„Guten Tag! Schön, dass Sie da sind…

…kann ich Ihnen behilflich sein?“

Sie kennen diesen Satz bestimmt – denn er taucht immer häufiger auf Websites auf. Ein Chatbot fordert zur Interaktion auf. Meist endet die kurze Konversation aber in Frustration – der Chatbot versteht einfach die Frage nicht. Also Frustbot statt Chatbot.

Text- sowie sprachbasierte Chatbots werden heute bereits in zahlreichen Bereichen wie Social Media, Kundenservice, Websitesuchen etc. eingesetzt. Dazu müssen aber die Anliegen der Benutzer richtig verstanden und entsprechend mit ihren interagiert werden.

Doch welche Voraussetzungen sind dafür nötig damit die Begegnung nicht im Frust endet?

Künstliche Intelligenz (KI) und das Verstehen von Text

Die Verarbeitung unstrukturierter Informationen setzt die Fähigkeit voraus, Inhalte zu verstehen. Oberflächlich betrachtet mag das möglicherweise einfach erscheinen, jedoch gehört der Aufbau eines sinnvollen und zweckmäßigen Dialogs zu den schwierigsten Herausforderungen für die KI und das liegt vor allem an der unvergleichlichen Komplexität der menschlichen Sprache.

Einfache Chatbots, die mittels Entscheidungsbäumen oder Algorithmen auf Fragen reagieren, sind mit regelbasierten Ansätzen dagegen relativ leicht zu erstellen. Diese zeigen im Praxiseinsatz aber immer wieder Schwächen. So eignen sich Anwendungen mit starren vordefinierten Entscheidungspfaden weniger für komplexe Themen und Dialoge. Der Grund dafür ist, dass die natürliche Sprache unstrukturiert ist. Dialekt, Ironie, Mehrdeutigkeit – all das lässt sich allein mit Regeln schwer oder gar nicht erfassen.

Im Gegensatz dazu schaffen komplexere und auf KI basierende Anwendungen mithilfe einer Reihe an unterschiedlichen Technologien eine menschenähnliche Gesprächsinteraktion, also quasi einen ganz normalen Dialog (Coversational Search). Innovative Ansätze der Spracherkennung in Kombination mit maschinellem Lernen haben sich dabei in den letzten Jahren als äußert wirksam erwiesen.

Traningsdaten als Grundlage für NLP und maschinelles Lernen

Damit Maschinen in natürlicher Sprache mit breitem Wortschatz interagieren und eigenständig agieren können, müssen sie lernen – genauso wie auch wir Menschen. 

Damit das funktioniert, muss die Maschine zunächst einmal unsere Sprache verstehen - von grammatikalischen bzw. syntaktischen Grundlagen bis hin zu Semantik und Textzusammenhängen. Hierbei unterstützt Natural Language Processing (NLP). Die Technologie sorgt für das Übersetzen der natürlichen Sprache in Maschinen-Sprache, um Wörter, Sätze, Zusammenhänge und Sachverhalte verstehen zu können.  

Im nächsten Schritt kommt maschinelles Lernen ins Spiel. Hier sorgt ein Algorithmus dafür, dass die Maschine durch Analyse von Daten und von vergangenen Erfahrungen lernt.

Basierend auf diesen Erfahrungen, statistischen Wahrscheinlichkeiten und in Abhängigkeit vom Kontext erstellt die Maschine ihre eigenen Regeln, um bestimmte Muster und Zusammenhänge erkennen zu können.

In diesem Zusammenhang stellen qualitativ hochwertige, repräsentative Trainingsdaten einen nicht zu unterschätzenden Faktor dar - also Texte, die mit einer Annotation versehen wurden. Dieses Schema kann dann auf neue, unbekannte Daten übertragen werden und steuert daher, welche Informationen dem Text für das richtige Verständnis entnommen wird und welche Merkmale zu welchem Zeitpunkt relevant sind. Die Qualität der Vorhersagen und damit die des Dialogs hängt also maßgeblich von der Menge und vor allem Qualität der Daten ab. Nur wenn die Trainingsdaten die Bandbreite der Benutzereingaben widerspiegeln und sich auf reale Anwendungserfahrungen stützen, können die Algorithmen lernen Anfragen richtig zu interpretieren.

Moderne Insight Engines vereinen diese Techniken und erweitern dadurch die klassische Enterprise Search um umfassende KI-Funktionen um Arbeitsabläufe, Geschäftsprozesse zu optimieren bzw. transformieren und Mitarbeiter entlasten.

Wie dies in der Praxis aussieht, erfahren Sie in unserer Case Study Mindbreeze InSpire als Unterstützung des Kundenservice im B2C Bereich.

Case Study öffnen