👥 Einfache Teamaufgaben für alle

Ablauf: 4 Teams arbeiten 15 Minuten an ihren Aufgaben, dann präsentiert jedes Team 3 Minuten lang ihre Ergebnisse.

🔍 Team Entdecker

Euer Auftrag: Findet NLP in eurem Alltag!

Was sollt ihr machen?

Aufgabe 1: Schreibt 5 Apps/Websites auf, die ihr nutzt und die NLP verwenden (z.B. Google, WhatsApp, Instagram)
Aufgabe 2: Testet einen Chatbot (z.B. Siri, Alexa) mit 3 Fragen und notiert die Antworten
Aufgabe 3: Überlegt euch eine coole neue NLP-App-Idee

Präsentiert: Eure coolste App-Idee und was ihr beim Chatbot-Test herausgefunden habt!

🎭 Team Gefühlsdetektive

Euer Auftrag: Werdet Experten für Emotionen in Texten!

Was sollt ihr machen?

Aufgabe 1: Lest 5 Produktbewertungen (Amazon/Google) und bestimmt: 😊 positiv, 😠 negativ oder 😐 neutral
Aufgabe 2: Schreibt selbst 3 Sätze: einen sehr positiven, einen sehr negativen, einen neutralen
Aufgabe 3: Findet schwierige Beispiele: Texte mit Ironie oder gemischten Gefühlen

Präsentiert: Eure schwierigsten Beispiele und erklärt, warum Computer damit Probleme haben könnten!

🔧 Team Wort-Werkstatt

Euer Auftrag: Lernt, wie Computer Wörter zerlegen!

Was sollt ihr machen?

Aufgabe 1: Nehmt den Satz "Die Kinder spielen gerne im Park." und teilt ihn in einzelne Wörter (Tokenisierung)
Aufgabe 2: Macht aus diesen Wörtern die Grundformen: "Kinder"→"Kind", "spielen"→"spielen", "gerne"→"gern"
Aufgabe 3: Versucht Stemming: Schneidet einfach Endungen ab und schaut, was passiert

Präsentiert: Zeigt den Unterschied zwischen "schlauer" Lemmatisierung und "dummer" Stemming!

⚠️ Team Problemlöser

Euer Auftrag: Findet heraus, wo NLP Probleme macht!

Was sollt ihr machen?

Aufgabe 1: Sammelt 3 Beispiele, wo Übersetzungs-Apps (Google Translate) Fehler machen
Aufgabe 2: Denkt an Probleme: Was ist mit Dialekten, Ironie, oder verschiedenen Sprachen?
Aufgabe 3: Überlegt: Wann könnte es gefährlich werden, wenn NLP falsch liegt? (z.B. bei wichtigen Entscheidungen)

Präsentiert: Eure lustigsten Übersetzungsfehler und das größte Problem, das ihr gefunden habt!

📋 Hilfe für die Teams

🔍 Für Team Entdecker

Schaut auf eure Handys! Fast jede App nutzt irgendwie NLP.

🎭 Für Team Gefühlsdetektive

Geht auf Amazon oder andere Shopping-Seiten und lest Bewertungen.

🔧 Für Team Wort-Werkstatt

Macht es wie ein Computer: Schritt für Schritt, sehr systematisch!

⚠️ Für Team Problemlöser

Versucht komische Sätze bei Google Translate - das wird lustig!

🎯 Präsentationsrunde (3 Minuten pro Team)

So geht's: Jedes Team zeigt ihre wichtigsten Erkenntnisse. Die anderen Teams hören zu und können eine Frage stellen!

Tipp: Zeigt konkrete Beispiele, nicht nur Theorie. Das macht es interessanter!

NLP Grundlagen - Interaktive Lernübersicht

📋 Strukturierte Lernübersicht

🎯 Detaillierte Lernziele

🧠 Grundverständnis

Was ist NLP und warum ist es wichtig?
Wie "verstehen" Computer menschliche Sprache?
Unterschied zwischen Sprachverarbeitung und Sprachverständnis

⚙️ Technische Konzepte

Textvorverarbeitung (Tokenisierung, Normalisierung)
Unterschiedliche NLP-Modelle und ihre Stärken
Von regelbasierten zu KI-gestützten Systemen

💼 Praktische Anwendung

Wo begegnet uns NLP im Alltag?
Wie funktionieren Chatbots und Sprachassistenten?
Sentiment-Analyse in sozialen Medien

⚖️ Kritische Bewertung

Grenzen und Herausforderungen aktueller NLP-Systeme
Ethische Probleme: Bias, Datenschutz, Transparenz
Zukünftige Entwicklungen und Auswirkungen

📊 Was ist NLP genau?

Natural Language Processing (NLP) ist ein Teilbereich der Künstlichen Intelligenz, der Computern beibringt, menschliche Sprache zu verstehen, zu interpretieren und darauf zu reagieren.

🗣️

Sprachverständnis

Computer lernen die Bedeutung von Wörtern und Sätzen

⚡

Automatisierung

Zeitaufwändige Sprachaufgaben werden automatisiert

📈

Erkenntnisse

Wertvolle Informationen aus großen Textmengen gewinnen

📈 Detaillierte NLP-Entwicklung Timeline

1950er - 1970er: Die Pionierzeit

Wichtige Entwicklungen:

ELIZA (1964): Erstes Chatbot-Programm, simulierte Psychotherapeutin
Regelbasierte Systeme: Computer folgten festen Grammatikregeln
Chomskys Syntactic Structures: Grundlagen der modernen Sprachwissenschaft
Herausforderung: Sehr limitiert, nur einfache Sprachmuster möglich

1980er - 2000er: Statistische Revolution

Wichtige Entwicklungen:

Hidden Markov Models (HMM): Wahrscheinlichkeitsbasierte Sprachmodelle
N-Gramm-Modelle: Vorhersage von Wörtern basierend auf vorherigen Wörtern
Support Vector Machines: Verbesserung der Textklassifikation
Durchbruch: Computer lernten aus Daten statt festen Regeln

Ab 2010er: Deep Learning Revolution

Wichtige Entwicklungen:

RNNs & LSTMs: Neuronale Netzwerke für Sequenzen
Transformer (2017): "Attention is All You Need" - Paradigmenwechsel
BERT & GPT: Vortrainierte Sprachmodelle mit erstaunlichen Fähigkeiten
Heute: ChatGPT, Claude und andere können natürlich kommunizieren

🌍 NLP in unserem Alltag

📱 Smartphones

Siri, Google Assistant, Texterkennung, Autokorrektur

🌐 Internet

Google Suche, Übersetzung, Spam-Filter, Chatbots

🏢 Business

Kundenservice, E-Mail-Kategorisierung, Marktanalyse

📺 Medien

Untertitel-Generierung, Content-Moderation, News-Analyse

🎯 Detaillierte Kernkonzepte des NLP

🔄 Der NLP-Verarbeitungsprozess

Bevor Computer Text verstehen können, muss er in mehreren Schritten aufbereitet werden:

📝

Rohdaten
Unverarbeiteter Text

→

🧹

Bereinigung
Fehler entfernen

→

✂️

Tokenisierung
In Wörter teilen

→

🎯

Normalisierung
Einheitliche Form

→

🧠

Analyse
KI-Verarbeitung

🔤 Tokenisierung - Text in Stücke zerlegen

Was ist das?
Aufteilen von Text in einzelne Wörter oder sinnvolle Einheiten (Tokens).

Beispiel:

Input: "Hallo Welt! Wie geht's?"

Output: ["Hallo", "Welt", "!", "Wie", "geht's", "?"]

Warum wichtig?
Computer können nur mit einzelnen Wörtern arbeiten, nicht mit ganzen Sätzen.

🌱 Lemmatisierung - Intelligente Grundformen

Was ist das?
Reduzierung von Wörtern auf ihre Grundform unter Berücksichtigung der grammatischen Bedeutung.

Beispiel:

"bin", "bist", "ist", "war" → "sein"

"Häuser", "Häusern" → "Haus"

"laufe", "läuft", "gelaufen" → "laufen"

Vorteil: Erkennt, dass verschiedene Wortformen dasselbe bedeuten.

✂️ Stemming - Schnelles Abschneiden

Was ist das?
Mechanisches Kürzen von Wörtern auf den Wortstamm ohne Rücksicht auf Bedeutung.

Beispiel (Porter Stemmer):

"running", "runs", "ran" → "run"

"better", "betting" → "bet"

Problem: "better" sollte nicht zu "bet" werden!

Vorteil: Sehr schnell | Nachteil: Macht Fehler

😊 Sentiment-Analyse - Gefühle erkennen

Was ist das?
Automatische Erkennung von Emotionen und Stimmungen in Texten.

Beispiele:

😊 "Das Essen war fantastisch!" → POSITIV

😠 "Der Service war schrecklich." → NEGATIV

😐 "Das Restaurant hat um 18 Uhr geöffnet." → NEUTRAL

Anwendung: Kundenfeedback, Social Media Monitoring, Marktforschung

🏷️ Named Entity Recognition (NER)

Was ist das?
Automatische Identifikation und Kategorisierung wichtiger Entitäten in Texten.

Beispiel-Text:
"Angela Merkel besuchte BMW in München am 15. März 2020."

Erkannte Entitäten:

👤 PERSON: Angela Merkel

🏢 ORGANISATION: BMW

📍 ORT: München

📅 DATUM: 15. März 2020

Nutzen: Informationsextraktion, Wissensgraphen, automatische Zusammenfassungen

🧠 Transformer-Architektur - Die Revolution

Was ist das?
Moderne KI-Architektur, die durch "Attention" alle Wörter gleichzeitig betrachtet.

Revolutionärer Ansatz:

❌ Alte Methoden: Wort für Wort sequenziell

✅ Transformer: Alle Wörter parallel + Aufmerksamkeit

Ergebnis: Viel schneller und genauer!

Bekannte Modelle: BERT (Google), GPT (OpenAI), T5, Claude

Self-Attention: Das Modell lernt, welche Wörter für welche anderen wichtig sind.

🔍 Vergleich: Lemmatisierung vs. Stemming

✅ Lemmatisierung

Berücksichtigt Grammatik
Ergebnis ist echtes Wort
Höhere Genauigkeit
Langsamer

"ging" → "gehen" ✓

⚡ Stemming

Rein mechanisch
Ergebnis oft kein Wort
Machen Fehler
Sehr schnell

"ging" → "g" ❌

👥 Interaktive Teamaufgaben

Vier Teams arbeiten an verschiedenen NLP-Aspekten. Jedes Team hat 20 Minuten für ihre Aufgaben.

🔬 Team Alpha: NLP-Detektive

Fokus: Textanalyse und Preprocessing

Analysiert 3 verschiedene Texte auf Sentiment
Führt Tokenisierung an einem Beispieltext durch
Vergleicht Lemmatisierung vs. Stemming
Erstellt eine Präsentation eurer Erkenntnisse

🚀 Team Beta: Anwendungs-Experten

Fokus: Praktische NLP-Anwendungen

Sammelt 5 reale NLP-Anwendungen aus dem Alltag
Testet einen Online-Chatbot kritisch
Entwickelt Ideen für neue NLP-Anwendungen
Präsentiert eure Top 3 Anwendungsideen

⚡ Team Gamma: Technologie-Pioniere

Fokus: NLP-Modelle und Architektur

Erstellt einen Vergleich: RNN vs. LSTM vs. Transformer
Recherchiert aktuelle Sprachmodelle (GPT, BERT)
Erklärt die Transformer-Architektur vereinfacht
Designt ein Infografik zur NLP-Evolution

⚖️ Team Delta: Ethik-Wächter

Fokus: Ethische Aspekte und Herausforderungen

Identifiziert 3 ethische Probleme bei NLP
Diskutiert Bias in Sprachmodellen
Entwickelt Lösungsansätze für Datenschutz
Erstellt Richtlinien für verantwortlichen NLP-Einsatz

🎯 Präsentationsrunde (5 Minuten pro Team)

Jedes Team präsentiert ihre Erkenntnisse in 5 Minuten. Die anderen Teams können Fragen stellen und Feedback geben.

🎓 Interaktives NLP-Wissensquiz

Frage 1 von 10