Die Zukunft der Texterstellung - Deloitte Network for Language Technology

Was sind nun die konkreten Vorteile der NLG Technologie in der Praxis, und wie sieht der Workflow aus? Ein erfolgreich umgesetzter, innovativer Use Case des Deloitte Network for Language Technology betrifft Marktfolgefunktionen in der Finanzbranche. Bei diesem Beispiel kann der Einsatz von automatisch erstellten Texten die Produktion von Reports und Entscheidungsvorlagen in Rahmen des Kreditgeschäfts wesentlich verbessern. Die Vorbereitung der Kreditentscheidung wird zu weiten Teilen automatisiert. Aber natürlich nicht der komplette Prozess: Die Entscheidung als solche trifft immer noch der Mensch. Nur hat der zuständige Sachbearbeiter durch die NLG Technologie erhebliche eigene Kapazitäten eingespart, die er nun verstärkt auf die eigentliche Risikotreiberanalyse des Kreditgeschäfts und die damit verbundene Kreditentscheidung verwenden kann. Im Workflow werden viele bislang manuell erbrachte Tätigkeiten jetzt digital ausgeführt: Im ersten Schritt werden Daten gesammelt und passend für die Weiterverarbeitung strukturiert aufbereitet. Dabei können zum Beispiel Methoden wie Robotic Process Automation (RPA) zum Einsatz kommen. Im nächsten Schritt leitet die NLG Technologie aus den strukturierten Daten im Rückgriff auf die angelegte Ontologie inhaltlicher Zusammenhänge des Sachgebiets die wesentlichen Informationen des Themenkomplexes ab. Die abgebildeten Fakten werden eingeordnet und bewertet. So entsteht eine Handlungsempfehlung, die dann wiederum in sinnhafte sprachliche Einheiten verwandelt und in Form eines ausformulierten Textes als Entscheidungsvorlage für den Mitarbeiter ausgegeben wird.

Die Vorteile dieses Vorgehens sind umfangreich. Gegenüber einer manuellen Abarbeitung lässt sich je nach Use Case mit NLG eine Kostenersparnis von 25 bis 50% erzielen, wie sich in der Praxis des Deloitte Network for Language Technology ergeben hat. Die Durchlaufzeit reduziert sich um 60 bis 70%. Die Qualität ist über jeden Zweifel erhaben, die Aufgaben werden mit höchster Genauigkeit erledigt. Und das skalierbar und sehr flexibel – sieben Tage die Woche, rund um die Uhr. Risiken durch menschliche Fehler entfallen, Mitarbeiter können ihre Kapazitäten anderweitig einsetzen. Besonders hervorzuheben ist außerdem der Compliance-Vorteil von NLG: Da die Vorgänge zum Beispiel bei der Berichterstellung vollständig regelbasiert ablaufen und komplett protokolliert sind, lässt sich eine hundertprozentige regulatorische Zuverlässigkeit erreichen. Außerdem ist durch das hohe Verarbeitungstempo in kritischen Situationen beispielsweise ein regulatorisch geforderter Report sehr schnell und kostengünstig zu erstellen.

Die Erarbeitung von Kreditentscheidungsvorlagen in der Finanzindustrie ist ein attraktiver Anwendungsfall für NLG – aber nur einer unter vielen. Vom Deloitte Network for Language Technology schon erprobte oder in Entwicklung befindliche Use Cases für die automatische Erzeugung natürlicher Sprache gibt es in etlichen Branchen. Während bei „firmeninternen“ Anwendungen dabei u.a. der regulatorische Sicherheitseffekt besonders zum Tragen kommt, ist es bei externen die hohe Granularität der Personalisierung. In allen Fällen bietet NLG signifikante Kostenvorteile.

Um einige Beispiele auszuführen: Im Management Reporting und regulatorischen Berichtswesen erstellt das NLG-Angebot des Deloitte Network for Language Technology aus Rohdaten entscheidungsrelevante Informationen und Vorlagen. Die Ausgabe kann dabei ad hoc im jeweils gewünschten Format erfolgen, ob in Schriftform oder als gesprochener Text. So könnte ein Vorstandsmitglied im Bedarfsfall einen Bericht etwa komplett im formellen Quartalsberichtsformat abrufen – oder mithilfe eines zusätzlichen digitalen Sprachassistenten eine interaktive „Konversation mit dem Bericht“ führen und die passenden Antworten auf seine Fragen erhalten, ganz so wie in einem Dialog mit einem Mitarbeiter.

Auch in den Sektoren Health Care und Life Sciences gibt es eine Vielzahl von Anwendungsgebieten. Hier müssen schließlich besonders viele detailgenaue und regulatorisch sensible Texte erstellt werden. Die Erzeugung von einwandfreien Arznei- und Medizinproduktbeschreibungen, ob für Mitarbeiter oder für Kunden, kann durch NLG sehr effizient automatisiert werden. Auch im Kundenmanagament sind die Optionen der NLG Technologie wertvoll. Hier ist beispielsweise bislang eine persönliche Ansprache einer sehr großen Menge von Kunden mithilfe von individuell erstellten Texten aus Kosten- und Praktikabilitätsgründen kaum machbar. Mit NLG können dagegen etwa massenhaft persönlich zugeschnittene Glückwunschkarten geschrieben werden, die viel mehr enthalten als nur den Namen und das Datum. Hier können beispielsweise Daten über individuelle Vorlieben oder Erfahrungen aus der Vergangenheit verarbeitet und als persönliche Note in den Text mit einfließen. Weitere spannende Einsatzbereiche sind aus der Sicht des Deloitte Network for Language Technology auch Digital Learning (Bereitstellung individualisierter Schulungsmaterialien) und LegalTech (automatisiertes Verfassen von Mandanten- und Vertragskorrespondenz).

Generell können die konkreten Anwendungsfälle von Natural Language Generation in drei Ebenen eingeteilt werden, entsprechend dem Komplexitätsgrad der zugrundeliegenden Abläufe: 

• Descriptive Analytics bedeutet, dass strukturierte Daten sprachlich wiedergegeben werden.
• Anspruchsvoller ist der Level Explorative Analytics, der demgegenüber ein Erkennen von Zusammenhängen in den Daten und deren logische Verarbeitung beinhaltet.
• Die avancierteste Stufe stellt schließlich Predictive Analytics dar: Intelligente Algorithmen erkennen Trends und verbalisieren sie durch die NLG Technologie.

Bei der Erarbeitung von NLG-Lösungen kooperiert das Deloitte Network for Language Technology exklusiv mit marktführenden deutschen Softwarefirmen, die komplexe deutschsprachige Text Engines entwickeln. Bei Text Engines handelt es sich um grammatische Regelwerke (Linguistische Körper) zur Texterzeugung, die zum Beispiel per API-Schnittstelle anzusteuern sind. Doch diese linguistischen „Maschinen“ genügen noch nicht zur Erzeugung von konkret nutzbaren sprachlichen Inhalten. Zusätzlich ist auch ein zweites Element notwendig: das entsprechend aufbereitete, relevante fachliche Vokabular. Dazu gehört auch – und das ist noch anspruchsvoller – ein „Wissen“ über die inhaltlichen Zusammenhänge und Logiken des jeweiligen Fachgebiets. Das spezifische „Wörterbuch“ und ein komplexes Modell des relevanten Weltwissens, d.h. die jeweilige Ontologie, sind dabei nun der Beitrag der Experten des Deloitte Network for Language Technology. Die Ontologie wird spezifisch für den Kunden und seinen Einsatzbereich entwickelt. Erst dadurch ist es möglich, die zugrundeliegenden vorstrukturierten Daten als in sich stimmigen semantischen Gehalt zu strukturieren. Dieser wird dann in die grammatischen Regelwerke eingespeist, die daraus syntaktisch korrekte Sätze und Texte erzeugen.

Das Service Offering von Deloitte besteht also in einer individualisierten Erstellung von Text Engines für Unternehmen auf Basis einer spezifisch zugeschnittenen Ontologie. Entscheidend für den Erfolg des Ansatzes ist dabei die besondere Branchenexpertise zur Anpassung der Text Engines. Bei der Erstellung der Ontologie werden zunächst vorliegende Texte und Berichte des betreffenden Bereichs und des erwünschten Formats ausgewertet: Welche Aussagen werden darin gemacht, welche impliziten Fragen beantwortet? In einem Data Dictionary werden dann sämtliche Datenpunkte zusammengestellt, die nötig sind, um genau diese Fragen zu beantworten. Für die Erfassung der inneren Zusammenhänge des Sachgebiets führen Mitarbeiter des Deloitte Network for Language Technology Interviews mit relevanten Experten. Mit den Erkenntnissen aus diesen Recherchen können die Verknüpfungslogiken des Themenfelds eins zu eins abgebildet werden, was sich in der Software sehr gut visualisieren lässt. Wichtig zur Abgrenzung ist an dieser Stelle der Verweis auf den oben schon angesprochenen Umstand, dass es sich bei NLG zwar um eine Form der Künstlichen Intelligenz, aber eben nicht um ein neuronales Netz oder eine andere Variante des maschinellen Selbstlernens handelt. Die Prozesse verlaufen bei NLG komplett regelbasiert – was zum Beispiel für die Compliance-Frage von entscheidender Bedeutung ist.