Textgenerierung

Grundidee und Bedeutung

Textgenerierung, auch natürlichsprachliche Generierung oder Natural Language Generation (NLG), bedeutet die automatische Produktion von natürlicher Sprache durch eine Maschine. Sie gehört sowohl zur Computerlinguistik als auch zur künstlichen Intelligenz. Wichtig ist sie, weil Maschinen damit Informationen in verständliche Texte umwandeln können, zum Beispiel in Berichten, Dialogsystemen, Marketingtexten oder kreativen Anwendungen.

Die Textgenerierung kann einfache, stark regelgebundene Texte erzeugen, aber auch mit modernen Verfahren des maschinellen Lernens arbeiten. Ein zentrales Thema ist dabei, welche Daten als Ausgangspunkt dienen und wie daraus ein sprachlich passender Text entsteht.

Eingaben und technische Verfahren

Textgenerierung lässt sich nach dem Eingabeformat unterscheiden. Bei „Daten zu Text“ entstehen Texte aus strukturierten Daten, zum Beispiel Wetterberichte. Bei „Bilder zu Text“ werden Bilder oder Videos in Sprache beschrieben, zum Beispiel durch automatisch erzeugte Bildunterschriften. Bei „Text zu Text“ entstehen Texte auf Grundlage anderer Texte, zum Beispiel Übersetzungen oder vereinfachte Fassungen.

Früher verstand man unter Textgenerierung eher die Erzeugung von Text aus nicht-linguistischen Quellen. Die Generierung aus vorhandenen Texten, etwa Übersetzung oder Textvereinfachung, gehört inzwischen aber fest zum Feld.

Technisch wird besonders zwischen Pipeline-Architekturen und End-to-end-Architekturen unterschieden. Pipeline-Architekturen bestehen aus einzelnen, meist regelbasierten Komponenten, die nacheinander arbeiten. Nach Reiter und Dale gehören dazu mehrere Schritte: Inhaltsbestimmung, also die Entscheidung, welche Informationen enthalten sein sollen; Dokumentenstrukturierung, also die Organisation der Reihenfolge und Struktur; Aggregation, also das Zusammenführen ähnlicher Sätze zur besseren Lesbarkeit; lexikalische Wahl, also die Auswahl konkreter Wörter; Referenzgenerierung, also die Erzeugung von Koreferenzen innerhalb des Textes; und Realisierung, also die eigentliche sprachliche Formulierung nach Syntax, Morphologie und Orthographie der Zielsprache.

Moderne Systeme verwenden vor allem in der Forschung häufig End-to-end-Architekturen. Dabei werden Modelle des maschinellen Lernens mit großen Datensätzen trainiert, die aus Eingabedaten, zum Beispiel strukturierten Daten, und dazu passenden, oft von Menschen geschriebenen Texten bestehen.

Journalismus, Dialogsysteme und Marketing

Ein wichtiges Anwendungsgebiet ist der sogenannte Roboterjournalismus. Damit sind Algorithmen gemeint, die aus Datenbanken und Datenkolonnen fertige Nachrichtentexte erzeugen. Ziel ist, menschliche Journalisten zu entlasten oder ihre Arbeit stärker auf aufwendige Recherchen zu konzentrieren. Redaktionen können dadurch Texte veröffentlichen, die wegen Zeitmangel oder zu geringer Nachfrage sonst nicht geschrieben würden. Typische Einsatzgebiete sind Sportmeldungen, Wetterberichte, Börsenticker und datengetriebene lokale Berichterstattung.

Beim Roboterjournalismus werden speziell auf die Eingabedaten zugeschnittene Algorithmen eingesetzt. Sie berechnen fortlaufend Werte und schreiben Berichte entweder in festen Zeitintervallen, zum Beispiel tägliche Wetterberichte, oder wenn sich Werte stark verändern, zum Beispiel bei einer Erdbeben-Warnung. Der Einsatz solcher Software ist umstritten. Diskutiert wird, worin menschliche Journalisten der Software überlegen sind. Außerdem ist ungeklärt, inwiefern automatisch erzeugte Texte dem Urheberrecht unterliegen.

In Chatbots und anderen textbasierten Dialogsystemen dient Textgenerierung der Kommunikation mit Nutzern. Ein historisch bekanntes Beispiel ist ELIZA. Auch hochentwickelte intelligente virtuelle Agenten nutzen dieses Prinzip teilweise. Die Qualität des Dialogs hängt unter anderem davon ab, wie gut der Agent mit Wissensbasen verbunden ist. Solche Systeme können Fragen beantworten, als Präsentationsagenten auf Webseiten auftreten, bei telefonischen Vorsortierungen helfen oder Dialoge mit Figuren in Computerspielen ermöglichen.

Im Content Marketing wird künstliche Intelligenz für die Erzeugung von Inhalten genutzt. Genannt werden Werbetexte, Newsletter-Betreffzeilen und die Validierung von KI-generierten Ergebnissen. Laut einer Studie ist Marketing die Branche, auf die künstliche Intelligenz den größten Einfluss haben wird. Nach einer Umfrage des Digitalverbandes Bitkom von Anfang 2023 plant jedes sechste Unternehmen den KI-Einsatz zur Textgenerierung.

Kreative und einfache Generatoren

Textgenerierung wird auch in Kunst und Literatur genutzt. Dabei können Künstler in die generierende Software oder in die Wissensbasis eingreifen, Texte nachbearbeiten oder generierten Text in eigene Werke einbauen. Ein Beispiel ist die Arbeit von Max Bense und seiner Stuttgarter Gruppe: Sie benutzten 1959 eine Zuse Z22, um mit einem eingegebenen Lexikon und syntaktischen Regeln Texte zu synthetisieren und auszugeben. Auch der Dialog mit Publikum kann Teil solcher Anwendungen sein, etwa in Kunstinstallationen. Als Beispiel wird David Links „Poetry Machine“ genannt.

Eine einfache Form der Textgenerierung sind Phrasendreschmaschinen oder Bullshit-Generatoren. Sie gab es bereits als mechanische Geräte, bevor sie als Software umgesetzt wurden. Wahrscheinlich die erste Software-Phrasendreschmaschine war LoveLetters_1.0, 1952 von Christopher Strachey an der University of Manchester für den Ferranti Mark I programmiert.

Solche Programme arbeiten mit einfachen Verfahren, die in komplexeren Formen auch bei anspruchsvollerer Textgenerierung vorkommen: Begriffe oder Satzteile werden aus Listen genommen, aneinandergereiht und grammatikalisch angepasst. Diese Anpassung heißt grammatische Realisierung. Häufig wird dafür die Generierung mit Markow-Ketten verwendet. Das Ergebnis kann syntaktisch korrekt sein und sinnvoll wirken, ist aber tatsächlich Unsinn, weil diese Generatoren kein Wissen über die Bedeutung der verwendeten Bestandteile besitzen. Dadurch können sie zum Beispiel leere Rhetorik in Fachtexten scherzhaft nachahmen.

Erkennung und Entwicklung

Mit der wachsenden Nutzung von KI-basierter Textgenerierung in Schulen, Universitäten und auf Webseiten gewinnt auch die Erkennung solcher Texte an Bedeutung. Ein möglicher Hinweis auf KI-generierte Inhalte ist die häufige Verwendung bestimmter Wörter oder Phrasen. Der Artikel nennt keine sichere Methode, sondern beschreibt nur, dass diesem Thema zunehmend Aufmerksamkeit geschenkt wird.

Die Geschichte der natürlichsprachlichen Generierung begann nach mechanischen Vorläufern und frühen Softwareversuchen mit Programmen, die schematisch auf Wissen zugriffen, das bereits in Textform vorhanden war. Ab 1963 gab es BASEBALL, ein Interface zu Baseballdaten der amerikanischen Baseballliga, und SAD SAM, ein System zur Eingabe von Verwandtschaftsbeziehungen, das Fragen beantworten konnte. 1966 erschien ELIZA von Joseph Weizenbaum.

In einer zweiten Phase wurde Wissen in Fakten und Regeln kodiert. LUNAR von 1972 war ein Interface zur Datenbank über die Mondprobensammlung der Apollo-11-Mission. PARRY von 1975 simulierte einen Paranoiden im Gespräch mit einem Psychiater. ROBOT von 1977 war das erste kommerzielle Frage-Antwort-System. VIE-LANG von Ernst Buchberger aus dem Jahr 1982 war ein deutsches Dialogsystem, das Sätze aus einem semantischen Netz generierte. HAM-ANS von Wolfgang Hoeppner aus dem Jahr 1983 war ebenfalls ein deutsches Dialogsystem und konnte zum Beispiel einen Hotelmanager simulieren.