Natural Language Understanding Grundkurs: Zuverlässige Text-Erkennung

Baue robuste Intent- und Entity-Modelle, die in echten Texten stabil bleiben, auch wenn Nutzer unpräzise schreiben. Zu den Schwerpunkten gehören NLU-Grundlagen, die Entscheidungen tragen, Daten, die Modelle besser machen, Intent Classification in der Realität, Entity Recognition und Slot Filling, Evaluation, die nicht lügt und RAG, Tools und Agenten: wo NLU hineinpasst.

Die Schulung richtet sich an Machine-Learning Engineers und Data Scientists, die NLU-Komponenten produktiv betreiben, Softwareentwicklerinnen und Softwareentwickler, die Chatbots, Search oder Agent-Workflows bauen, Product Owner und Tech Leads, die NLU-Anforderungen und Qualität messbar machen und Data- und Analytics-Verantwortliche, die Annotation und Datenstrategie steuern sowie alle, die Intent- und Entity-Modelle belastbar in Anwendungen integrieren wollen.

Grundverständnis von Machine Learning und Klassifikation (Begriffe wie Train/Test, Overfitting). Erfahrung mit Datenanalyse oder Modellnutzung ist hilfreich, aber keine Pflicht.

Zu den Schwerpunkten gehören NLU-Grundlagen, die Entscheidungen tragen, Daten, die Modelle besser machen, Intent Classification in der Realität, Entity Recognition und Slot Filling, Evaluation, die nicht lügt und RAG, Tools und Agenten: wo NLU hineinpasst.

Die Inhalte werden bis zu konkreten Arbeitsschritten zu Evaluation, die nicht lügt, RAG, Tools und Agenten: wo NLU hineinpasst und Deployment und Betrieb geführt. Dadurch lässt sich das Gelernte gezielt auf eigene Aufgaben übertragen.

Zu den angestrebten Ergebnissen gehören: Dieses Seminar richtet sich an alle, die NLU nicht als Forschungsprojekt, sondern als verlässliche Komponente in Produkten brauchen; Du arbeitest dich von der Problemdefinition bis zum Betrieb durch: Welche Intents sind überhaupt sinnvoll, wie granular dürfen sie sein, und wie vermeidest Du Intent-Wildwuchs?; Du lernst, Entities und Slots so zu modellieren, dass sie für nachgelagerte Prozesse wirklich nutzbar sind, inklusive Normalisierung und Validierung; Ein zentraler Teil ist die Datenstrategie: Du entwickelst Annotation Guidelines, definierst Label-Regeln für Grenzfälle und setzt Balancing sowie Hard Negatives ein,; Bei der Modellierung vergleichst Du Baselines und Transformer-Ansätze pragmatisch.

Ja. „Entity Recognition und Slot Filling“ ist ein eigener Bestandteil der Schulung. Dazu gehören Regex, Gazetteers, CRF, Transformer-NER, Normalization: Datumswerte, Beträge, Produktcodes und Konfliktlösung: Overlaps, Prioritäten, Post-Processing.