Natural Language Query (NLQ)

Was ist Natural Language Query (NLQ)?

Natural Language Query (NLQ), zu Deutsch: Abfrage in natürlicher Sprache, ist eine Funktion, mit der Benutzer innerhalb ihrer Analyseplattformen Fragen in normaler menschlicher Sprache statt in einer speziellen Abfrage- oder Query-Sprache stellen können. Diese Self-Service-Business-Intelligence-Funktion (BI) ermöglicht es Benutzern, Fragen zu stellen, die ausschließlich aus Begriffen oder Phrasen bestehen, die normal gesprochen oder so eingegeben werden, wie sie gesprochen werden, ohne nichtsprachliche Zeichen – wie Pluszeichen oder Sternchen – und ohne spezielle Formatierung oder Änderung der Syntax. Abfragen in natürlicher Sprache können über eine Text- oder Sprachschnittstelle durchgeführt werden.

Natürliche Sprachverarbeitung (Natural Language Processing, NLP) ermöglicht es Software, typische menschliche Sprache oder geschriebene Inhalte als Eingabe zu verstehen und je nach Anwendung darauf zu reagieren. Ein virtueller Assistent beispielsweise ist so konzipiert, dass er auf gesprochene Eingaben oder Text reagiert. Allerdings kann keine Software tatsächlich Bedeutung aus der gesprochenen menschlichen Sprache ableiten, sodass NLP Prozesse zur Übersetzung zwischen beiden Sprachen umfasst.

NLP wendet Syntaxtechniken wie Parsing zur grammatikalischen Analyse, Wortsegmentierung zur Aufteilung von Text in kleinere Einheiten, Satzaufteilung zur Festlegung sinnvoller Grenzen in ununterbrochenem Text, morphologische Segmentierung zur Identifizierung der Struktur und Form von Wörtern und Stemming an, wodurch Wörter auf die Wortstämme reduziert werden, an die Suffixe und Präfixe angehängt werden. NLP verwendet auch Techniken wie die Erkennung benannter Entitäten und die Disambiguierung der Wortbedeutung, um eingegebene Benutzeranfragen zu verstehen, zu übersetzen und als für Menschen verständliche Antworten durch natürliche Sprachgenerierung (Natural Language Generation, NLG) zurückzugeben.

Was ist der Zweck einer Natural Language Query?

NLQ erleichtert das Abrufen von Informationen. Wenn ein Benutzer Daten aus einer Quelle abrufen möchte, verwendet er in der Regel eine Abfragesprache, wie zum Beispiel Structured Query Language (SQL). Da normale Anwender in der Regel keine SQL-Kenntnisse haben, richten Unternehmen, die Waren, Dienstleistungen oder Informationen anbieten, häufig eine Benutzeroberfläche ein, über die Anwender die benötigten Informationen mit einem Mausklick oder einer Suche angeben kann.

NLQ macht Softwareschnittstellen überflüssig, sodass der Benutzer einfach Fragen in natürlicher Sprache stellen kann, um die benötigten Informationen anzugeben, ohne mehr als einfache menschliche Sprache zu verwenden. Künstliche Intelligenz und Algorithmen des maschinellen Lernens optimieren den Prozess, indem sie den Text analysieren und Muster sowie die Bedeutung hinter den Antworten des Benutzers identifizieren. Natural Language Processing übernimmt dann den Rest und wandelt die Fragen des Benutzers in eine Abfragesprache um, um die Datenabfrage zu erleichtern.

Welche Arten von NLQ gibt es?

Natural Language Query gibt es in zwei Grundformen: suchbasierte NLQ und geführte NLQ. Die beiden unterscheiden sich erheblich voneinander:

• Suchbasierte NLQ. Suchbasierte NLQ ist die häufigere der beiden Hauptarten. Dabei muss der Benutzer eine Frage in natürlicher Sprache in ein Suchfeld eingeben, um seine Abfrage zu übermitteln. Die Abfrage wird dann mit Elementen in der zu durchsuchenden Datenquelle abgeglichen – oder im Falle von digitalen Audioassistenten mündlich ausgesprochen. Dieser Ansatz ist effektiver, wenn der Benutzer klare Anweisungen zur optimalen Verwendung des Tools erhält.
• Geführte NLQ. Geführte NLQ ist sowohl umständlicher als auch präziser als suchbasierte NLQ. Bei geführter NLQ wird der Benutzer durch eine Reihe von Prompts in der Benutzeroberfläche geführt – entweder als angezeigter Text oder als Audio –, aus denen anhand der Antworten des Benutzers ein Suchbefehl in der Abfragesprache erstellt und dann an die Datenquelle gesendet wird. Dieser Prozess erhöht die Genauigkeit der Abfrage und damit auch die Ergebnisse, nimmt jedoch mehr Zeit des Benutzers in Anspruch.

Was sind die Vorteile von Natural Language Query?

Abfragen in natürlicher Sprache bieten eine Reihe von Vorteilen und stellen einen großen Fortschritt in der Entwicklung von Benutzeroberflächen dar. Sie machen wichtige Anwendungen zugänglich, die zuvor mehr Wissen und Schulung seitens des Benutzers erforderten. Im Folgenden sind einige Besonderheiten aufgeführt:

• Alle Fragen und Antworten sind bereits gespeichert und stehen bereit. Die meisten NLQ-Tools können mehr als nur Antworten speichern: Mit der Zeit speichern sie auch die am häufigsten gestellten Fragen. Dies erhöht den Nutzen solcher Systeme im Vergleich zum herkömmlichen Abrufprozess mit Abfragesprache, der mit den meisten Datenquellen verbunden ist und für seine hohen Anforderungen an die Genauigkeit und syntaktische Perfektion der Abfrage bekannt ist.
• Self-Service-BI für Nicht-Experten. Durch den Ersatz der Abfragesprache durch NLQ können Nicht-Experten BI-Quellen umfassender nutzen, wodurch Self-Service-Analysen für einen breiteren Kreis von Geschäftsanwendern zugänglich werden. Dies kann ein wichtiger Treiber für die Einführung von BI sein.
• NLQ-BI-Tools können Antworten visuell darstellen. Der in vielen BI-Produkten mit integrierter NLQ verfügbare einstufige Prozess der direkten Generierung von Grafiken aus Fragen in natürlicher Sprache ist ein großer Fortschritt für Analytics-Anwender.
• NLQ-Tools lassen sich leicht in andere Prozesse integrieren. Die einfache Integration von NLQ-Tools in andere Anwendungen macht sie besonders attraktiv, da sie den Nutzen der Anwendung erweitern, ohne dass diese neu gestaltet oder umstrukturiert werden muss.

Was sind die Nachteile von Natural Language Query?

Abfragen in natürlicher Sprache sind nicht ohne Herausforderungen. Wie bei jeder neuen Technologie oder jedem neuen Prozess gibt es noch Funktionen, mit denen die Benutzer noch nicht vollständig vertraut sind. Dazu gehören die folgenden:

• Die potenzielle Mehrdeutigkeit von NLQ-Fragen. Manchmal kann eine Frage vage sein; einige Wörter haben mehr als eine Bedeutung, und die Art einer Frage kann sich je nach dem Kontext, in dem sie gestellt wird, ändern. NLQ-Systeme können manchmal durch Fragen in natürlicher Sprache verwirrt werden.
• Einige NLQ-Tools sind domänenspezifisch. Oft kann ein NLQ-System nur Informationen innerhalb einer begrenzten Domäne bereitstellen, was für den Benutzer frustrierend ist, wenn er nicht das findet, was er braucht. Ein Service-Chatbot ist beispielsweise möglicherweise nur dafür ausgerüstet, auf Kundenprobleme und Beschwerden zu reagieren, und kann keine Informationen zu Preisen und Konditionen bereitstellen.
• Die Modellierung von Daten für die Speicherung in NLQ-Systemen kann eine Herausforderung sein. Es gibt keine allgemeingültige Methode zur Modellierung der Datenspeicherung für ein NLQ-System, da die Anwendungen, die sie verwenden, und die Vielzahl der Daten, die sie unterstützen können, zu unterschiedlichen Speicher- und Eingabe-/Ausgabeanforderungen führen können. Dies kann die Nützlichkeit der Ergebnisse einschränken und manchmal eine Überarbeitung der Datenarchitektur erforderlich machen.

Beispiele für Natural Language Query

Viele Anwendungen verwenden bereits NLQ, darunter Business-Analytics-Systeme, digitale Assistenten, Kundendienst- und Entscheidungsunterstützungssysteme. Im Folgenden finden Sie einige weitere Anwendungsbeispiele:

• Business-Analytics-Plattformen. Microsoft Power BI ist eine von immer mehr BI-Plattformen, die NLQ integrieren und damit für mehr Geschäftsanwender zugänglich machen. Analytics-Anwender können einfach fragen: Wie hoch ist der Gesamtumsatz für den Monat Mai? oder Wer sind unsere 10 umsatzstärksten Kunden? und erhalten sofort eine Antwort.
• Entscheidungsunterstützungssysteme im Gesundheitswesen. Die schnelle Abfrage von Patienteninformationen ist für die Entscheidungsfindung im Gesundheitswesen von großer Bedeutung. Mit NLQ ist dies so einfach wie die Frage Wie lauten die Laborergebnisse von Person XY? oder Wie viele Fälle dieser Krankheit wurden in diesem Jahr gemeldet?.
• Grafische Aufschlüsselung finanzieller Probleme. Finanzanalysten können komplexe Analysen detailliert untersuchen, indem sie mit immer präziseren Abfragen Grafiken erstellen, Verbindungen zwischen Datenpunkten herstellen und deren Entwicklung beobachten – und das alles viel schneller als von Hand.