{"id":210690,"date":"2026-01-28T16:54:41","date_gmt":"2026-01-28T15:54:41","guid":{"rendered":"https:\/\/liora.io\/de\/?p=210690"},"modified":"2026-08-08T13:26:38","modified_gmt":"2026-08-08T11:26:38","slug":"was-ist-rasa","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/was-ist-rasa","title":{"rendered":"Rasa: Das Open-Source-Toolkit f\u00fcr die Entwicklung Deines KI-Chatbots"},"content":{"rendered":"\n

Rasa ist ein \u00e4u\u00dferst leistungsstarkes Open-Source-Framework, das speziell f\u00fcr Entwickler entwickelt wurde. Erfahre, wie es funktioniert, warum es die Grenzen herk\u00f6mmlicher L\u00f6sungen \u00fcbertrifft und wie Du damit beginnen kannst, ma\u00dfgeschneiderte und sichere KI-Assistenten zu erstellen.<\/strong><\/p>\n\n\n\n

Was ist ein Genspark? Erfahre Hier mehr<\/a><\/div><\/div>\n\n\n\n

Einen Chatbot<\/strong> zu bauen, ist relativ einfach. Doch einen wirklich\u00a0intelligenten, sicheren und konversationellen Assistenten<\/a>\u00a0zu entwickeln, der den Gespr\u00e4chsverlauf \u00fcber mehrere Interaktionen hinweg nachvollziehen kann, ist eine ganz andere Herausforderung. Viele Plattformen versprechen genau das , allerdings nur, wenn Du Dich dauerhaft in ihrem geschlossenen \u00d6kosystem<\/strong> bewegst.<\/p>\n\n\n\n

Bei Rasa<\/strong> ist das anders. Dieses Open-Source-Framework<\/strong> gibt Dir die volle Kontrolle<\/strong> \u00fcber jeden Schritt der Entwicklung. Du kannst leistungsf\u00e4hige Chatbots<\/strong> erschaffen, die exakt auf Deine gesch\u00e4ftlichen Anforderungen<\/strong> zugeschnitten sind , ohne Kompromisse bei Logik<\/strong>, Datenschutz<\/strong> oder Datensouver\u00e4nit\u00e4t<\/strong>. Rasa<\/strong> stellt die Kontrolle wieder in die H\u00e4nde der Entwickler<\/strong>. Hier erf\u00e4hrst Du, wie!<\/p>\n\n\n\n

Was ist Rasa eigentlich?<\/h2>\n\n\n\n

Rasa<\/strong> ist ein Open-Source-Framework<\/strong>, mit dem virtuelle Assistenten<\/strong> entwickelt werden k\u00f6nnen, die in der Lage sind, nat\u00fcrliche Sprache zu verstehen<\/strong> und kontextbezogen mit Nutzern zu interagieren<\/strong>. Das Projekt wurde 2016 von dem Startup Rasa Technologies<\/strong> ins Leben gerufen, um eine ethische<\/strong> und kontrollierbare Alternative<\/strong> zu propriet\u00e4ren Plattformen wie Dialogflow (Google)<\/strong>, Lex (Amazon)<\/strong> oder Watson (IBM)<\/strong> zu bieten.
Mit Rasa beh\u00e4ltst Du die volle Kontrolle \u00fcber Deine Daten, Deinen Code und Deine Gesch\u00e4ftslogik<\/strong>.<\/p>\n\n\n\n

Das Framework basiert auf zwei zentralen Komponenten: Rasa NLU<\/strong> und Rasa Core<\/strong>.<\/p>\n\n\n\n

Der erste Bestandteil,\u00a0NLU (Natural Language Understanding)<\/a>, dient der Analyse von Nachrichten<\/strong> und der Erkennung von Absichten<\/strong>, zum Beispiel \u201eein Ticket buchen\u201c. Au\u00dferdem identifiziert es die relevanten Entit\u00e4ten<\/strong> wie Datum<\/strong>, Zielort<\/strong> oder Uhrzeit<\/strong>.
Rasa Core<\/strong> hingegen steuert den Dialog im Kontext<\/strong> , also den Gespr\u00e4chsverlauf<\/strong>, die auszul\u00f6senden Aktionen<\/strong> und die Antworten<\/strong>.<\/p>\n\n\n\n

Seit 2020<\/strong> sind diese beiden Module in einer einheitlichen L\u00f6sung zusammengef\u00fchrt: Rasa Open Source<\/strong>. F\u00fcr Unternehmen gibt es zus\u00e4tzlich eine professionelle Version, Rasa Pro<\/strong>, die erweiterte Funktionen und Tools bietet.<\/p>\n\n\n\n

Auch interessant: Deepthink-R1 , was ist das?<\/a><\/div><\/div>\n\n\n\n

Was Rasa<\/strong> von anderen L\u00f6sungen unterscheidet, ist der \u201eCode-first\u201c-Ansatz<\/strong>. Gespr\u00e4che werden hier nicht \u00fcber grafische Bl\u00f6cke erstellt, sondern in strukturierten YAML-Dateien<\/strong> definiert. Diese werden anschlie\u00dfend mit Machine-Learning-Modellen<\/strong> trainiert und k\u00f6nnen nach Bedarf mit\u00a0Python<\/a>\u00a0erweitert werden , ein idealer Ansatz f\u00fcr Entwickler- und Data-Teams!<\/strong><\/p>\n\n\n\n

Eine Architektur, die Dir die volle Kontrolle gibt<\/h5>\n\n\n\n

Unter der Haube basiert Rasa<\/strong> auf einer modularen Architektur<\/strong>, die darauf ausgelegt ist, jeden Schritt des Dialogs<\/strong> kontrollierbar und trainierbar zu machen. Anstatt auf \u201eDrag & Drop\u201c-Bauk\u00e4sten<\/strong> zu setzen, arbeitet Rasa mit einer programmierten und individuell anpassbaren Logik<\/strong>, die f\u00fcr st\u00e4ndige Weiterentwicklung und Skalierbarkeit<\/strong> entwickelt wurde.<\/p>\n\n\n\n

Alles beginnt mit Rasa NLU<\/strong>, der Engine zum Verst\u00e4ndnis nat\u00fcrlicher Sprache<\/strong>. Sie nimmt eine Nachricht als Eingabe , zum Beispiel:<\/p>\n\n\n\n

\n

\u201eIch m\u00f6chte n\u00e4chsten Dienstag einen Flug nach Tokio buchen.\u201c<\/p>\n<\/blockquote>\n\n\n\n

Rasa extrahiert daraus zwei Elemente: die Absicht<\/strong> (also was der Nutzer tun m\u00f6chte , hier: einen Flug buchen<\/em>) und die Entit\u00e4ten<\/strong> (zum Beispiel Ziel: Tokio<\/em> und Datum: Dienstag<\/em>).<\/p>\n\n\n\n

Diese Elemente werden in einer YAML-Datei namens nlu.yml<\/code><\/strong> definiert, die Beispiele f\u00fcr Trainings\u00e4u\u00dferungen<\/strong> enth\u00e4lt. Anschlie\u00dfend nutzt Rasa Machine-Learning-Modelle<\/strong>, um die Erkennung zu verallgemeinern<\/strong> und auf neue Eingaben anzuwenden.<\/p>\n\n\n\n

Sobald die Nachricht verstanden ist, \u00fcbernimmt Rasa Core<\/strong>. Es ber\u00fccksichtigt den Dialogverlauf<\/strong>, Konversationsregeln (rules.yml<\/code>)<\/strong>, Szenarien oder Geschichten (stories.yml<\/code>)<\/strong> sowie ML-Politiken<\/strong> wie MemorizationPolicy<\/strong> oder TEDPolicy<\/strong>. So wird bestimmt, welche Aktion als N\u00e4chstes ausgef\u00fchrt wird<\/strong> , etwa eine Antwort geben<\/strong>, eine R\u00fcckfrage stellen<\/strong> oder eine\u00a0API<\/a>\u00a0aufrufen<\/strong>.<\/p>\n\n\n\n

Die Aktionen<\/strong> selbst sind in der Datei domain.yml<\/code><\/strong> definiert und k\u00f6nnen \u00fcber benutzerdefinierte Python-Skripte<\/strong> in actions.py<\/code><\/strong> erweitert werden.
Das Ergebnis ist eine flexible<\/strong>, anpassungsf\u00e4hige<\/strong> und dynamische Konversationslogik<\/strong>, die selbst komplexe Dialogverl\u00e4ufe mit mehreren Wendungen<\/strong> meistern kann , etwas, das starre Chatbot-L\u00f6sungen kaum leisten.<\/p>\n\n\n\n

Hier erf\u00e4hrst du etwas \u00fcber Voice-Agents<\/a><\/div><\/div>\n\n\n\n\n\n

Warum Du Dich f\u00fcr Rasa statt Dialogflow oder Lex entscheiden solltest<\/h2>\n\n\n\n

W\u00e4hrend Plattformen wie Dialogflow (Google)<\/strong>, Lex (Amazon)<\/strong> oder Watson (IBM)<\/strong> auf Schnelligkeit beim Start<\/strong> und einfache Einrichtung setzen, legt Rasa<\/strong> den Fokus auf funktionale Tiefe<\/strong>, Flexibilit\u00e4t<\/strong> und Unabh\u00e4ngigkeit<\/strong>.
Du kannst Rasa lokal<\/strong>, auf eigenen Servern<\/strong> oder in einer Cloud Deiner Wahl<\/strong> installieren , ganz ohne Abh\u00e4ngigkeit von externen Anbietern oder Risiko von Datenlecks<\/strong> zu Drittplattformen. Das ist besonders wichtig in sensiblen Branchen<\/strong> wie Finanzen<\/strong>, Gesundheitswesen<\/strong> oder \u00f6ffentlicher Verwaltung<\/strong>.<\/p>\n\n\n\n

Ein weiterer entscheidender Vorteil: ma\u00dfgeschneiderte Gesch\u00e4ftslogik<\/strong>.<\/p>\n\n\n\n

Dank der Python-Aktionen<\/strong> kannst Du komplexe Regeln<\/strong>, API-Aufrufe<\/strong>, Berechnungen<\/strong>, Validierungen<\/strong> oder Datenbankzugriffe<\/strong> integrieren , also alles, was weit \u00fcber eine einfache FAQ-Struktur<\/strong> hinausgeht. Ein Rasa-Bot<\/strong> kann dadurch zu einem echten digitalen Gesch\u00e4ftsagenten<\/strong> werden.<\/p>\n\n\n\n

Und das Beste: Es gibt keine Blackbox<\/strong>. Keine undurchsichtige Schnittstelle, keine versteckten Prozesse , alles ist im Code<\/strong>. Du siehst genau, was passiert<\/strong>, kannst Konversationen versionieren<\/strong>, Deinen Assistenten testen<\/strong> und kontinuierlich verbessern<\/strong>.<\/p>\n\n\n\n

Mit Rasa baust Du nicht einfach nur Chatbots , Du etablierst eine echte\u00a0\u00a0DevOps-Kultur<\/a>\u00a0f\u00fcr intelligente, kontrollierte Konversationssysteme<\/strong>.<\/p>\n\n\n\n

Was Du mit Rasa wirklich machen kannst<\/h2>\n\n\n\n

Rasa<\/strong> ist weit mehr als ein Tool, um einen einfachen Chatbot zu erstellen, der nur auf ein paar Fragen antwortet. Dieses Framework<\/strong> erm\u00f6glicht die Entwicklung intelligenter konversationeller Agenten<\/strong>, die interagieren<\/strong>, argumentieren<\/strong>, sich erinnern<\/strong> und aktiv handeln<\/strong> k\u00f6nnen.<\/p>\n\n\n\n

Dank seiner nicht-linearen Dialogstrategien<\/strong> geht Rasa weit \u00fcber das klassische Schema \u201eWenn der Nutzer A sagt, antworte mit B\u201c<\/em> hinaus. Es kann sich an dynamische Gespr\u00e4che<\/strong> anpassen , etwa wenn ein Nutzer pl\u00f6tzlich das Thema wechselt, mehrere Absichten in einer Nachricht<\/strong> \u00e4u\u00dfert oder auf externe Datenquellen<\/strong> reagiert (zum Beispiel Wetter<\/strong>, Lagerbest\u00e4nde<\/strong> oder Kalendereintr\u00e4ge<\/strong>).<\/p>\n\n\n\n

Beginnen Sie Ihre Weiterbildung mit Liora<\/a><\/div><\/div>\n\n\n\n

Damit eignet sich Rasa perfekt f\u00fcr den Aufbau komplexer Assistenten<\/strong> wie Kundenservice-Bots<\/strong>, Recruiting-Assistenten<\/strong>, medizinische Interfaces<\/strong> oder HR-Agenten<\/strong>.<\/p>\n\n\n\n

Dar\u00fcber hinaus kann jede \u201eAntwort\u201c eine Aktion in Python<\/strong> ausl\u00f6sen. Das kann etwa die \u00dcberpr\u00fcfung einer Datenbank<\/strong> sein, um festzustellen, ob ein Produkt verf\u00fcgbar ist. Der Chatbot kann auch E-Mails oder Benachrichtigungen versenden<\/strong>, eine Empfehlungs-Engine<\/strong> integrieren oder einen kompletten Buchungsprozess<\/strong> steuern.
Mit diesen Aktionen<\/strong> wird Dein Bot handlungsf\u00e4hig , er reagiert nicht nur, sondern agiert aktiv<\/strong>.<\/p>\n\n\n\n

Ein weiterer gro\u00dfer Vorteil: Rasa unterst\u00fctzt nativ mehrere Sprachen<\/strong>, sofern die NLU mit den passenden Datens\u00e4tzen<\/strong> trainiert wird. So kannst Du Bots in Franz\u00f6sisch<\/strong>, Englisch<\/strong>, Spanisch<\/strong> oder sogar in formeller oder informeller Sprache<\/strong> entwickeln. Au\u00dferdem l\u00e4sst sich Rasa in nahezu jeden Kommunikationskanal<\/strong> integrieren , von Webchat<\/strong> \u00fcber Messenger<\/strong>, WhatsApp<\/strong> und Slack<\/strong> bis hin zu Microsoft Teams<\/strong>.<\/p>\n\n\n\n

Und falls ein Kanal nicht standardm\u00e4\u00dfig verf\u00fcgbar ist, kannst Du Deinen eigenen Connector programmieren<\/strong>.<\/p>\n\n\n\n\n\n

Einige praxisnahe Anwendungsbeispiele<\/h3>\n\n\n\n

In vielen kritischen Branchen<\/strong> wird Rasa<\/strong> bereits im gro\u00dfen Ma\u00dfstab<\/strong> eingesetzt , dort, wo Sicherheit<\/strong>, Flexibilit\u00e4t<\/strong> und eine ma\u00dfgeschneiderte Gesch\u00e4ftslogik<\/strong> unverzichtbar sind.<\/p>\n\n\n\n

Ein Krankenhaus<\/strong> k\u00f6nnte zum Beispiel einen Rasa-Chatbot<\/strong> einsetzen, der mit Patienten kommuniziert<\/strong>, Symptome versteht<\/strong>, eine erste Einsch\u00e4tzung<\/strong> vornimmt und sie an die richtige Abteilung weiterleitet<\/strong>.
Das alles geschieht unter Einhaltung strenger Datenschutz- und Vertraulichkeitsregeln<\/strong>, da der Bot intern gehostet<\/strong> werden kann , ohne Abh\u00e4ngigkeit von amerikanischen Cloud-Diensten<\/strong>.<\/p>\n\n\n\n

Auch Finanzinstitute<\/strong> setzen Rasa ein, um Kundensupport<\/strong> bei sensiblen und wertvollen Aufgaben zu automatisieren , etwa bei Schadensmeldungen<\/strong>, Adress\u00e4nderungen<\/strong>, der Aktualisierung von Bankdaten<\/strong> oder dem Versand von Bescheinigungen<\/strong>.
Jede dieser Aktionen ist an klare Regeln<\/strong>, Authentifizierungsprozesse<\/strong> und API-Aufrufe<\/strong> gebunden , etwas, das ein einfacher\u00a0No-Code-Chatbot<\/a>\u00a0in der Regel nicht leisten kann.<\/p>\n\n\n\n

Data Scientist Weiterbildung entdecken<\/a><\/div><\/div>\n\n\n\n

Im Einzelhandel<\/strong> wiederum l\u00e4sst sich Rasa<\/strong> nahtlos in ein E-Commerce-CMS<\/strong> integrieren. So kann ein virtueller Assistent den Lagerbestand in Echtzeit abfragen<\/strong>, Produktempfehlungen<\/strong> auf Basis des Nutzerprofils<\/strong> geben und gleichzeitig Bestellungen verfolgen<\/strong> oder R\u00fccksendungen verwalten<\/strong>.<\/p>\n\n\n\n

Das Ergebnis: erweiterter Kundenservice<\/strong> mit einer intuitiveren Benutzeroberfl\u00e4che<\/strong> als herk\u00f6mmliche FAQs.<\/p>\n\n\n\n

Ein \u00e4u\u00dferst vielseitiges \u00d6kosystem<\/h2>\n\n\n\n

Was Rasa<\/strong> so leistungsstark<\/strong> macht, ist das umfangreiche \u00d6kosystem<\/strong>, das sich rund um das Framework entwickelt hat. Ein Chatbot<\/strong> besteht schlie\u00dflich nicht nur aus Natural Language Processing (NLP)<\/strong> , entscheidend sind auch Training<\/strong>, Tests<\/strong> und kontinuierliche Iteration<\/strong>. Und genau darauf ist Rasa bestens vorbereitet.<\/p>\n\n\n\n

Die grafische Benutzeroberfl\u00e4che Rasa X<\/strong> erm\u00f6glicht es, reale Konversationen zu visualisieren<\/strong> und Fehler in der Erkennung von Intentionen oder Entit\u00e4ten<\/strong> schnell zu korrigieren. Au\u00dferdem kannst Du damit neue Trainingsdaten hinzuf\u00fcgen<\/strong> oder Gespr\u00e4che unter realen Bedingungen testen<\/strong>, um Deinen Assistenten gezielt zu verbessern.<\/p>\n\n\n\n

Auch bei den\u00a0NLP-Modellen<\/a>\u00a0zeigt sich Rasa besonders flexibel<\/strong>. Du kannst die integrierten Pipelines<\/strong> wie CountVectorizer<\/strong> oder DIETClassifier<\/strong> verwenden, oder externe Sprachmodelle wie spaCy<\/strong> einbinden. F\u00fcr besonders leistungsf\u00e4hige Transformer-Modelle , etwa\u00a0BERT<\/a>, RoBERTa<\/strong> oder \u00e4hnliche , steht die Integration von\u00a0Hugging Face Transformers<\/a>\u00a0bereit. So kannst Du den Feinheitsgrad (Raffinement)<\/strong> Deines Bots individuell an Deine Anforderungen und Ressourcen<\/strong> anpassen.<\/p>\n\n\n\n

Ein weiterer gro\u00dfer Vorteil: Rasa profitiert von einer engagierten technischen Community<\/strong>. Sie bietet klare Dokumentation<\/strong>, konkrete Beispiele<\/strong>, ein aktives Forum<\/strong> und zahlreiche Community-Erweiterungen<\/strong>, die kontinuierlich neue Funktionen hinzuf\u00fcgen.<\/p>\n\n\n\n

F\u00fcr Unternehmen gibt es zudem die Rasa Pro-Version<\/strong> mit dediziertem Support<\/strong>, erweitertem Monitoring<\/strong>, Clustering<\/strong>, Analysen<\/strong> und vielem mehr , ideal f\u00fcr den professionellen Einsatz im gro\u00dfen Ma\u00dfstab<\/strong>.<\/p>\n\n\n\n\n\n

Rasa selbst ausprobieren: Wo solltest Du anfangen?<\/h2>\n\n\n\n

Um Rasa<\/strong> richtig zu nutzen, brauchst Du ein gewisses technisches Grundverst\u00e4ndnis<\/strong>. Du musst kein\u00a0erfahrener Data Scientist<\/a>\u00a0sein, aber Grundkenntnisse in Python<\/strong> und eine Vertrautheit mit NLP-Konzepten<\/strong> sind sehr hilfreich.<\/p>\n\n\n\n

Data Scientist Weiterbildung entdecken<\/a><\/div><\/div>\n\n\n\n

Der Einstieg ist dennoch einfach:
Um lokal einen funktionsf\u00e4higen Demo-Bot<\/strong> mit NLU<\/strong>, Core<\/strong> und benutzerdefinierten Aktionen<\/strong> zu starten, gen\u00fcgt der Befehl<\/p>\n\n\n\n

\n

pip install rasa<\/code>
gefolgt von
rasa init<\/code><\/p>\n<\/blockquote>\n\n\n\n

Das ist der beste Weg, um die Architektur des Projekts<\/strong> kennenzulernen. Du arbeitest anschlie\u00dfend mit YAML-Dateien<\/strong> wie nlu.yml<\/code>, stories.yml<\/code>, rules.yml<\/code>, domain.yml<\/code> oder actions.py<\/code>.<\/p>\n\n\n\n

Hier zeigt sich die wahre \u201eCode-first\u201c-Philosophie von Rasa<\/strong>: Alles ist versionierbar<\/strong>, modular<\/strong> und transparent<\/strong>. Du kannst klein beginnen , etwa mit einem einfachen Frage-Antwort-Bot<\/strong> und einigen Intents<\/strong> , und Dein Projekt Schritt f\u00fcr Schritt erweitern: um komplexe Gespr\u00e4chsverl\u00e4ufe<\/strong>, API-Aufrufe<\/strong>, kontextabh\u00e4ngige Aktionen<\/strong>, mehrsprachige Dialoge<\/strong> oder mehrere Kommunikationskan\u00e4le<\/strong>.<\/p>\n\n\n\n

Mit Rasa hast Du die volle Freiheit, Deinen Chatbot genau so zu gestalten, wie Du ihn brauchst.<\/p>\n\n\n\n

Um richtig genutzt zu werden, erfordert Rasa ein gewisses technisches Grundwissen. Du musst kein \u00a0sein, aber Grundkenntnisse in Python<\/strong> und eine Vertrautheit mit NLP<\/strong> sind empfehlenswert.<\/p>\n\n\n\n

Um lokal einen funktionsf\u00e4higen Demo-Bot mit NLU, Core und benutzerdefinierten Aktionen zu starten, gen\u00fcgt ein einfaches \u201epip install rasa\u201c<\/strong>, gefolgt von \u201erasa init\u201c<\/strong>. Das ist die beste M\u00f6glichkeit, die Architektur des Projekts kennenzulernen. Du wirst dann dazu gebracht, yml-Dateien wie nlu, stories, rules, domain, actions<\/i> zu verwenden\u2026<\/p>\n\n\n\n

Hier sp\u00fcrt man wirklich die \u201eCode-first\u201c-Philosophie von Rasa: Alles ist versionierbar<\/strong>, modular<\/strong>, transparent<\/strong>. Du kannst einfach beginnen mit einem Fragen-Antwort-Bot<\/strong> mit einigen Intents und dann komplexe Geschichten, API-Aufrufe, kontextuelle Aktionen, mehrere Sprachen oder mehrere Kan\u00e4le hinzuf\u00fcgen\u2026<\/p>\n\n\n\n

Fazit: Rasa : das Python-Framework f\u00fcr ma\u00dfgeschneiderte Chatbots<\/h2>\n\n\n\n

Einen intelligenten Chatbot<\/strong> zu entwickeln, bedeutet oft, zwischen Leistung<\/strong> und Einfachheit<\/strong> zu w\u00e4hlen.
Mit Rasa<\/strong> musst Du diesen Kompromiss nicht eingehen. Du beh\u00e4ltst die volle Kontrolle \u00fcber Deine Daten<\/strong>, Deine Modelle<\/strong> und Deine Dialoglogik<\/strong>.<\/p>\n\n\n\n

Data Scientist Weiterbildung entdecken<\/a><\/div><\/div>\n\n\n\n

Besonders spannend ist die Vision hinter Rasa<\/strong>: W\u00e4hrend viele Plattformen auf kurzfristige Einfachheit<\/strong> setzen, legt Rasa Wert auf langfristige Kontrollierbarkeit<\/strong> und Nachhaltigkeit<\/strong>.
Du entwickelst keinen Wegwerf-Assistenten, sondern ein evolvierendes konversationelles System<\/strong>, das tief in Deine Gesch\u00e4ftslogik<\/strong> integriert ist.
Es ist ein Werkzeug, das Dich dazu anregt, zu denken<\/strong>, zu strukturieren<\/strong> und zu programmieren<\/strong> , und Dir gleichzeitig alle M\u00f6glichkeiten offenl\u00e4sst: vom einfachen FAQ-Bot<\/strong> bis hin zum intelligenten Agenten<\/strong>, der vollst\u00e4ndig in Dein Informationssystem (IS)<\/strong> integriert ist.<\/p>\n\n\n\n

Wenn Du lernen m\u00f6chtest, Deine eigenen KI-Assistenten zu entwickeln<\/strong>, kannst Du Dich mit Liora<\/strong> weiterbilden.
Unsere Weiterbildung in K\u00fcnstlicher Intelligenz (KI)<\/strong> vermittelt Dir alle zentralen Kompetenzen<\/strong>, die Du daf\u00fcr brauchst: Natural Language Processing (NLP)<\/strong>,\u00a0Machine Learning<\/a>,\u00a0Deep Learning<\/a>, Modellierung und nat\u00fcrlich\u00a0Python<\/a>.<\/p>\n\n\n\n

Dank unserer praxisorientierten Didaktik<\/strong> und realen Projekten<\/strong> wirst Du in der Lage sein, intelligente Systeme zu entwickeln, zu trainieren und bereitzustellen<\/strong> , genau wie es mit Rasa m\u00f6glich ist.
Unsere Kurse sind als BootCamp oder als berufsbegleitendes Teilzeitformat verf\u00fcgbar<\/a>\u00a0und k\u00f6nnen \u00fcber den Bildungsgutschein der Agentur f\u00fcr Arbeit finanziert werden.<\/p>\n\n\n\n

Mach jetzt den n\u00e4chsten Schritt , und bereite Dich mit Liora<\/strong> auf die KI von heute und morgen<\/strong> vor.<\/p>\n\n\n\n\n\n

Du kennst nun alle Grundlagen zu Rasa<\/strong>. Erfahre mehr in unseren Artikeln \u00fcber Natural Language Processing (NLP)<\/a>\u00a0und\u00a0spaCy<\/a>, um Dein Wissen weiter zu vertiefen.<\/p>\n\n","protected":false},"excerpt":{"rendered":"

Rasa ist ein \u00e4u\u00dferst leistungsstarkes Open-Source-Framework, das speziell f\u00fcr Entwickler entwickelt wurde. Erfahre, wie es funktioniert, warum es die Grenzen herk\u00f6mmlicher L\u00f6sungen \u00fcbertrifft und wie Du damit beginnen kannst, ma\u00dfgeschneiderte und sichere KI-Assistenten zu erstellen.<\/p>\n","protected":false},"author":85,"featured_media":210692,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-210690","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/210690","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/85"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=210690"}],"version-history":[{"count":5,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/210690\/revisions"}],"predecessor-version":[{"id":225421,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/210690\/revisions\/225421"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/210692"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=210690"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=210690"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}