Texte und Gespräche sind bei der Nordlicht Reisen GmbH die größte Quelle: etwa 300 Kundenbewertungen am Tag, dazu die Anrufe der Hotline. Niemand liest oder hört alles. Diese Lektion zeigt, welche Techniken Text in nutzbare Merkmale verwandeln (Textanalyse, englisch text analysis) und wie gesprochene Sprache zu Text wird und zurück (Sprache, englisch speech). Die Prüfung nennt vier Techniken der Textanalyse ausdrücklich: Schlüsselbegriffe, Entitäten, Stimmung und Zusammenfassung. Für Sprache fragt sie nach Spracherkennung und Sprachausgabe.

Textanalyse mit Azure Language

Azure Language (bei Learn „Azure Language in Foundry Tools“) ist ein Cloud-Dienst für Textanalyse. Sie schicken Text, der Dienst liefert Ergebnisse zurück. Die Analyse läuft laut Learn „as-is“: Das Modell wird nicht an Ihre Daten angepasst. Viele der Funktionen lassen sich ohne Code im Foundry-Portal ausprobieren.

Technik Was herauskommt Nordlicht-Beispiel
Schlüsselbegriffe (key phrase extraction) die Hauptthemen eines Textes als Liste Aus „Das Essen war köstlich und das Personal wunderbar“ werden „Essen“ und „wunderbares Personal“.
Entitäten (named entity recognition, NER) Personen, Orte, Organisationen und Mengen, einsortiert in vorgegebene Typen Hotelname, Ort und Datum in bewertung-2.txt
Stimmung (sentiment analysis) ein Etikett (negativ, neutral oder positiv) je Satz und je Dokument, dazu Konfidenzwerte Fällt ein Hotel in den Bewertungen der letzten Woche ab?
Zusammenfassung (summarization) ein kurzer Text zu einem langen Anruf in wenigen Sätzen festhalten
Spracherkennung (language detection) die Sprache eines Textes Deutsche und englische Nachrichten trennen
Persönliche Daten (PII detection) Angaben, die Personen identifizieren, in Text und Gesprächen Namen und Adressen vor dem Speichern ersetzen

Zu einigen Techniken gibt es Feinheiten, die die Prüfung kennt:

  • Stimmung und Meinungsanalyse: Die Meinungsanalyse (opinion mining) ordnet die Stimmung einzelnen Aspekten zu, etwa „Zimmer“ oder „Frühstück“. Die Konfidenzwerte liegen laut Learn zwischen 0 und 1.
  • Entitäten: Die vorgefertigte Erkennung nutzt eine feste Liste von Typen. Mit der benutzerdefinierten Erkennung (custom NER) trainieren Sie eigene Kategorien auf Ihren Texten.
  • Zusammenfassung: Die extraktive Form wählt wichtige Sätze aus dem Original aus. Die abstraktive Form formuliert neue, knappe Sätze, die so nicht im Text stehen. Für Gespräche nennt Learn zum Beispiel Zusammenfassungen von Anliegen und Lösung, wie sie ein Callcenter braucht.
  • Spracherkennung: Sie erkennt laut Learn mehr als hundert Sprachen.

Der Status der Funktionen nach Learn

Wichtig und prüfungsnah: Learn teilt die Funktionen von Azure Language in „Core capabilities“ und „Legacy capabilities“. Zu den Core capabilities (für Neuentwicklung empfohlen) zählen die Erkennung persönlicher Daten, die Spracherkennung und die Entitätserkennung. Schlüsselbegriffe, Stimmungsanalyse und Zusammenfassung stehen unter „Legacy“. Ihre Seiten kündigen an, dass die Funktionen aus Azure Language auslaufen, und lenken neue Projekte auf Foundry-Modelle. Das Datum steht auf den Seiten; es gehört nicht in eine Lektion, die lange gilt. Die Techniken bleiben für die Prüfung und für die Praxis dieselben. Nur der Weg dorthin kann ein Sprachmodell statt der Funktion sein. Ob die Prüfung dem folgt, ist offen.

Sprache mit Azure Speech

Azure Speech (bei Learn „Azure Speech in Foundry Tools“) bietet unter anderem Spracherkennung, Sprachausgabe, Übersetzung und Sprachidentifikation, ebenfalls über eine Foundry-Ressource.

Spracherkennung (speech to text) wandelt Audio in Text. Learn nennt drei Wege:

  • Echtzeit-Transkription für laufendes Audio,
  • Schnelle Transkription (fast transcription) für aufgezeichnete Dateien,
  • Stapel-Transkription (batch transcription) für große Mengen, asynchron verarbeitet.

Ein Basismodell reicht nicht immer, etwa bei Hintergrundgeräuschen oder Fachwörtern. Dann lässt sich ein eigenes Sprachmodell (custom speech) mit Ihren Daten trainieren. Es bleibt privat. Neuere Modelle, die Learn nennt, zum Beispiel Azure LLM Speech, verbessern Qualität und Kontextverständnis.

Sprachausgabe (text to speech) wandelt Text in natürlich klingende Sprache. Dahinter stehen neuronale Stimmen. Mit SSML (Speech Synthesis Markup Language) steuern Sie Tonhöhe, Aussprache, Tempo und Lautstärke. Als Stimmen nennt Learn Standardstimmen und eigene Stimmen. Eine eigene Stimme (custom voice) ist erkennbar und einzigartig für Ihre Marke oder Ihr Produkt und bleibt privat. Für sie verweist Learn auf eigene Hinweise zu verantwortlicher Nutzung, darunter einen eingeschränkten Zugang (limited access). Was genau dafür gilt, lesen Sie dort nach.

Übersetzung (speech translation) übersetzt gesprochene Sprache in Echtzeit, von Sprache zu Sprache oder von Sprache zu Text. Sprachidentifikation (language identification) erkennt, welche Sprache im Audio gesprochen wird, allein oder zusammen mit Erkennung und Übersetzung.

Nordlicht: Die Datei anruf-hotline.wav geht durch die Spracherkennung. Für viele Aufnahmen auf einmal passt die Stapel-Transkription, für eine einzelne Datei die schnelle. Das Ergebnis ist Text, und auf Text arbeitet die Textanalyse: Zusammenfassung, Stimmung, Erkennung persönlicher Daten (Lektion 1.1). Dafür sind mehrere Arbeitslasten verbunden (Lektion 1.4). Sprachidentifikation hilft, wenn Anrufe auf Deutsch und Englisch eintreffen.

Übung 1

Welche Technik oder Funktion passt? Wählen Sie jeweils eine und begründen Sie in einem Satz:

  1. Nordlicht will in den Bewertungen alle genannten Hotelnamen und Orte als Liste.
  2. Eine Auswertung soll zeigen, ob die Bewertungen eines Hotels eher positiv oder negativ sind.
  3. Eine Zimmerbeschreibung wird per Stimme für sehbehinderte Reisende vorgelesen.
  4. Hunderte Hotline-Aufnahmen sollen über Nacht in Text umgewandelt werden.
  5. Vor dem Speichern eines Gesprächsprotokolls sollen Namen und Telefonnummern ersetzt werden.
  6. Ein Anruf soll in zwei, drei Sätzen mit Anliegen und Lösung festgehalten werden.

Lösung 1
  1. Entitätserkennung (NER). Sie liefert Orte, Organisationen und weitere Typen aus einer festen Liste.
  2. Stimmungsanalyse. Das Etikett negativ, neutral oder positiv gilt je Satz und Dokument. Bei Aspekten wie Zimmer oder Frühstück hilft die Meinungsanalyse.
  3. Sprachausgabe (Text to speech), gesteuert mit SSML, falls Tempo oder Aussprache angepasst werden sollen.
  4. Stapel-Transkription der Spracherkennung, weil große Mengen ohne Eile verarbeitet werden.
  5. Erkennung persönlicher Daten (PII). Sie arbeitet auf Text und Gesprächen.
  6. Zusammenfassung von Gesprächen, hier mit Anliegen und Lösung.

Nr. 2 und 6 gehören zu den Funktionen, die Learn als auslaufend kennzeichnet. Die Technik bleibt, der Weg kann ein Foundry-Modell sein.

Weiterlesen