Kurzfassung Kontext: Software-Dienstleister bieten maßgeschneiderte Lösungen für Ihre Kunden an. Sie benötigen jedoch viele Ressourcen, um die Anforderungen der Kunden zu analysieren und zu bewerten. Daraus entsteht ein Interesse, diesen Prozess zu automatisieren. Zielsetzung: Ziel ist die Entwicklung von Klassifikatoren, die die Relevanz von bestimmten Software- Anforderungen eines Softwareprojektes aus den Beschreibungen der Projektanfragen bestimmen können. Dabei sollen verschiedene Machine-Learning- und Deep-Learning-Modelle miteinander verglichen werden, um so deren Eignung für die Klassifizierungsaufgaben bewerten zu können. Methodik: Es wird eine NLP-Pipeline erstellt, die die gegebenen Projektbeschreibungen vorverarbeitet, um sie dann für Klassifikatoren verwenden zu können. Anschließend wird eine Hyperparameteroptimierung über alle Modelle und alle Klassifizierungsaufgaben durchgeführt. Ergebnisse: Die Machine-Learning- und Deep-Learning-Modelle erreichen eine ähnlich gute Performance. Am besten schneiden die Modelle bert-base-german-cased, bert-base-multilingual-cased ab. Jedoch erzielt auch der Multinomial Naive Bayes ähnlich gute Ergebnisse.