Praxisleitfaden · Katalogkennzeichnungen
Von Rohtext zu Tags: Prompt- und Qualitätsleitfaden für konsistente Katalogkennzeichnungen
Viele Kataloge starten mit unstrukturiertem Rohtext: Produktbeschreibungen, technische Notizen, Metadaten-Mischformen. KI kann daraus Tags ableiten. Aber die Nutzerfreundlichkeit und die Trefferquote hängen daran, ob diese Tags konsistent, prüfbar und an eure Produktlogik gebunden sind. Der Schlüssel ist ein sauberes Prompt-Design und ein Qualitätsprozess, der Output in Grenzen hält.
Zielbild
- Einheitliche Tag-Struktur (gleiche Reihenfolge, gleiche Granularität, gleiche Schreibweise)
- Prüfbarkeit (jeder Tag ist auf Textstellen rückführbar)
- Planbare Abweichungen (Defizite im Rohtext werden erkannt, nicht „ausgedacht“)
1) Prompt-Blueprint: vom Extrahieren zur Taxonomie-Disziplin
Gute Prompts behandeln Tags nicht als freie Wörter. Formuliert stattdessen eine Taxonomie-Regel: Tag-Typ, zulässige Werte, erlaubte Synonyme, und wie mit Unsicherheit umgegangen wird.
- Kontext geben: Welche Produktkategorie, welche Kundenfragen, welche Tag-Typen (z. B. Material, Farbe, Anwendung, Spezifikation).
- Form verpflichten: „Gib Tags als Liste aus“, mit vorgegebenen Feldern wie tag, type, confidence, evidence.
- Grenzen setzen: Keine Erfindungen. Wenn eine Spezifikation nicht im Rohtext steht, verwende einen klaren „unknown“-Mechanismus.
- Konsistenz operationalisieren: Lege Schreibregeln fest (z. B. Einzahl/Mehrzahl, Groß-/Kleinschreibung, Einheitenformat) und lasse die KI sie einhalten.
2) Qualitätsregeln: Was bedeutet „gut“ bei Katalogkennzeichnungen?
Qualität ist mehr als „sieht passend aus“. Definiert messbare Kriterien: Fachliche Korrektheit, Taxonomie-Konformität, Abdeckung (Recall) und Abwägung von Unsicherheit. Für einen praktikablen Prozess nutzt ihr eine Kombination aus automatischen Checks und manuellen Stichproben.
- Taxonomie-Check: Jeder Tag gehört zu einem erlaubten Typ und folgt dem Wert-Format.
- Evidenz-Check: Evidence bezieht sich auf konkrete Textstellen, nicht auf Vermutungen.
- Einheiten-Check: Maße, Größen und Einheiten sind konsistent formatiert (z. B. „cm“, „mm“, Dezimalstellen).
- Duplikat-Check: Keine semantischen Wiederholungen (z. B. „blau“ und „blue“ bei gleicher Tag-Art).
3) Beispiel-Workflow: Ausgabe in eine kontrollierte Form bringen
In der Praxis hilft ein Zwei-Schritt-Workflow. Schritt 1 extrahiert Kandidaten. Schritt 2 normalisiert und prüft gegen Regeln. So trennt ihr Kreativität (Kandidaten) von Compliance (End-Tags).
Schritt 1
Rohtext → Kandidatenliste mit Evidence und Roh-Konfidenz.
Schritt 2
Kandidaten → normalisierte Tags, Regel-Validierung, „unknown“ bei Lücken.
4) Typische Failure-Modes und Gegenmaßnahmen
Wenn die Tags inkonsistent werden, ist meist nicht die KI das Problem, sondern die fehlende Spezifikation. Hier sind typische Muster, die in Katalogdaten häufig auftreten.
Failure: Synonym-Chaos
Die KI wählt wechselnde Schreibweisen, z. B. „Farbe blau“ vs. „blue“. Gegenmaßnahme: Synonym-Mapping im Prompt und Normalisierung im zweiten Schritt.
Failure: Spezifikationen werden „geraten“
Konfidenz wirkt hoch, obwohl der Rohtext die Information nicht liefert. Gegenmaßnahme: „unknown“-Regel plus Evidenz-Anforderung mit harten Kriterien.
Failure: Unpassende Granularität
Tags mischen Detail-Ebenen. Gegenmaßnahme: pro Tag-Typ definieren, ob ihr eher Kategorien, Attribute oder konkrete Werte taggt.
Nächster Schritt
Wenn du zusätzlich strukturierte Produktattribute und ihre Beziehung zu Tags sauber aufsetzt, hilft dir unser Beitrag zu KI-Tagging für Online-Kataloge.
Zum LeitfadenHinweis: Nutzt diese Anleitung als Prompt- und Qualitätsstartpunkt. Je nach Datenlage und Taxonomie sind Feinschliffe an Tag-Typen, Evidenzregeln und Normalisierungsschritten sinnvoll.