Shopify
Stripe
Slack
Notion
Google Workspace
Confluence
Entitätenextraktion
Definition
Entitätenextraktion ist das Herausziehen konkreter, strukturierter Informationen — etwa Namen, Bestellnummern, Daten, Produkte oder Beträge — aus unstrukturiertem Text, damit ein System darauf handeln kann.
So funktioniert es
Bei einer Nachricht wie „Ich habe Bestellung #10432 vom 3. März immer noch nicht erhalten“ erkennt die Entitätenextraktion #10432 als Bestellnummer und 3. März als Datum. Klassische Ansätze nutzen Modelle zur Named Entity Recognition (NER); LLM-gestützte Agenten können Entitäten direkt extrahieren und den Feldern zuordnen, die ein Tool erwartet.
Die extrahierten Werte sind das, was ein Agent in ein Custom Tool oder einen API-Aufruf einspeist — eine Bestellung lässt sich nicht nachschlagen, ohne zuerst die Bestellnummer aus dem Satz zu lösen.
Warum sie im Support wichtig ist
Die Entitätenextraktion ist die Brücke zwischen natürlicher Sprache und dem Handeln. Zusammen mit der Intent-Erkennung bringt sie einen KI-Agenten von „der Kunde möchte Bestellung #10432 verfolgen“ zum tatsächlichen Aufruf Ihres Bestellsystems samt Live-Status — der Unterschied zwischen einen Prozess beschreiben und ihn erledigen.
Häufig gefragt
Was ist der Unterschied zwischen Entitätenextraktion und NER?
Named Entity Recognition (NER) ist der klassische Begriff für das Extrahieren von Entitäten wie Personen, Orten und Daten. „Entitätenextraktion“ wird breiter verwendet und umfasst im Support oft eigene Felder wie Bestell- oder Kundennummern.
Warum braucht ein KI-Agent Entitätenextraktion?
Um auf ein Anliegen zu reagieren, muss er die Details — Bestellnummer, E-Mail, Datum — aus dem Fließtext isolieren und an ein Tool oder eine API übergeben. Ohne sie versteht der Agent zwar die Absicht, kann sie aber nicht ausführen.
Verwandte Begriffe
Intent-Erkennung
Intent-Erkennung ist der Vorgang, aus der Nachricht eines Kunden zu bestimmen, was er erreichen möchte – etwa „Sendung verfolgen“, „Rückerstattung anfordern“ oder „Abo kündigen“ –, damit das System sie korrekt weiterleiten oder lösen kann..
Verarbeitung natürlicher Sprache (NLP)
Die Verarbeitung natürlicher Sprache (NLP) ist das Teilgebiet der KI, das Computern ermöglicht, menschliche Sprache zu verstehen, zu interpretieren und zu erzeugen – die Grundlage für Aufgaben wie Intent-Erkennung, Sentimentanalyse und Textklassifikation..
Textklassifikation
Textklassifikation ist die Aufgabe, einem Textstück automatisch eine Kategorie oder ein Label zuzuordnen – etwa ein Support-Ticket nach Thema, Sprache oder Priorität zu kennzeichnen..
Function Calling
Function Calling ist die Fähigkeit eines Sprachmodells, die Ausführung einer vordefinierten Funktion oder API anzufordern — es gibt Funktionsname und strukturierte Argumente zurück —, sodass das Modell Live-Daten holen oder Aktionen auslösen kann, statt nur Text zu erzeugen..
Custom Tools
In Macha erlaubt ein Custom Tool einem KI-Agenten, jeden von Ihnen konfigurierten HTTP-API-Endpunkt aufzurufen — so kann ein Agent Live-Daten lesen oder in einem System handeln, für das Macha keinen fertigen Konnektor hat, ohne auf eine Marketplace-App zu warten..
Setzen Sie diese Ideen ein
Macha ist eine KI-Agent-Schicht, die auf dem Help Desk sitzt, den Sie schon nutzen, Zendesk, Freshdesk, Front, Intercom oder Gorgias.
Trial starten