Bestellung
Wenn Sie an diesem Seminar teilnehmen wollen, füllen Sie folgendes Formular aus.Die mit * gekennzeichneten Felder müssen ausgefüllt werden.
In diesem NLU-Seminar baust Du Natural Language Understanding so, dass es im Betrieb nicht auseinanderfällt: robuste Intent-Erkennung, zuverlässige Entity Extraction und saubere Evaluation. Du lernst, wie Du Trainingsdaten und Labels so designst, dass Modelle auch mit Tippfehlern, Umgangssprache und neuen Formulierungen stabil bleiben. Statt Demo-Accuracy optimierst Du auf messbare Qualität mit Challenge-Sets, Regression-Tests und sinnvollen Thresholds inklusive Fallback-Strategien. Außerdem klärst Du, wie NLU heute in Chatbots, RAG-Systemen und Tool-basierten Agenten eingesetzt wird, etwa als Router für Retrieval oder zur sicheren Tool-Auswahl. Am Ende kannst Du eine NLU-Pipeline planen, testen, deployen und im Betrieb überwachen.
- NLU-Grundlagen, die Entscheidungen tragen
- Intent, Entity, Slot, Kontext: saubere Begriffe statt Ratespiele
- Pipeline-Denken: Tokenisierung, Embeddings, Klassifikation
- Fehlerbilder in der Praxis: Ambiguität, OOV, Drift
- Daten, die Modelle besser machen
- Annotation Guidelines und Label-Design
- Sampling, Balancing, Hard Negatives
- Datenschutz, PII-Handling, Logging-Strategien
- Intent Classification in der Realität
- Baselines vs. Transformer: wann was sinnvoll ist
- Thresholds, Abstention und Fallback-Intents
- Hierarchische Intents und Multi-Intent-Fälle
- Entity Recognition und Slot Filling
- Regex, Gazetteers, CRF, Transformer-NER
- Normalization: Datumswerte, Beträge, Produktcodes
- Konfliktlösung: Overlaps, Prioritäten, Post-Processing
- Evaluation, die nicht lügt
- Intent-Metriken: Accuracy, Macro-F1, Confusion Matrix
- Entity-Metriken: Span-F1, Partial Match, Exact Match
- Testsets: Challenge-Sets und Regression-Tests
- RAG, Tools und Agenten: wo NLU hineinpasst
- NLU als Router: Query Understanding für Retrieval
- Tool-Selection mit Intent- und Slot-Signalen
- Guardrails: Policy-Intents und sichere Übergaben
- Deployment und Betrieb
- Monitoring: Drift, Outliers, neue Themen
- Active Learning und Human-in-the-Loop
- Versionierung von Daten, Labels und Modellen