Nur wenige Bereiche der Informatik sind momentan so populär wie das maschinelle Lernen (ML) und insbesondere der Bereich des Natural Language Processing (NLP). Wer kennt nicht die Bedienung des Smartphones oder Radios mittels Sprachassistent (Siri, Alexa etc.)? Wie angenehm ist es doch die Adresse, zu der man navigiert werden will, einfach einzusprechen? Selbst die automatische Erkennung von Kundenanliegen bei der Dunkelverarbeitung von Briefen ist möglich.

Trotz bereits vorhandener Helfer und etablierten Prozess- und Vorgehensmodellen, wie zum Beispiel STAMP4NLP [1], ist die Erstellung einer solchen Anwendung immer noch mit hohem Aufwand verbunden. Um die notwendigen statistischen Modelle, die in der Lage sind Muster innerhalb von Daten zur Informationsextraktion abzubilden, trainieren zu können, müssen zunächst geeignete Daten identifiziert werden und aufbereitet werden. Dazu zählt sowohl die Bereinigung von Rechtschreibfehlern, als auch das manuelle Tagging, welches die Markierung von Elementen im Text ist. Auf Basis des annotierten Korpus wird in der Trainingsphase das Modell trainiert und nach abgeschlossener Optimierung in ein KI-System integriert, dass produktiv einsetzbar ist (siehe Abbildung 1).

Ein Punkt, der bei der Erstellung von KI-Systemen immer mehr in den Fokus rückt, ist der Datenschutz [2]. Auf Grund der hohen Komplexität in der Erstellung von NLP-Anwendungen sind viele Unternehmen auf die Hilfe von externen Firmen und Entwicklern angewiesen. Dabei sind allerdings Daten, die auch datenschutzkritische Informationen enthalten, herauszugeben, auf deren Basis die neuen Anwendungen trainiert werden. Dies ist der Punkt an dem bisher der Großteil dieser Unternehmen die Einführung von NLP im eigenen Betrieb zurückzieht, da eine Anonymisierung der Daten mit hohem Aufwand verbunden ist.

Insbesondere durch die EU-Datenschutz-Grundverordnung (DSGVO) hat das Thema datenschutzkonforme Anonymisierung von Daten nochmal Aufwind bekommen [3]. Durch die drohenden hohen Strafen bei Zuwiderhandlung stellt der Datenschutz aktuell ein besonders großes Hindernis zur Einführung von NLP dar.

Existierende Verfahren, die relativ einfach die datenschutzkritischen Informationen gegen künstliche austauschen, sind nicht ohne weiteres nutzbar. Dies ist einerseits durch die jeweilige Anwendungsdomäne begründet. Im Kontext von Versicherungen sind exemplarisch sicherlich die Kennungen von Policen, Namen, Ereignisdaten und Adressen als kritisch anzusehen. Hingegen ist im Kontext von medizinischen Daten ein großes Augenmerk auf Attribute wie z.B. Größe, Gewicht, Symptome und Diagnosen zu legen. Folglich sind für jede Domäne erst einmal die kritischen Attribute zu identifizieren.

Zudem ist zu berücksichtigen, dass ausreichend Informationen anonymisiert werden. Wenn mit den verbliebenen Informationen und Hinzunahme einer weiteren Datenquelle wieder Rückschlüsse auf die Ursprungsdaten möglich sind, liegt keine rückschlussfreie Anonymisierung vor. Ein Beispiel hierfür ist die Entfernung des Namens und der Adresse, aber zugleich Erhalt des Geburtsdatums und des Geschlechts in einem medizinischen Bericht. Nimmt man nun das Melderegister hinzu und grenzt es auf den Einzugsbereich des Krankenhauses ein, ist eine Identifikation der betroffenen Person mit geringem Aufwand möglich [4].

Andererseits ist außerdem auch die Auswahlmöglichkeit an Verfahren zu beachten. Hierbei stehen exemplarisch Varianten zur Verfügung, die Namen zufällig gegen die 100 häufigsten Namen innerhalb Deutschlands tauschen. Es ist aber auch ein schematischer 1:1 Austausch denkbar oder komplexere Verfahren möglich. Dabei darf der Einfluss der Anonymisierung auf das zu trainierende Modell nicht unberücksichtigt bleiben. Wenn im produktiven Betrieb der NLP-Anwendung ein Dokument mit einem Namen auftaucht, der nicht zu den 100 häufigsten zählt, kann dieser unter Umständen nicht erkannt werden. Folglich ist der Erhalt der Daten-Varianz innerhalb der anonymisierten Attribute zu berücksichtigen.

Hinzukommt, dass auch die Erhaltung von Zusammenhängen innerhalb der Daten bei der Anonymisierung wichtig ist. Andernfalls wird über Sätze hinweg nicht erkannt, dass auf dieselbe Person Bezug genommen wird oder beschriebene Abläufe miteinander zusammenhängen. Insgesamt schränken bisherige Verfahren durch Informationsverlust das Training von Modellen auf anonymisieren Daten zu sehr ein.

Ziel ist es, das Gleichgewicht zwischen Einhaltung der Datenschutzvorschriften und dem Training einer qualitativ hochwertigen Anwendung zu finden. Ein möglicher Ablauf, wie per Anonymisierung die Einführung von NLP machbar ist, wird in der folgenden Vorgehensskizze dargestellt.

Der technische Fortschritt hat die Art der Computernutzung in den letzten Jahren grundlegend revolutioniert. Kaum eine andere Branche hat dabei die Arbeitsweise der Menschen so stark verändert. Digitale Kommunikation ist sowohl im privaten als auch im beruflichen Umfeld effektiv und selbstverständlich. Rückständige Bereiche leiden unter ihren veralteten Kommunikationsformen und investieren in Optimierung.

Weit verbreitet sind aktuell Lösungen, die menschliche Kommunikation in natürlicher Sprache zwischen Menschen ermöglichen und solche, die formale Datenkommunikation zwischen IT-Systemen realisieren. Die Ersteren fallen in den Bereich E-Mail, Social Media und Chat. Viele Unternehmen erhalten über oben die beschriebenen Kanäle eine große Zahl an Kommunikationsanfragen in natürlicher Sprache. Bislang ist ein hoher Fließtextanteil ein Digitalisierungshindernis und führt zu hohen Kosten durch eine überwiegend manuelle Bearbeitung.

Natürliche Sprache ist vor allem durch eine hohe Vielfalt, Variabilität und Mehrdeutigkeit geprägt. Diese Faktoren machen eine automatisierte Verarbeitung mit klassischen Methoden der Informatik, z.B. Grammatiken, Wörterbüchern oder Parsern, fast unmöglich. Im Gegensatz hierzu haben Menschen eine genetische Veranlagung um Informationen aus dem Kontext der Sprache zu nutzen und so mit diesen Faktoren umzugehen.

Das Forschungsgebiet Natural Language Processing (NLP) untersucht die Schnittstelle zwischen Computern und natürlicher Sprache. Grundsätzlich wird in diesem Feld nicht versucht, alleine durch operational formulierte Regeln (Programm-Code usw.) Lösungsalgorithmen zu implementieren. Vielmehr werden Regeln auf Basis vorhandener Daten angelernt, es entsteht ein statistisches Modell (Maschinelles Lernen, ML). Sobald das statistische Modell in dieser Form ausreichend trainiert ist, können auch unbekannte Texte mit hoher Wahrscheinlichkeit korrekt verarbeitet werden. Die Kombination von manuell erstellten und gelernten Regeln erzeugt eine effektive Algorithmik zur Verarbeitung natürlicher Sprache, als Basis für vielfältige Anwendungsfälle.

Die Methoden des ML sind bereits seit den 50er Jahren Gegenstand der Forschung. Mit dem Durchbruch von Deep-Learning in der Bild- und Sprachverarbeitung in den 2010er Jahren haben diese Methoden zunehmend den Weg in die Unternehmen gefunden.

Abbildung 1 illustriert den Entwicklungsprozess von NLP-Anwendungen. Für eine möglichst repräsentative und ausreichend große Trainingsdatenmenge erfolgt eine manuelle Bearbeitung (Tagging) zur Erstellung einer Referenzlösung. Diese Datenmenge (annotierter Korpus) bildet die Basis für das Training des Modells, also der statistischen Verteilung. Nach optionalen Optimierungsschritten ist der Entwicklungsprozess abgeschlossen.

Während der anschließenden Produktionsphase werden auf Basis dieses Modells nun unbekannte Texte analysiert. Entsprechend der jeweiligen Anwendung erfolgt z.B. eine Informationsextraktion, also die Identifikation von bekannten semantischen Strukturen aus dem Text oder eine Analyse der Stimmungslage des Autors beim Schreiben. Von außen betrachtet arbeitet das trainierte Modell wie ein menschlicher Sachbearbeiter und kann in bestehende Prozesse integriert werden. Die folgende Fallstudie verdeutlicht diesen Prozess.