Klassifikation und Extraktion mit KI

Zwei Werkzeuge, die fast immer greifen

Von allen KI-gestützten Datenqualitäts-Methoden haben zwei das breiteste Einsatzspektrum: Klassifikation und Extraktion. Beide bauen auf der Fähigkeit von Sprachmodellen auf, unstrukturierte Eingaben in strukturierte Ergebnisse zu überführen. Beide wirken sofort, ohne dass ein eigenes Modell trainiert werden muss. Beide sind in der Regel der Einstiegspunkt für Datenqualitäts-Initiativen im Mittelstand.

Klassifikation: Was ist das überhaupt?

Klassifikation beantwortet die Frage: In welche Kategorie gehört dieser Inhalt? Typische Anwendungen:

• Tickets in Service-Warteschlangen (Störung, Frage, Reklamation, Lob).
• E-Mails im Eingang (Bestellanfrage, Reklamation, Werbung, Bewerbung).
• Produkte in einem Katalog (Warengruppen, Unter-Warengruppen, Segmente).
• Leads nach Reifegrad (Informationsphase, Angebotsphase, Entscheidungsphase).
• Dokumente in einer Wissensdatenbank nach Thema.

Sprachmodelle können regelbasierte Verfahren ergänzen, wenn Kategorien über sprachlichen Kontext erkennbar sind. Ob Aufwand und Trefferquote besser ausfallen, muss mit repräsentativen Fällen gegen das bisherige Verfahren getestet werden.

Ein einfaches, aber robustes Muster:

Du bist ein Klassifikator für Support-Tickets. Verfügbare Kategorien sind:

1. „Störung" — technische Fehler an einem ausgelieferten Produkt
2. „Bestellanfrage" — Kunde möchte Ware bestellen, anfragen oder Bestand prüfen
3. „Reklamation" — formal angezeigte Beanstandung mit Erwartung auf Ersatz oder Gutschrift
4. „Sonstiges" — alle Fälle, die nicht in 1-3 fallen

Klassifiziere den folgenden Ticket-Text in genau eine Kategorie. Antworte ausschließlich mit der Zahl und einer kurzen Begründung.

Gute und grenzwertige Beispiele im Prompt heben die Genauigkeit spürbar. Für wiederkehrende Klassifikationen lohnt sich ein Projekt-Prompt in Claude, der diese Regeln dauerhaft hinterlegt.

Extraktion: Felder aus Freitext ziehen

Extraktion beantwortet eine andere Frage: Welche konkreten, strukturierten Felder stecken in diesem Inhalt? Typische Anwendungen:

• Aus einer Bestell-Mail: Artikelnummer, Menge, Lieferadresse, Wunschdatum, Zahlungsart.
• Aus einem PDF-Vertrag: Vertragsnummer, Laufzeit, Kündigungsfrist, Preis, Vertragsparteien.
• Aus einem Lebenslauf: Berufliche Stationen, Abschlüsse, Fähigkeiten, Sprachkenntnisse.
• Aus einer handschriftlichen Notiz: Datum, Kundenname, besprochene Punkte, nächste Schritte.
• Aus einer Preisliste: Produkt, Einheit, Preis, gültig bis, Mengenstaffeln.

Der große Vorteil gegenüber klassischen Regex-basierten Ansätzen: Freitext ist Freitext. Das Modell versteht „bis Ende nächster Woche" als Datum, ohne dass Sie alle denkbaren Schreibweisen aufzählen müssen.

Bewährter Prompt-Ansatz:

Du extrahierst strukturierte Felder aus Kundenanfragen. Gib das Ergebnis als JSON mit folgenden Feldern zurück:

• kundenname (String)
• artikelnummern (Liste von Strings)
• gesamtmenge (Zahl)
• wunschtermin (ISO-Datum YYYY-MM-DD, leer wenn nicht genannt)
• bemerkung (String, maximal 200 Zeichen)

Wenn ein Feld nicht eindeutig genannt ist, setze es auf null. Füge keine erfundenen Werte ein.

Der explizite Hinweis „füge keine erfundenen Werte ein" und die Null-Regel sind die wichtigsten Anti-Halluzinations-Mechanismen in diesem Szenario.

Praxisregeln für zuverlässige Ergebnisse

Vier Regeln, die sich in produktiven Pipelines bewähren:

Regel 1 — Kategorien und Felder eindeutig definieren. Je klarer die Abgrenzung, desto stabiler das Ergebnis. Unscharfe Kategorien („interessante Anfragen") produzieren Schwankungen.

Regel 2 — Gute und grenzwertige Beispiele. Gute Beispiele zeigen, wie ein typischer Fall aussieht. Grenzwertige Beispiele zeigen, wie mit zweideutigen Fällen umgegangen werden soll. Die letzteren heben die Präzision oft mehr als weitere Hauptfälle.

Regel 3 — Klare Ausgabeformate. JSON mit festen Feldern, eindeutigen Datentypen und einer Null-Regel für fehlende Werte. Das macht die Ergebnisse maschinenlesbar und prüfbar.

Regel 4 — Unsicherheits-Signale einfordern. Bei unklaren Fällen soll das Modell das signalisieren — zum Beispiel mit einem zusätzlichen Feld „unsicher: true" oder „konfidenz: niedrig". So können Sie einen Rückkanal für menschliche Prüfung einrichten.

Qualitätssicherung

Drei Ebenen der Qualitätssicherung sind in der Praxis essenziell:

• Stichprobe. Eine feste Stichprobe wird manuell nachgeprüft. Für ein Rechenbeispiel könnten Schwellen von 95 Prozent für Klassifikation und 90 Prozent für Extraktion verwendet werden. Das sind keine allgemeingültigen Zielwerte; Fehlerfolgen und Datenlage bestimmen die passende Schwelle.
• Regel-basierte Plausibilität. Einfache Prüfregeln — zum Beispiel: „Menge ist positiv", „Datum liegt innerhalb des nächsten Jahres", „Artikelnummer existiert im Stammsystem". Fehlerhafte Treffer werden zurückgewiesen oder markiert.
• Rückkanal für unsichere Fälle. Ein klar definierter Workflow, in dem Fälle mit niedriger Konfidenz in eine Prüfqueue fließen und von Menschen entschieden werden.

Diese drei Ebenen unterscheiden ein experimentelles Skript von einem produktiv nutzbaren System.

Typische Einsatzgebiete im Mittelstand

• Kundenservice: Tickets kategorisieren und Felder extrahieren, damit das richtige Team mit der richtigen Information startet.
• Vertrieb: Anfragen in strukturierte Leads überführen — inklusive Mengen, Produkten und Wunschterminen.
• Einkauf: Angebote von Lieferanten in vergleichbare Datenstrukturen bringen, obwohl jedes Angebot anders formatiert ist.
• Recht: Verträge auf Kernfelder extrahieren (Laufzeit, Kündigungsfrist, wesentliche Pflichten), um sie vergleichbar zu machen.
• Controlling: Freitext-Kommentare aus Kundenbefragungen in thematische Cluster einordnen.

Was Sie aus dieser Lektion mitnehmen

Klassifikation und Extraktion sind die zwei zentralen KI-Werkzeuge der Datenqualitäts-Arbeit. Mit klaren Definitionen, guten Beispielen, sauberen Ausgabeformaten und einer disziplinierten Qualitätssicherung werden sie schnell produktiv. In der nächsten Lektion schauen wir uns an, wie sich Duplikate mit KI-Unterstützung sauber erkennen und zusammenführen lassen.