Chatbots mehrsprachig trainieren: Datenaufbereitung für 24 EU-Sprachen

Grundlagen der mehrsprachigen Chatbot-Entwicklung

Die Entwicklung eines mehrsprachigen Chatbots für den europäischen Markt erfordert ein systematisches Vorgehen, das über das bloße Übersetzen von Texten hinausgeht. Im Kern geht es darum, dass der Bot in jeder der 24 Amtssprachen der EU die Absichten der Nutzer zuverlässig erkennt und kontextgerecht reagiert. Dies beginnt mit der Entscheidung für eine Architektur: Sie können entweder einen separaten Modellinstanz pro Sprache trainieren oder ein gemeinsames mehrsprachiges Modell einsetzen. In der Praxis hat sich der Einsatz eines mehrsprachigen Modells (z. B. auf Basis von Transformer-Architekturen) als effizient erwiesen, da es Sprachübergreifende Ähnlichkeiten nutzt und den Wartungsaufwand reduziert. Allerdings müssen Sie sicherstellen, dass die Trainingsdaten für alle Sprachen ausgewogen und qualitativ hochwertig sind.

Ein zentraler Schritt ist die Definition der Intents (Absichten) und Entitäten. Anders als bei einem rein englischen Chatbot müssen Sie kulturelle und sprachliche Nuancen berücksichtigen. Beispielsweise kann die Anfrage „Ich möchte ein Konto eröffnen“ im Deutschen formell oder informell formuliert sein – Ihr Chatbot sollte beide Varianten verstehen. Gleiches gilt für Höflichkeitsformen und regionale Ausdrücke. Wir empfehlen, für jeden Intent mindestens 50 bis 100 repräsentative Äußerungen pro Sprache zu sammeln. Diese Daten bilden die Grundlage für das Training des Natural Language Understanding (NLU)-Modells.

Praktisch bewährt hat sich die iterative Erweiterung: Starten Sie mit den Sprachen mit den höchsten Nutzerzahlen (z. B. Deutsch, Französisch, Spanisch) und fügen Sie nach und nach weitere hinzu. Achten Sie dabei auf eine konsistente Intent-Struktur – auch wenn Formulierungen variieren, muss die logische Zuordnung gleich bleiben. Für die Antwortgenerierung können Sie entweder statische Antworttexte in jeder Sprache hinterlegen oder auf eine dynamische Übersetzungs-Engine zurückgreifen. Letzteres ist jedoch riskant, da maschinelle Übersetzungen ohne Prüfung zu unpassenden oder fehlerhaften Antworten führen können. Eine sichere Praxis ist die Kombination aus vordefinierten muttersprachlichen Antworten und einem Fallback für unbekannte Anfragen.

Abschließend empfehlen wir, einen mehrsprachigen Testplan zu erstellen, der sowohl linguistische als auch funktionale Aspekte abdeckt. Lassen Sie Muttersprachler die Dialoge in realitätsnahen Szenarien prüfen. Beachten Sie: Ein Chatbot, der in einer Sprache hervorragend funktioniert, kann in einer anderen aufgrund fehlender Daten oder kultureller Missverständnisse scheitern. Planen Sie daher ausreichend Zeit für die Qualitätssicherung in jeder Zielsprache ein.

Spezifische Anforderungen an Trainingsdaten für 24 EU-Sprachen

Die Aufbereitung von Trainingsdaten für einen Chatbot in 24 EU-Sprachen stellt besondere Anforderungen, die über die reine Mengenlehre hinausgehen. Jede Sprache bringt eigene grammatikalische Strukturen, Wortbildungen und Schriftsysteme mit sich. Während für Deutsch die Groß- und Kleinschreibung sowie zusammengesetzte Nomen wichtig sind, müssen Sie für Sprachen wie Finnisch oder Ungarisch die reiche Kasusbildung beachten. Polnisch und Tschechisch haben komplexe Konjugationsmuster, die die Intent-Erkennung beeinflussen. Zudem gibt es sprachspezifische Zeichen: Die spanische „¿“-Einleitung bei Fragen oder die französischen Akzente sind elementar für das Verständnis.

Eine zentrale Herausforderung ist die Datenverfügbarkeit: Für Hochsprachen wie Englisch, Deutsch oder Französisch existieren umfangreiche Korpora, während für Sprachen wie Maltesisch, Irisch oder Lettisch nur begrenzt öffentliche Datensätze vorliegen. In der Praxis müssen Sie daher oft synthetische Daten generieren oder vorhandene Daten durch professionelle Übersetzer anreichern lassen. Dabei ist es wichtig, nicht einfach zu übersetzen, sondern die Äußerungen an die typische Sprechweise in der Zielsprache anzupassen. Beispielsweise wird im Niederländischen häufiger die indirekte Rede verwendet, während im Italienischen direkte und emotionale Formulierungen üblich sind.

Ein weiterer Aspekt ist die Balance der Daten: Ein Chatbot, der für 24 Sprachen trainiert wird, darf nicht dazu neigen, auf Sprachen mit mehr Trainingsbeispielen zu überoptimieren. Sie sollten daher die Datenmengen pro Sprache ähnlich halten – oder Gewichtungen im Training vornehmen. Technisch können Sie Techniken wie das Oversampling kleinerer Sprachen oder die Verwendung von sprachspezifischen Embeddings einsetzen. Außerdem empfehlen wir, für jede Sprache eine separate Validierungsmenge zu reservieren, um die Erkennungsleistung zu messen. Fehleranalysen zeigen oft, dass bestimmte Intents in einer Sprache schlechter erkannt werden – das erfordert eine gezielte Nachbesserung der Trainingsdaten.

Praktische Handlungsempfehlung: Erstellen Sie ein sprachspezifisches Styleguide, das Normen für Schreibweise, Anrede, Datums- und Zahlenformate sowie kulturelle Besonderheiten festlegt. Nutzen Sie für die Datenerhebung mehrsprachige Crowdsourcing-Plattformen oder arbeiten Sie mit lokalen Agenturen zusammen. Prüfen Sie regelmäßig die Datenqualität durch Stichproben – insbesondere bei automatisch generierten Übersetzungen ist eine manuelle Korrektur unerlässlich. Nur so stellen Sie sicher, dass der Chatbot in jeder EU-Sprache zuverlässig funktioniert.

Methoden zur Datenerhebung und synthetischen Datenerzeugung

Für einen Chatbot, der in 24 EU-Sprachen trainiert werden soll, stehen zwei Hauptwege zur Datengewinnung offen: die Erhebung realer Nutzerdaten und die synthetische Erzeugung von Trainingsbeispielen. Beide Methoden haben ihre Berechtigung, sollten aber kombiniert werden, um eine ausreichende Abdeckung und Qualität zu erreichen. Reale Daten können aus bestehenden Kundenservice-Logs, Chatprotokollen oder Feedback-Formularen gewonnen werden. Achten Sie dabei auf Datenschutz – insbesondere die DSGVO verlangt eine Anonymisierung personenbezogener Daten. Aus Erfahrung sind reale Daten besonders wertvoll, weil sie die tatsächliche Sprachverwendung der Nutzer widerspiegeln, inklusive Tippfehlern, Umgangssprache und Abkürzungen.

Da reale Daten oft ungleich verteilt sind – für einige Intents gibt es viele Beispiele, für andere wenige – ist die synthetische Datenerzeugung ein wichtiges Werkzeug. Dabei generieren Sie systematisch Variationen von Äußerungen auf Basis von Vorlagen oder Regeln. Beispielsweise können Sie aus einem Satz wie „Ich möchte mein Passwort zurücksetzen“ durch Austausch von Synonymen, Umstellungen oder Hinzufügen von Füllwörtern Dutzende Varianten erzeugen. Für die 24 EU-Sprachen sollten diese Vorlagen von Muttersprachlern erstellt werden, da einfache Übersetzungen nicht alle sprachlichen Nuancen abdecken. Tools wie NLU-Augmentierungsbibliotheken (z. B. Rasa NLU’s Data Generator) erlauben eine teilautomatisierte Erstellung, jedoch ist eine manuelle Qualitätskontrolle in jeder Sprache notwendig.

Eine weitere Methode ist das Paraphrasing mit Hilfe von vortrainierten Sprachmodellen. Dabei wird ein vorhandener Satz in der Zielsprache umformuliert, ohne die Bedeutung zu ändern. Dies kann besonders effizient sein, wenn Sie bereits eine Basis von korrekten Äußerungen haben. Achtung: Die Ergebnisse sind nicht immer perfekt – insbesondere bei komplexen Satzstrukturen oder idiomatischen Wendungen können Fehler auftreten. Wir empfehlen, generierte Daten von einem Muttersprachler prüfen zu lassen, bevor sie in den Trainingsdatensatz aufgenommen werden. Zudem sollten Sie einen Teil der synthetischen Daten als negative Beispiele verwenden – also Äußerungen, die nicht zu einem Intent gehören – um die Robustheit des Modells zu erhöhen.

Abschließend ein praktischer Tipp: Etablieren Sie einen kontinuierlichen Verbesserungsprozess. Nach der ersten Auslieferung des Chatbots sammeln Sie weiterhin echte Nutzeranfragen – vor allem solche, die zu einer Fehler- oder Fallback-Antwort geführt haben. Diese Daten können Sie nach manueller Annotation in den Trainingspool einfließen lassen. So verbessert sich die Erkennungsleistung in jeder Sprache mit der Zeit. Investieren Sie in ein gutes Datenmanagement-Tool, das den Überblick über die verschiedenen Sprachversionen und Versionen der Trainingsdaten behält – das ist bei 24 Sprachen unverzichtbar.

Übersetzungsstrategien: Mensch, Maschine und Hybridansätze

Bei der Mehrsprachigkeit eines Chatbots stellt sich die Frage, wie Trainingsdaten, Intents und Antworten in die Zielsprachen übertragen werden. Drei grundlegende Strategien stehen zur Auswahl: rein maschinelle Übersetzung, menschliche Übersetzung sowie hybride Verfahren, die beide Ansätze kombinieren. Jede Variante hat spezifische Vor- und Nachteile, die je nach Sprachpaar, Datenvolumen und Qualitätsanforderung abzuwägen sind.

Die rein maschinelle Übersetzung (z. B. mit generativen KI-Modellen) ist schnell und kostengünstig, stößt aber bei domänenspezifischen Begriffen oder idiomatischen Wendungen an Grenzen. In der Praxis zeigt sich, dass maschinell übersetzte Trainingsdaten häufig zu ungenauen Intent-Erkennungen führen, weil Nuancen verloren gehen. Ein konkretes Beispiel: Der englische Intent "I want to cancel my order" wird maschinell ins Deutsche als "Ich möchte meine Bestellung stornieren" übersetzt – korrekt, aber die alternative Formulierung "Ich will meine Bestellung zurücknehmen" wird eventuell nicht erfasst. Für Sprachen mit geringen Ressourcen wie Maltesisch oder Irisch sinkt die Qualität weiter.

Die menschliche Übersetzung durch Muttersprachler liefert die höchste sprachliche und kulturelle Genauigkeit. Allerdings ist sie aufwendig und teuer, vor allem bei 24 Sprachen. In der Praxis empfiehlt es sich, Schlüsselintents und häufig genutzte Antworten priorisiert von Menschen übersetzen zu lassen, während weniger kritische Daten maschinell vorübersetzt werden. Ein hybrides Vorgehen kombiniert beide Ansätze: Maschinelle Übersetzung für die Rohfassung, gefolgt von einer muttersprachlichen Überprüfung und Anpassung. Dabei sollten die Prüfer nicht nur Fehler korrigieren, sondern auch regionale Varianten berücksichtigen (z. B. "Handy" vs. "Mobiltelefon" im Deutschen).

Für die praktische Umsetzung ist ein gestaffelter Qualitätsprozess empfehlenswert: Zunächst eine maschinelle Basismodellierung, dann Stichprobenprüfung durch je einen Muttersprachler pro Sprache, und anschließend ein kontinuierliches Monitoring der Chatbot-Leistung. Tools zur Translation-Memory-Verwaltung helfen, konsistente Übersetzungen über Updates hinweg zu gewährleisten. Wichtig ist, dass alle Übersetzungen im Kontext des Chatbot-Dialogs validiert werden – isolierte Sätze führen leicht zu Fehlinterpretationen. Rechtlich ist bei personenbezogenen Daten in Trainingsdaten die DSGVO zu beachten; eine Rechtsberatung zur Datenverarbeitung wird empfohlen.

Lokalisierung von Intents und Entities über Sprachgrenzen hinweg

Die Übertragung von Intents und Entities in 24 EU-Sprachen erfordert mehr als reine Übersetzung: Es geht um die Anpassung an sprachspezifische Ausdrucksweisen und grammatikalische Strukturen. Ein Intent wie "Produktrückgabe" muss in jeder Sprache so formuliert sein, dass er von den typischen Nutzeräußerungen abgedeckt wird. In der Praxis zeigt sich, dass direkte Übersetzungen von Intent-Bezeichnungen oft zu kurz greifen, da Nutzer unterschiedliche Formulierungen verwenden.

Für die Intent-Lokalisierung empfiehlt sich ein zweistufiges Vorgehen: (1) Sammlung authentischer Nutzeräußerungen in der Zielsprache, z. B. aus bestehenden Kundenservice-Anfragen oder durch synthetische Generierung. (2) Definition von Paraphrasen, die die Variationsbreite der Sprache abdecken. Ein Beispiel: Der englische Intent "cancel subscription" wird im Deutschen durch Ausdrücke wie "Abonnement kündigen", "Mitgliedschaft beenden" oder "Abbestellung" realisiert. Im Französischen kommen "résilier l'abonnement" und "annuler l'adhésion" hinzu. Diese müssen als separate Trainingsbelege in den Datensatz aufgenommen werden.

Entities – also benannte Entitäten wie Produktnamen, Daten oder Orte – sind oft sprachabhängig. Datumsformate variieren: In Deutschland ist "01.02.2024" üblich, in Malta eher "01/02/2024". Währungen unterscheiden sich: Euro wird zwar in vielen EU-Ländern genutzt, aber die Schreibweise (€ vor oder nach der Zahl) und Dezimaltrenner (Komma vs. Punkt) sind unterschiedlich. In der Praxis müssen Entity-Wörterbücher für jede Sprache separat gepflegt werden. Ein Fehler: Die Entity "Uhrzeit" im 12-Stunden-Format (z. B. "2:30 PM") wird in Schweden nicht verstanden, dort ist 24-Stunden-Format Standard.

Konkrete Handlungsempfehlung: Erstellen Sie je Sprache ein Intent-Entity-Mapping, das jede Intent-Kategorie mit typischen Nutzeräußerungen und dazugehörigen Entities verknüpft. Nutzen Sie für die Entity-Extraktion sprachspezifische Modelle (z. B. spaCy mit entsprechenden Sprachmodellen). Validieren Sie die Abdeckung durch Testdialoge mit muttersprachlichen Nutzern. Ein iterativer Ansatz – erst Basislokalisierung, dann Optimierung anhand von Fehlern im Live-Betrieb – hat sich in der Praxis bewährt. Beachten Sie, dass EU-Sprachen wie Irisch oder Lettisch wenig vortrainierte Modelle haben; hier kann synthetische Datengenerierung mit domänenspezifischen Templates helfen.

Berücksichtigung kultureller und sprachlicher Nuancen

Ein mehrsprachiger Chatbot muss kulturelle Besonderheiten und sprachliche Nuancen berücksichtigen, um Missverständnisse zu vermeiden und Vertrauen aufzubauen. Dies betrifft nicht nur die Übersetzung, sondern auch die Anpassung von Höflichkeitsformen, Humor, Tabuthemen und landesspezifischen Normen. In der Praxis führt die Vernachlässigung solcher Nuancen oft zu Frustration auf Nutzerseite.

Ein zentraler Punkt ist die Anrede: Im Deutschen wird zwischen formellem "Sie" und informellem "Du" unterschieden – in einer geschäftlichen Umgebung ist meist das Sie angemessen, während in jungen Zielgruppen das Du erwünscht sein kann. Im Französischen gibt es "vous" und "tu", im Spanischen "usted" und "tú". Der Chatbot muss entweder konsistent eine Form verwenden oder situativ wechseln können (z. B. abhängig vom Alter des Nutzers). In skandinavischen Ländern ist die informelle Anrede hingegen oft üblich. Ein Beispiel: Ein deutscher Versicherungs-Chatbot, der den Nutzer mit "Du" anspricht, könnte abschreckend wirken; in Schweden wäre dies normal.

Auch sprachliche Tabus und Humor variieren. Was in einer Kultur als harmloser Scherz gilt, kann in einer anderen anstößig wirken. In der Praxis sollten humorvolle Antworten auf ein Minimum reduziert oder kulturell neutral gehalten werden. Symbole und Emojis werden unterschiedlich interpretiert: Ein Thumbs-up-Emoji ist in vielen Ländern positiv, in manchen arabischen Kontexten jedoch beleidigend – für EU-Sprachen weniger relevant, aber bei Nutzern mit Migrationshintergrund zu bedenken. Feiertage und Geschäftszeiten: Ein Chatbot, der automatisch "Frohe Ostern" wünscht, sollte den Feiertagskalender des jeweiligen Landes berücksichtigen (z. B. ist Ostern in Griechenland oft später).

Konkrete Maßnahmen: (1) Erstellen Sie einen kulturellen Leitfaden für jede Zielsprache, der Anredekonventionen, typische Formulierungen in Service-Kontexten und Verbotslisten (z. B. keine politischen Äußerungen) enthält. (2) Testen Sie Antwortmuster mit lokalen Nutzern in Usability-Studien – dabei zeigen sich oft unerwartete Reaktionen. (3) Pflegen Sie eine Datenbank mit sprachspezifischen Redewendungen, die korrekt und kontextgerecht eingesetzt werden. (4) Nutzen Sie Sentiment-Analyse-Modelle, die auf die jeweilige Kultur trainiert sind, um negative Reaktionen frühzeitig zu erkennen. Die Berücksichtigung kultureller Nuancen ist ein fortlaufender Prozess, der regelmäßige Updates braucht – insbesondere bei gesellschaftlichen Veränderungen. Für die rechtliche Zulässigkeit von automatisierten Äußerungen in sensiblen Bereichen (z. B. Finanzen, Gesundheit) ist eine Rechtsberatung einzuholen.

Qualitätssicherung durch muttersprachliche Prüfung

Die Überprüfung durch Muttersprachler ist ein zentraler Schritt, um die Qualität mehrsprachiger Chatbot-Trainingsdaten zu sichern. In der Praxis hat sich gezeigt, dass rein maschinelle Übersetzungen zwar effizient sind, aber oft kulturelle Nuancen oder idiomatische Wendungen übersehen. Daher empfehlen wir, für jede der 24 EU-Sprachen mindestens zwei unabhängige Muttersprachler einzusetzen: einen zur Prüfung der Übersetzungen und einen zur Validierung der Intents und Antworten. Dieser Prozess sollte durch ein klares Styleguide-Dokument unterstützt werden, das Begriffe, Tonfall und sprachliche Konventionen definiert.

Ein bewährtes Vorgehen ist die Erstellung einer Checkliste für die Prüfer. Diese umfasst Aspekte wie orthografische Korrektheit, passende Anredepronomen (z. B. „Sie“ vs. „du“ im Deutschen) und die Einhaltung von Lokalisierungsrichtlinien. Nach der ersten Prüfung wird ein Abgleich zwischen den beiden Prüfern durchgeführt; bei Abweichungen entscheidet ein dritter Experte. In der Praxis reicht dieser Aufwand aus, um eine gleichbleibend hohe Qualität zu erzielen, ohne den Zeitplan zu gefährden. Zusätzlich empfehlen wir, regelmäßig echte Nutzerdialoge zu analysieren, um die Prüfkriterien zu aktualisieren.

Ein weiterer Baustein ist die automatisierte Vorprüfung. Hierbei können Regelwerke für häufige Fehlerquellen wie falsche Kognaten oder unvollständige Pluralformen implementiert werden. Die Ergebnisse dieser Checks dienen als Orientierung für die manuelle Prüfung. Beachten Sie jedoch, dass keine automatisierte Methode die menschliche Bewertung ersetzen kann – insbesondere bei stark kontextabhängigen Formulierungen. Planen Sie daher ausreichend Zeit für die manuelle Prüfung ein. Ein typisches Verhältnis ist ein Prüftag pro 10.000 Wörter Trainingsdaten pro Sprache.

Für die Dokumentation der Prüfergebnisse empfehlen wir eine zentrale Datenbank, in der alle Korrekturen und Begründungen festgehalten werden. So lassen sich wiederkehrende Fehler identifizieren und die Übersetzungsprozesse langfristig optimieren. In der Praxis profitieren Projekte besonders, wenn Muttersprachler auch den generativen Anteil der Antworten prüfen, um eine natürliche Dialogführung sicherzustellen. Die investierte Zeit in die Qualitätssicherung zahlt sich in niedrigeren Fehlerraten im Live-Betrieb aus.

Umgang mit sprachspezifischen Herausforderungen (z.B. Kasus, Genus)

Sprachspezifische Phänomene wie Kasus, Genus oder Polysemie stellen besondere Anforderungen an die Datenaufbereitung für Chatbots. Im Deutschen erfordert die korrekte Verwendung von Artikeln und Pronomen je nach Fall und Geschlecht eine sorgfältige Annotation. Ein typisches Beispiel sind Entitäten, deren Genus in unterschiedlichen Kontexten variiert: „Der Kunde“ gegen „die Kundin“ – hier muss der Chatbot die Flexion in Abhängigkeit vom vorherigen Kontext beherrschen. In der Praxis hat sich bewährt, für jede Sprache eine Liste der häufigsten Flexionsmuster zu erstellen und Trainingsdaten entsprechend zu augmentieren.

Bei slawischen Sprachen wie Polnisch oder Tschechisch kommen sieben Kasus hinzu, die nicht nur Nomen, sondern auch Adjektive und Pronomen beeinflussen. Ein Chatbot, der Anredeformeln verwendet, muss den Vokativ beherrschen (z. B. „Herr Müller“ vs. „Pane Nováku“). Hierfür empfehlen wir, Intent-Beispiele mit verschiedenen grammatischen Formen zu generieren – entweder durch regelbasierte Transformation oder durch synthetische Datenerzeugung mithilfe von Vorlagen. Wichtig ist, dass die Testdaten alle relevanten Kasus und Genera abdecken, um Fehlklassifikationen zu vermeiden.

Zusätzlich zu morphologischen Herausforderungen treten syntaktische Unterschiede auf: Romanische Sprachen neigen zu präpositionalen Ausdrücken, während germanische Sprachen häufige Komposita bilden. Ein mehrsprachiger Chatbot muss solche Muster erkennen können. In der Praxis verwenden wir häufig Entity-Gazetteers, die für jede Sprache spezifische Wortformen und Synonyme auflisten. Zudem sollte das Intent-Modell auf einer repräsentativen Stichprobe von Äußerungen trainiert werden, die diese Variationen abbilden. Ein erfahrungsgemäß effektiver Ansatz ist die Kombination von Transfer Learning mit sprachspezifischen Feinjustierungen.

Für den Umgang mit Gender und Höflichkeitsformen empfehlen wir, klare Entwurfsentscheidungen zu dokumentieren: Soll ein Chatbot generisch maskulin oder geschlechtsneutral formulieren? In skandinavischen Ländern wird oft die genderneutrale Form bevorzugt, während in südeuropäischen Ländern die explizite Differenzierung üblich ist. Planen Sie daher frühzeitig ein Konzept, das diese Unterschiede berücksichtigt, und binden Sie Muttersprachler in die Annotation ein. Eine konsistente Datenaufbereitung verringert später korrektive Eingriffe im Betrieb.

Aufbau einer mehrsprachigen Testdatenbank

Eine mehrsprachige Testdatenbank ist essenziell, um die Qualität eines Chatbots über alle 24 EU-Sprachen hinweg zu bewerten. Sie sollte aus parallelen Testfällen bestehen, die sowohl die Intent-Erkennung als auch die Antwortgenerierung abdecken. In der Praxis empfehlen wir, für jede Sprache einen Satz von mindestens 500 Äußerungen pro Intent zu erstellen, der alle relevanten Variationen enthält. Diese Testfälle müssen unabhängig von den Trainingsdaten sein, um eine realistische Evaluierung zu ermöglichen. Ein Teil der Testfälle kann aus echten Nutzerinteraktionen stammen, der restliche Teil wird synthetisch generiert und von Muttersprachlern validiert.

Die Struktur der Testdatenbank sollte hierarchisch angelegt sein: Oberste Ebene sind die Sprachen, darunter die Intents, gefolgt von Unterkategorien wie Höflichkeitsstufen oder Kasus-Varianten. Jeder Testfall enthält die Äußerung, den erwarteten Intent, die erforderlichen Entitäten und die ideale Antwort. Zusätzlich notieren Sie erwartete Fehlertoleranzen, etwa bei unvollständigen Sätzen. In der Praxis hat es sich bewährt, die Datenbank mit Metadaten zu versehen – zum Beispiel dem Erstellungsdatum, dem Prüfer und der Kategorie (z. B. „Edge Case“). So lassen sich Schwachstellen schnell identifizieren.

Besondere Aufmerksamkeit erfordert das Balancieren der Testdaten zwischen den Sprachen. Kleine Sprachen wie Maltesisch oder Irisch haben oft weniger verfügbare Daten; hier kann augmentiert werden, indem Sie bestehende Testfälle durch Variation von Satzstruktur und Wortwahl vervielfachen. Erfahrungsgemäß sind 300 gut gewählte Testfälle pro Intent in einer kleinen Sprache aussagekräftiger als 1000 unbalancierte in einer großen. Grafische Dashboards helfen, die Abdeckung zu visualisieren und Lücken rechtzeitig zu schließen.

Ein kontinuierlicher Verbesserungsprozess ist notwendig: Führen Sie nach jedem Update neue Testfälle hinzu und entfernen Sie veraltete. Nutzen Sie Fehlerprotokolle aus dem Live-Betrieb, um die Testdatenbank zu erweitern. Legen Sie zudem fest, welche Metriken als Erfolgskriterium dienen – zum Beispiel eine Intent-Trefferquote von über 95 % pro Sprache. Die Testdatenbank sollte versionsverwaltet werden, um Änderungen nachvollziehen zu können. So stellen Sie sicher, dass der Chatbot über alle Sprachgrenzen hinweg zuverlässig agiert.

Iteratives Training und Evaluation für alle Sprachen

Ein mehrsprachiger Chatbot wird nicht mit einem einzigen Trainingsdurchlauf fertig. Stattdessen empfehlen wir einen iterativen Zyklus aus Training, Evaluation und Feinkorrektur für jede der 24 EU-Sprachen. Beginnen Sie mit einem Basismodell, das auf allen Sprachen gleichzeitig trainiert wird, aber achten Sie darauf, dass Sprachen mit weniger Trainingsdaten nicht unterrepräsentiert bleiben. In der Praxis hat sich bewährt, pro Sprache mindestens 500 Beispiele pro Intent zu sammeln, bei komplexeren Absichten (z. B. Support-Tickets) eher 1.000.

Die Evaluation sollte nicht nur auf akkurater Intent-Klassifikation basieren, sondern auch die Qualität der generierten Antworten messen. Nutzen Sie dazu Metriken wie den BLEU-Score für Übersetzungen und die Confidence-Werte des Modells. Wichtiger aber ist ein regelmäßiger manueller Test durch Muttersprachler. Lassen Sie diese Testnutzer echte Dialogszenarien durchspielen und protokollieren, wo der Bot unpassend reagiert. Führen Sie nach jedem Testdurchlauf eine Fehleranalyse durch: Handelt es sich um ein Übersetzungsproblem, fehlende Trainingsdaten oder eine unzureichende Intent-Formulierung?

Für das iterative Training bietet sich eine gestaffelte Rollout-Strategie an: Starten Sie mit einer Pilotsprache (z. B. Deutsch), optimieren Sie den Zyklus, und übertragen Sie das Verfahren dann auf die nächsten Sprachen. Dabei sollten Sie nie mehr als fünf Sprachen parallel trainieren, um die Qualitätssicherung handhabbar zu halten. Dokumentieren Sie jeden Iterationsschritt in einem zentralen Logbuch – inklusive der Änderungen an Trainingsdaten, Modellparametern und Evaluationsergebnissen. So erkennen Sie, welche Anpassungen tatsächlich Verbesserungen brachten.

Konkrete Handlungsempfehlung: Etablieren Sie einen festen Zwei-Wochen-Rhythmus für jedes Sprachupdate. Woche 1: Training und automatisierte Tests. Woche 2: Manuelle Überprüfung durch Muttersprachler und Nachjustieren der Trainingsdaten. Nach drei bis vier Iterationen pro Sprache sinkt erfahrungsgemäß die Fehlerquote auf ein akzeptables Niveau. Planen Sie jedoch für Sprachen mit starken dialektalen Unterschieden (z. B. Portugiesisch mit Brasilien/Portugal) zusätzliche Iterationen ein.

Häufige Fallstricke bei der Skalierung auf 24 Sprachen

Die Skalierung eines Chatbots auf 24 EU-Sprachen bringt spezifische Herausforderungen mit sich. Einer der häufigsten Fallstricke ist die ungleiche Datenverteilung: Während Sie für Englisch oder Deutsch zehntausende Trainingssätze haben, liegen für Sprachen wie Estnisch oder Maltesisch oft nur wenige vor. Dies führt zu einer Verzerrung des Modells – der Bot wird in diesen Sprachen schlechter abschneiden. Vermeiden Sie dies, indem Sie synthetische Daten für unterrepräsentierte Sprachen generieren oder Transfer Learning einsetzen. Achten Sie jedoch darauf, dass synthetische Daten nicht zu künstlich wirken und von Muttersprachlern geprüft werden.

Ein weiteres Problem ist die fehlende Konsistenz der Intents über Sprachgrenzen hinweg. Ein Intent wie „Bestellstatus abfragen“ kann in einer Sprache mehrere Varianten haben („Wo bleibt meine Bestellung?“, „Wann kommt das Paket?“), während in anderen Sprachen eine einzige Formulierung dominiert. Standardisieren Sie Ihre Intents sprachübergreifend, aber passen Sie die Beispielsätze lokal an. Ein simpler Übersetzungsansatz funktioniert nicht, da Wortspiele, Metaphern oder Höflichkeitsformen variieren. Lassen Sie daher für jede Sprache separate Intent-Beispiele von Muttersprachlern erstellen.

Technisch gesehen kann die unterschiedliche Länge von Äußerungen in verschiedenen Sprachen ein Problem darstellen. Finnische oder ungarische Sätze sind tendenziell länger als englische; das Modell kann dies als unterschiedliche Komplexität interpretieren. Trimmen Sie die Eingabelängen einheitlich, oder verwenden Sie ein Tokenizer-Modell, das sprachspezifische Unterschiede berücksichtigt. Zudem sollten Sie auf Entity-Erkennung achten: Datenformate (Datum, Währung, Adressen) variieren stark – ein deutscher Kunde schreibt „10.02.2025“, ein englischer „02/10/2025“. Trainieren Sie Entity-Erkennung sprachspezifisch.

Praktische Empfehlung: Führen Sie vor dem Livegang einen kompletten Systemtest durch, bei dem Sie jeden Intent in jeder Sprache mit mindestens 20 Testfällen prüfen. Nutzen Sie eine Confusion-Matrix, um zu sehen, welche Intents häufig verwechselt werden. Oft sind es semantisch ähnliche Absichten (z. B. „Reklamation“ vs. „Retoure“). Erweitern Sie dann die Trainingsdaten für diese kritischen Paare. Denken Sie auch an Rechtschreibfehler oder dialektale Eingaben – ein robuster Bot muss auch mit „Grias di“ oder „Bonjour à tous“ umgehen können.

Workflow-Integration und geeignete Tools

Um den mehrsprachigen Chatbot effizient zu trainieren und zu warten, ist eine durchdachte Workflow-Integration unerlässlich. Beginnen Sie mit der Auswahl einer Plattform, die mehrsprachige Trainingsdaten nativ unterstützt. Geeignet sind Systeme wie Rasa, Dialogflow oder Microsoft Bot Framework, die eine Trennung von Intents und Antworten je Sprache erlauben. Achten Sie darauf, dass das Tool eine API für Übersetzungen anbietet oder sich leicht mit Übersetzungsdiensten wie DeepL oder der Google Translation API koppeln lässt. Für die Qualitätssicherung empfehlen wir ein Translation-Management-System (TMS), z. B. Phrase oder Lokalise, um Übersetzungen versionieren und von Muttersprachlern prüfen zu lassen.

Der Workflow sollte idealerweise in Ihre CI/CD-Pipeline eingebunden sein. Wenn Sie neue Trainingsdaten hochladen, startet automatisch ein Trainingsprozess, gefolgt von Evaluationstests. Verwenden Sie dafür Tools wie Jenkins, GitLab CI oder GitHub Actions. Definieren Sie Qualitätsschwellen: Bei einem Intent-Confidence-Wert unter 0,7 wird der Build gestoppt und ein Alert an das Team gesendet. So verhindern Sie, dass ein schlecht trainiertes Modell produktiv geht. Protokollieren Sie alle Metriken in einem zentralen Dashboard (z. B. mit Grafana oder Kibana), um den Fortschritt über alle 24 Sprachen hinweg zu überwachen.

Ein häufiges Problem ist das Management der vielen Sprachdateien. Strukturieren Sie Ihr Repository so, dass jede Sprache einen eigenen Ordner mit den Trainingsdaten (z. B. JSON-Dateien mit Intents, Antworten und Entities) erhält. Verwenden Sie einheitliche Namenskonventionen, etwa „intents_de.json“, „intents_fr.json“. Nutzen Sie einen Linter, um Syntaxfehler in den Trainingsdaten automatisch zu erkennen. Für die Zusammenarbeit mit Muttersprachlern eignet sich ein kollaboratives Tool wie Google Sheets oder Airtable, in dem ein Hauptdatensatz gepflegt und dann per Skript in die Trainingsformate exportiert wird.

Konkrete Tool-Empfehlung: Setzen Sie für die initiale Übersetzung einen Hybridansatz aus maschineller Übersetzung (DeepL API) und anschließender manueller Prüfung durch Muttersprachler ein. Die Prüfung selbst kann über ein TMS erfolgen, das den Status jeder Übersetzung anzeigt („Entwurf“, „Geprüft“, „Freigegeben“). Für die Versionierung der Trainingsdaten empfiehlt sich Git mit einem Branch pro Sprache: Jeder Muttersprachler arbeitet auf seinem Branch, merged nach Freigabe in den Hauptzweig. Dokumentieren Sie den gesamten Workflow Schritt für Schritt in einem internen Wiki, damit neue Teammitglieder sich schnell einarbeiten können.

Praxis-Checkliste für die Datenaufbereitung

Die Aufbereitung von Trainingsdaten für einen mehrsprachigen Chatbot in 24 EU-Sprachen erfordert eine strukturierte Vorgehensweise. Nachfolgend finden Sie eine Checkliste, die Sie Schritt für Schritt durch den Prozess führt.

1. **Bestandsaufnahme und Priorisierung**: Ermitteln Sie zunächst, welche Sprachen für Ihr Projekt essenziell sind. Beginnen Sie mit den Sprachen mit dem höchsten Kundenanteil oder Umsatzpotenzial. Erstellen Sie eine Rangliste und planen Sie die Aufbereitung in Wellen – beispielsweise zuerst Deutsch, Englisch, Französisch, Spanisch, Italienisch, dann die weiteren Sprachen. So vermeiden Sie Überlastung und können aus ersten Erfahrungen lernen.

2. **Datenquellen identifizieren und bereinigen**: Nutzen Sie vorhandene Kundendialoge, FAQ-Dokumente und Produktbeschreibungen. Wichtig ist eine gründliche Bereinigung: Entfernen Sie personenbezogene Daten, duplizierte Einträge und irrelevante Texte. Legen Sie ein einheitliches Format fest (z. B. JSON mit Feldern für Intent, Äußerung, Antwort). Dokumentieren Sie alle Schritte, um Nachvollziehbarkeit zu gewährleisten.

3. **Übersetzungsstrategie festlegen**: Entscheiden Sie, ob Sie rein maschinelle Übersetzung (z. B. mit vortrainierten Modellen), menschliche Übersetzung oder einen Hybridansatz verwenden. Für Intents und Entities empfehlen sich muttersprachliche Prüfungen, da Nuancen entscheidend sind. Planen Sie für jede Sprache ein Budget für Korrekturläufe ein – in der Praxis zeigt sich, dass besonders bei Sprachen mit komplexer Grammatik (z. B. Finnisch, Ungarisch) mehrere Iterationen nötig sind.

4. **Synthetische Datenerzeugung**: Für unterrepräsentierte Sprachen generieren Sie synthetische Trainingsdaten. Nutzen Sie Paraphrasierungsmodelle oder Template-basierte Methoden. Achten Sie darauf, dass die generierten Sätze natürlich wirken. Validieren Sie die synthetischen Daten stichprobenartig durch Muttersprachler – erfahrungsgemäß liegt die Akzeptanzrate bei guter Vorbereitung bei über 90 %.

5. **Qualitätssicherung implementieren**: Richten Sie Testsuiten für jede Sprache ein. Definieren Sie Metriken wie Intent-Erkennungsrate und Antwortpassung. Führen Sie regelmäßige Evaluationsdurchläufe mit echten Nutzeranfragen durch. Ein mehrsprachiges Testteam sollte mindestens zwei Personen pro Sprache umfassen, um subjektive Fehler zu minimieren.

6. **Dokumentation und Versionierung**: Halten Sie fest, welche Datenquellen, Übersetzungsmethoden und Qualitätskriterien pro Sprache verwendet wurden. Nutzen Sie Versionierungstools (z. B. DVC oder Git LFS), um Änderungen nachvollziehen zu können. Dies erleichtert spätere Anpassungen und das Debugging von Fehlern.

7. **Kontinuierliche Verbesserung**: Planen Sie nach dem ersten Launch regelmäßige Updates. Sammeln Sie Feedback von Nutzern und analysieren Sie fehlgeschlagene Dialoge. Integrieren Sie diese Erkenntnisse in den Datenaufbereitungsprozess. Ein iterativer Ansatz stellt sicher, dass der Chatbot mit der Zeit präziser wird.

Ausblick: Trends und zukünftige Herausforderungen

Die mehrsprachige Chatbot-Entwicklung steht vor raschen Veränderungen. Drei Trends zeichnen sich ab, die auch die Datenaufbereitung beeinflussen werden.

1. **Multimodale Interaktion**: Chatbots werden zunehmend mit Sprach- und Bilderkennung kombiniert. Für 24 EU-Sprachen bedeutet dies, dass Trainingsdaten nicht nur Text, sondern auch Audiodaten und annotierte Bilder umfassen müssen. Die Lokalisierung von beschreibenden Texten und Dialogmustern wird komplexer. Unternehmen sollten frühzeitig Pilotprojekte starten, um Erfahrungen mit der Datenaufbereitung für multimodale Szenarien zu sammeln – beispielsweise für visuelle FAQ oder sprachgesteuerte Assistenten.

2. **Selbstlernende Systeme**: Fortschritte im verstärkenden Lernen und bei Large Language Models ermöglichen Chatbots, die aus Nutzerinteraktionen lernen. Die Herausforderung liegt darin, diese Lernmechanismen sprachspezifisch zu steuern. Muttersprachliche Tests werden noch wichtiger, um sicherzustellen, dass der Chatbot keine unangemessenen Verhaltensweisen annimmt. Eine mögliche Lösung ist die Kombination von überwachtem Feintuning mit menschlichem Feedback (RLHF) für jede Sprache. Die Datenaufbereitung muss dann kontinuierlich erfolgen, da der Chatbot ständig neue Trainingsbeispiele generiert.

3. **Datenschutz und Ethik**: Mit der EU-KI-Verordnung wachsen die Anforderungen an Transparenz und Fairness. Trainingsdaten müssen dokumentieren, wie sie erhoben wurden und welche Verzerrungen korrigiert wurden. Für Minderheitensprachen und Dialekte (z. B. Katalanisch, Baskisch) ist besondere Sorgfalt geboten, um Diskriminierung zu vermeiden. Unternehmen sollten ethische Richtlinien für die Datenaufbereitung entwickeln und extern prüfen lassen. Zudem wird die Anonymisierung von Daten aufwändiger, da KI-Modelle Muster erkennen können.

4. **Automatisierte Qualitätssicherung**: Neue Tools nutzen KI, um Übersetzungen und Intents automatisch zu bewerten. Diese können die manuelle Prüfung nicht ersetzen, aber beschleunigen. Setzen Sie solche Werkzeuge für die Vorauswahl ein – etwa für die Erkennung offensichtlicher Fehler oder kulturell unpassender Formulierungen. In der Praxis zeigt sich, dass eine Kombination aus automatischer Pre-Checks und stichprobenartiger menschlicher Prüfung die Effizienz steigert.

Eine zentrale Herausforderung bleibt die Skalierbarkeit. Mit 24 Sprachen steigt der Koordinationsaufwand exponentiell. Empfehlenswert ist der Aufbau eines zentralen Datenpools mit sprachspezifischen Erweiterungen. Standardisierte Workflows und klare Verantwortlichkeiten sind essenziell. Zukünftig werden Spezialisten für Sprachdaten in gefragten Positionen sein – investieren Sie in entsprechendes Personal oder Partnerschaften mit Lokalisierungsdienstleistern.

Budget und Aufwandskalkulation für 24 Sprachen

Die Kosten für die mehrsprachige Chatbot-Entwicklung werden oft unterschätzt. Für 24 EU-Sprachen müssen Sie mit einem Vielfachen des Aufwands für eine Einzelsprache rechnen – jedoch nicht linear, da viele Arbeitsschritte (z. B. Intent-Definition, Architektur) einmalig sind. Erfahrungsgemäß entfallen etwa 40% des Budgets auf die Datenerhebung und -aufbereitung, 30% auf Übersetzung und Lokalisierung, 20% auf Qualitätssicherung und 10% auf Integration und Testing.

Bei der Texterstellung für Trainingsdaten sollten Sie pro Sprache und Intent mit 5–15 Beispielsätzen kalkulieren. Bei 100 Intents ergibt das 500–1.500 Sätze pro Sprache. Hinzu kommen Entities, Variationen und Testfälle. Wenn Sie auf professionelle Übersetzer setzen, liegen die Kosten pro Wort je nach Sprachpaar und Fachgebiet zwischen 0,10 und 0,30 Euro. Ein Satz mit 15 Wörtern kostet also 1,50–4,50 Euro. Multipliziert mit 24 Sprachen und 1.000 Sätzen ergibt sich ein Betrag von 36.000 bis 108.000 Euro allein für die Übersetzung. Muttersprachliche Qualitätsprüfung schlägt mit zusätzlich 20–30% zu Buche.

Alternativ können Sie synthetische Daten nutzen (z. B. per KI-generierte Paraphrasen) und nur stichprobenartig prüfen lassen. Der Aufwand sinkt dann auf etwa 10–20% der Vollübersetzung, allerdings riskieren Sie geringere Qualität. Ein hybrider Ansatz – Basisdaten maschinell, Prüfung durch Muttersprachler – stellt einen guten Mittelweg dar.

Planen Sie auch wiederkehrende Kosten ein: Nach dem Launch müssen Sie regelmäßig neue Trainingsdaten erfassen, um auf Kundenfeedback und Sprachwandel zu reagieren. Ein jährliches Update für alle Sprachen kostet schätzungsweise 30–50% der initialen Investition. Berücksichtigen Sie zudem Infrastrukturkosten (Server, API-Kosten) und Personalaufwand für Ihr internes Team. Eine detaillierte Kalkulation mit realistischen Puffern (10–20%) hilft, Budgetüberschreitungen zu vermeiden. Lassen Sie sich von einem Steuerberater oder Projektmanager für Lokalisierung unterstützen, um Förderungen oder steuerliche Abschreibungen zu prüfen.

Zusammenarbeit mit Dienstleistern: Anforderungen und Kommunikation

Die Aufbereitung von Trainingsdaten für 24 EU-Sprachen erfordert in der Praxis oft die Einbindung spezialisierter Dienstleister – von Übersetzern über Lokalisierungsexperten bis hin zu Datenannotatoren. Eine klare Anforderungsdefinition ist der entscheidende erste Schritt. Legen Sie vorab genau fest, welche Datenformate (z. B. JSON, CSV) und Metadaten (Intent-Labels, Entity-Tags) geliefert werden müssen. Definieren Sie Qualitätsstandards: Welche Toleranz bei Übersetzungsfehlern ist akzeptabel? Wie werden kulturelle Nuancen wie Höflichkeitsformen oder regionale Varianten (z. B. europäisches vs. brasilianisches Portugiesisch) behandelt? Kommunizieren Sie diese Spezifikationen in einem Lastenheft oder einer detaillierten Anleitung.

Bei der Auswahl des Dienstleisters sollten Sie auf nachweisbare Erfahrung mit Chatbot-Trainingsdaten und den Zielsprachen achten. Verlangen Sie Referenzprojekte und führen Sie einen Pilotdurchlauf für eine oder zwei Sprachen durch. Testen Sie dabei nicht nur die Übersetzungsqualität, sondern auch die korrekte Umsetzung von Annotationen (Intents, Entities). Erstellen Sie ein Glossar mit zentralen Fachbegriffen, das für alle Sprachen verbindlich ist. Dies verhindert Inkonsistenzen, etwa wenn der gleiche Begriff im Deutschen mal als „Bestellung“ und mal als „Auftrag“ übersetzt wird.

Die Kommunikation während des Projekts sollte strukturiert erfolgen: Richten Sie regelmäßige Sync-Termine ein (z. B. wöchentlich), um offene Fragen zu klären. Nutzen Sie eine gemeinsame Plattform zur Nachverfolgung von Korrekturen – etwa ein Ticket-System oder ein geteiltes Spreadsheet. Achten Sie darauf, dass Feedback-Schleifen kurz sind: Korrekturen sollten idealerweise innerhalb von 1–2 Werktagen umgesetzt werden, um den Trainingsprozess nicht zu verzögern. Bedenken Sie, dass für jede Sprache ein muttersprachlicher Prüfer den finalen Datenbestand abnehmen sollte. Dieser Schritt reduziert das Risiko von sprachlichen Fehlern erheblich.

Rechtlich ist die Datenweitergabe an Dritte zu prüfen: Sofern sensible Kundendaten enthalten sind, muss eine Vertraulichkeitsvereinbarung (NDA) geschlossen werden. Klären Sie zudem, ob der Dienstleister die Daten nach Abschluss löscht oder ob ein späterer Zugriff möglich ist. Ein methodisches Vorgehen bei der Zusammenarbeit spart Zeit und Kosten – erfahrungsgemäß sind 10–15 % des Gesamtbudgets für Koordination und Qualitätskontrolle einzuplanen. Diese Investition zahlt sich durch konsistente, hochwertige Trainingsdaten aus.

Schritt-für-Schritt-Praxisbeispiel: Datenaufbereitung für eine neue Sprache

Angenommen, Ihr Chatbot ist bereits für Deutsch trainiert, und Sie möchten nun Kroatisch als 24. Sprache hinzufügen. Dieses Beispiel skizziert den Prozess von der Bestandsaufnahme bis zur Integration. Schritt 1: Extrahieren Sie alle deutschen Trainingssätze – typischerweise 1.000 bis 2.000 Intents mit je 10–100 Äußerungen. Identifizieren Sie die enthaltenen Entities wie Produktnamen, Daten oder Zahlen. Schritt 2: Bereinigen Sie die Quelldaten: Entfernen Sie Duplikate, korrigieren Sie Rechtschreibfehler und normalisieren Sie Formatierungen. Dieser Schritt ist entscheidend, da Fehler im Deutschen sonst in alle Sprachen übersetzt werden.

Schritt 3: Wählen Sie einen Übersetzungsansatz. Für 24 Sprachen empfiehlt sich ein Hybrid: Maschinelle Übersetzung (z. B. mit einem vortrainierten Modell) für die Rohversion, gefolgt von muttersprachlicher Prüfung. Achten Sie darauf, dass der Übersetzer die Chatbot-Domäne versteht – Fachbegriffe wie „Stornierung“ oder „Retoure“ müssen korrekt lokalisiert werden. Erstellen Sie parallel ein Glossar für kroatische Begriffe, z. B. „otkazivanje“ für Stornierung. Schritt 4: Nach der Übersetzung lassen Sie jeden Satz von einem kroatischen Muttersprachler prüfen. Dieser korrigiert nicht nur Übersetzungsfehler, sondern passt auch kulturelle Eigenheiten an: Im Kroatischen gibt es formelle (Vi) und informelle (Ti) Anrede. Ihr Chatbot sollte je nach Kontext die passende Form wählen. Markieren Sie solche Varianten im Intent-Design.

Schritt 5: Testen Sie die Daten lokal, bevor Sie sie in das Chatbot-Framework einspielen. Simulieren Sie 50–100 typische Nutzeranfragen auf Kroatisch und prüfen Sie, ob der Bot die Intents korrekt erkennt. Identifizieren Sie häufige False Positives, z. B. dass „hvala“ (Danke) fälschlich als „Begrüßung“ klassifiziert wird. Passen Sie die Trainingsdaten entsprechend an. Schritt 6: Führen Sie die neuen Daten mit den bestehenden zusammen und trainieren Sie das Modell iterativ. Evaluieren Sie für Kroatisch mit einer separaten Testdatenbank (mindestens 300 Sätze pro Intent). Ziel ist eine Intent-Erkennungsrate von über 90 % und Entity-F1-Score > 0,85. Falls die Ergebnisse darunter liegen, ergänzen Sie zusätzliche synthetische Äußerungen, z. B. durch Paraphrasierung bestehender Sätze. Die gesamte Aufbereitung für eine Sprache dauert erfahrungsgemäß 2–4 Wochen, abhängig vom Umfang und der Verfügbarkeit von Prüfern.