Lexikon · N
NLP: maschinelle Sprachverarbeitung

Maschinelle Sprachverarbeitung ist der deutsche Name des Fachs, und an Hochschulen überschneidet es sich stark mit der Computerlinguistik. Gemeint ist alles, was ein Programm mit natürlicher Sprache anstellt, also mit der Sprache, in der Menschen miteinander reden und schreiben; Programmiersprachen zählen nicht dazu. Ein Verfahren aus dem NLP arbeitet etwa, wenn dein Mailprogramm Werbung aussortiert, eine App deine gesprochenen Sätze mitschreibt oder ein Übersetzer einen Absatz ins Englische überträgt.
Vom Zeichen zur Bedeutung
Ein Text kommt im Rechner als lange Kette von Zeichen an. Bevor ein Programm damit etwas anfangen kann, zerlegt es ihn in Sätze und Wörter, bestimmt die Wortart jedes Wortes, führt gebeugte Formen auf ihre Grundform zurück und ermittelt, welches Wort grammatisch von welchem abhängt. Die freie Bibliothek spaCy führt genau diese Schritte als Bausteine auf, dazu das Erkennen von Namen und deren Verknüpfung mit einer Wissensdatenbank3.
Auf diesen Grundlagen bauen die Anwendungen auf, die du im Alltag bemerkst. Das Lehrbuch von Dan Jurafsky und James H. Martin, dessen dritte Auflage als Entwurf frei im Netz steht, widmet ihnen eigene Kapitel: Textklassifikation, Wortarten und Named Entity Recognition, maschinelle Übersetzung, Informationssuche, Spracherkennung, Sprachausgabe und Wortlisten für die Stimmung von Texten1. Wie gut ein Werkzeug das alles beherrscht, hängt an der Sprache. Deutsch bildet lange Zusammensetzungen und viele Beugungsformen. Ein Wort wie "Haftpflichtversicherungsbeitrag" muss ein Programm erst in seine Teile zerlegen, bevor es damit rechnen kann.
Wie sich das Fach entwickelt hat
Den ersten öffentlichen Auftritt hatte die maschinelle Sprachverarbeitung am 7. Januar 1954 in New York. IBM und die Georgetown University ließen einen Rechner vom Typ IBM 701 russische Sätze ins Englische übersetzen. Das System kannte 250 Wörter und sechs Grammatikregeln2. Die Zeitungen berichteten groß, und einer der Beteiligten sagte voraus, in fünf, vielleicht drei Jahren werde die automatische Übersetzung in wichtigen Bereichen funktionieren2.
Lange schrieben Fachleute die Regeln von Hand: Wortlisten, Grammatiken, Ausnahmen. Später setzten sich statistische Verfahren durch, die Muster aus großen Textsammlungen lernen, und danach neuronale Netze. Seit der Transformer-Architektur lassen sich viele der genannten Aufgaben mit einem einzigen vortrainierten Netz lösen, das man für die jeweilige Aufgabe nachträglich anpasst.
Wo Sprachmodelle ins Spiel kommen
Große Sprachmodelle, wie sie hinter Chatbots stecken, sind heute der bekannteste Zweig des Fachs und haben eine eigene Seite im Lexikon. Für viele Aufgaben braucht es sie gar nicht. Wer Supportanfragen in fünf feste Kategorien sortieren oder Firmennamen aus Rechnungen ziehen will, kann mit einem kleinen, spezialisierten Verfahren auskommen. Es rechnet schneller, und seine Entscheidungen lassen sich leichter nachvollziehen.
Für Deutsch gibt es dafür freie Werkzeuge mit vortrainierten Bausteinen. spaCy bietet vier deutsche Pipelines an. Die Größen klein, mittel und groß erkennen Wortarten, Satzbau und Namen, die vierte (trf) steht ohne Namenserkennung in der Liste; alle sind auf Nachrichtentexten trainiert4. Für Texte aus Medizin, Recht oder Technik lohnt sich ein Test mit eigenen Beispielen, bevor ein Betrieb sich auf die Ergebnisse verlässt.
Häufige Fragen
Ist NLP dasselbe wie ein Chatbot?
Nein. Ein Chatbot ist eine Anwendung, NLP das Fachgebiet, aus dem seine Bausteine stammen. Auch ein Spamfilter oder eine Übersetzungs-App nutzt NLP, ohne mit dir zu plaudern.
Braucht man für NLP Programmierkenntnisse?
Für die Nutzung fertiger Dienste nicht, die stecken in Mailprogrammen, Übersetzern und Office-Paketen. Wer eigene Auswertungen bauen will, kommt um etwas Python kaum herum, die gängigen Bibliotheken sind darauf ausgelegt.
Warum funktioniert NLP auf Englisch oft besser als auf Deutsch?
Für Englisch gibt es mehr annotierte Trainingstexte. Deutsch hat außerdem mehr Wortformen und lange Zusammensetzungen, die ein Programm erst zerlegen muss.
Quellen
Stand:
- Stanford University (Jurafsky, Martin): Speech and Language Processing, 3rd edition draft, Stand 19.08.2026, abgerufen am 22.11.2026. zurück
- ACL Anthology (Hutchins, AMTA 2004): The Georgetown-IBM experiment demonstrated in January 1954, Stand 2004, abgerufen am 22.11.2026. zurück
- Explosion (spaCy): Linguistic Features, abgerufen am 22.11.2026. zurück
- Explosion (spaCy): German: Available trained pipelines, abgerufen am 22.11.2026. zurück





