, Corrado, Dean: Efficient Estimation of Word Representations in Vector Space, arXiv:1301.3781, 2013 (englisch)](https://arxiv.org/abs/1301.3781)
  4. [Vaswani et al.: Attention Is All You Need, arXiv:1706.03762, 2017 (englisch)](https://arxiv.org/abs/1706.03762)
  5. [Devlin, Chang, Lee, Toutanova: BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, arXiv:1810.04805, 2018 (englisch)](https://arxiv.org/abs/1810.04805)
  6. [Sanh, Debut, Chaumond, Wolf: DistilBERT, a distilled version of BERT, arXiv:1910.01108, 2019 (englisch)](https://arxiv.org/abs/1910.01108)
  7. [Brown et al.: Language Models are Few-Shot Learners, arXiv:2005.14165, 2020 (englisch)](https://arxiv.org/abs/2005.14165)
  8. [Explosion: spaCy, Linguistic Features, Dokumentation, Stand November 2026 (englisch)](https://spacy.io/usage/linguistic-features)
