KKC_0100 | Natural Language Understanding Grundkurs: Zuverlässige Text-Erkennung

Natural Language Understanding wird oft an Demo-Beispielen gemessen, scheitert aber im Betrieb an unklaren Labels, dünnen Trainingsdaten und fehlenden Qualitätskriterien. In diesem Seminar bauen Sie NLU so auf, dass sie reale Nutzertexte aushält. Sie starten mit einer klaren Begriffs- und Pipelinebasis: Intent, Entity, Slot, Kontext sowie typische Fehlerbilder wie Ambiguität, Out-of-Vocabulary-Begriffe und Drift.

Danach gehen Sie in die Datenarbeit, die in NLU den Unterschied macht: Annotation Guidelines, konsistentes Label-Design, sinnvolles Sampling und der gezielte Einsatz von Hard Negatives. Im Kern entwickeln Sie Strategien für Intent Classification, inklusive Thresholds, Abstention und Fallback-Intents, damit Ihr System lieber sauber übergibt als falsch zu handeln. Für Entity Recognition und Slot Filling lernen Sie, wann Regex und Gazetteers reichen, wann CRF sinnvoll ist und wann Transformer-NER Vorteile bringt.

Sie üben Normalisierung, zum Beispiel für Datumswerte, Beträge oder Produktcodes, und bauen Post-Processing-Regeln für Konflikte und Overlaps. Ein Schwerpunkt ist Evaluation, die nicht lügt: Macro-F1, Confusion Matrix, Span-F1 sowie Challenge-Sets und Regression-Tests, damit neue Releases nichts kaputtmachen. Abschließend setzen Sie NLU in den Kontext von RAG und Agenten, etwa als Router für Retrieval oder zur Tool-Auswahl, und planen Monitoring, Active Learning und Versionierung für den Betrieb.

• Grundlagen von Intent, Entity, Slot, Kontext und NLU-Pipelines verstehen
• Fehlerbilder wie Ambiguität, Out-of-Vocabulary-Begriffe und Drift erkennen
• Annotation Guidelines, Label-Design, Sampling und Hard Negatives einsetzen
• Intent Classification mit Thresholds, Abstention und Fallback-Intents planen
• Entity Recognition, Slot Filling, Normalisierung und Post-Processing einordnen
• Evaluation mit Macro-F1, Confusion Matrix, Span-F1 und Regression-Tests aufbauen
• NLU als Router für RAG, Agenten und Tool-Auswahl nutzen

Das Seminar richtet sich an Data-Teams, KI-Engineer/innen, Entwickler/innen, Chatbot-Verantwortliche, Produktteams und Fachbereiche mit Textklassifikationsprojekten.

Grundkenntnisse in KI, Datenarbeit oder Softwareprojekten sind hilfreich. Programmiererfahrung ist nicht zwingend erforderlich.

• NLU-Grundlagen, die Entscheidungen tragen
  • Intent, Entity, Slot, Kontext: saubere Begriffe statt Ratespiele
  • Pipeline-Denken: Tokenisierung, Embeddings, Klassifikation
  • Fehlerbilder in der Praxis: Ambiguität, OOV, Drift
• Daten, die Modelle besser machen
  • Annotation Guidelines und Label-Design
  • Sampling, Balancing, Hard Negatives
  • Datenschutz, PII-Handling, Logging-Strategien
• Intent Classification in der Realität
  • Baselines vs. Transformer: wann was sinnvoll ist
  • Thresholds, Abstention und Fallback-Intents
  • Hierarchische Intents und Multi-Intent-Fälle
• Entity Recognition und Slot Filling
  • Regex, Gazetteers, CRF, Transformer-NER
  • Normalization: Datumswerte, Beträge, Produktcodes
  • Konfliktlösung: Overlaps, Prioritäten, Post-Processing
• Evaluation, die nicht lügt
  • Intent-Metriken: Accuracy, Macro-F1, Confusion Matrix
  • Entity-Metriken: Span-F1, Partial Match, Exact Match
  • Testsets: Challenge-Sets und Regression-Tests
• RAG, Tools und Agenten: wo NLU hineinpasst
  • NLU als Router: Query Understanding für Retrieval
  • Tool-Selection mit Intent- und Slot-Signalen
  • Guardrails: Policy-Intents und sichere Übergaben
• Deployment und Betrieb
  • Monitoring: Drift, Outliers, neue Themen
  • Active Learning und Human-in-the-Loop
  • Versionierung von Daten, Labels und Modellen