Sieben Fälle, drei Geschlechter und Konsonantenwechsel. Die Flexion des Polnischen zerlegt eine für Englisch entworfene Tokenisierung. Was das für Ihren KI-Einsatz bedeutet.
Bitten Sie ein universelles Sprachmodell, ein formelles Schreiben auf Polnisch zu verfassen, und etwas geht schief, das schwer zu benennen ist, wenn Sie kein Polnisch sprechen, und unmöglich zu übersehen, wenn doch. Die Fallendungen geraten durcheinander, der Aspekt ist falsch, das Register rutscht ins Umgangssprachliche. Der Text ist flüssig genug, um die Prüfung eines Nichtsprechers zu bestehen, und falsch genug, dass ihn kein Pole verschicken würde.
Die Ursache ist strukturell. Das Polnische flektiert Substantive, Adjektive und Zahlwörter über sieben Fälle in zwei Numeri, und Verben über Person, Numerus, Tempus, Modus und Aspekt. Hinzu kommen Stammwechsel, eine freie, informationstragende Wortstellung und eine Aspektunterscheidung, die sich nicht auf die englische Zeitform abbilden lässt. Eine überwiegend auf Englisch trainierte Tokenisierung zerlegt flektierte Formen entgegen den Morphemgrenzen.
In einem realen Einsatz scheitert die Suche an der Flexion: eine Anfrage nach faktura und ein Dokument mit der Form faktury oder fakturze passen möglicherweise nicht zusammen. Die Intentionsklassifizierung fällt bei Paraphrasen ab. Und Generierungsfehler sind für Nichtsprecher unsichtbar, was am gefährlichsten ist: Ein Prüfer, der nicht muttersprachlich Polnisch spricht, lässt einen Text durch, den der Kunde sofort ablehnt.
Was funktioniert: morphologische Analyse und Lemmatisierung vor Indexierung und Intentionsabgleich; eine sprachgerechte Tokenisierung oder das Bewusstsein für ihren Mehraufwand; Evaluierungssätze, die auf Polnisch verfasst und nicht übersetzt sind; Bewertung durch Muttersprachler mit einer Taxonomie sprachlicher Fehler; sowie Grounding auf der Suche statt freier Generierung für alles Wesentliche.
Najczęstsze pytania
- Warum schneiden KI-Modelle im Polnischen schlechter ab als im Englischen?
- Das Polnische ist stark flektierend, mit sieben Fällen, drei Geschlechtern, grammatischem Aspekt und Konsonantenwechseln, sodass ein einzelnes Wort viele Formen erzeugt. Eine auf Englisch trainierte Subwort-Tokenisierung zerlegt diese Formen ungünstig, und polnische Trainingsdaten sind weit knapper.
- Was geht bei der Einführung eines polnischen Chatbots schief?
- Die Suche scheitert, wenn eine flektierte Anfrage nicht zu anders flektierten Dokumenten passt. Die Intentionsklassifizierung fällt ab, weil dieselbe Frage in verschiedenen Fällen wie verschiedene Fragen gelesen wird. Und Fehler bei Fall, Aspekt und Register sind für nicht muttersprachliche Prüfer unsichtbar.
- Kann jemand ohne Polnischkenntnisse die Qualität polnischer KI-Ausgaben beurteilen?
- Nicht zuverlässig. Flüssiges, aber grammatikalisch falsches Polnisch liest sich für einen nicht muttersprachlichen Prüfer als akzeptabel und für einen Muttersprachler als offensichtlich falsch. Die Bewertung polnischer Ausgaben erfordert Evaluatoren auf muttersprachlichem Niveau.