Regel- oder KI-basiert: Die Technologien hinter Chatbots

Die Interaktion zwischen Mensch und Maschine war nicht immer so einfach, wie heute. Erst die Entwicklung des Graphical User Interface (GUI) vor rund 40 Jahren brachte der Allgemeinheit eine einfache Möglichkeit sich mit Computern zu verständigen. Natürlich hat sich innerhalb die letzten vier Jahrzehnte einiges getan. Zahlreiche Werkzeuge und Verfahren bewährten sich, andere wurden wiederum obsolet und durch innovativere und intuitivere ersetzt. Die Entwicklungen im Bereich der Spracherkennung, Sprachsteuerung und künstlichen Intelligenz (KI), machen und machten es für Anwender einfacher mit Endgeräten zu kommunizieren. Diese Fortschritte sowie die daraus resultierende Verbreitung von Sprach- und Chat-Assistenten, haben auch standardisierte Technologieansätze hervorgebracht, die für Unternehmer den Einsatz und für Entwickler die Erstellung von Konversationsanwendungen vereinfachen.

Zu den heute am häufigsten eingesetzten Ansätzen für den Aufbau von Gesprächsanwendungen zählen unter anderem KI- und regelbasierte Ansätze.

Regelbasierte Ansätze

Vor den Errungenschaften im Bereich der künstlichen Intelligenz (KI) und Machine Learning (ML) wurden Konversationsanwendungen meist mittels regelbasierter Ansätze erstellt. Auch heute ist dies noch der schnellste und einfachste Weg, um eine grundlegende Demo eines Sprach- oder Chat-Assistenten zu modellieren.

Regelbasierte Frameworks sind im Wesentlichen in der Lage auf Fragen zu reagieren, für die es feststehende Antworten gibt. Sie stellen ein Gerüst zur Verfügung, um die Logik für die Textverarbeitung zu hosten und leiten Nutzer so durch einen vom Entwickler vordefinierten Entscheidungspfad (Desicion Tree).

Die Kernlogik, um eingehende Anfragen interpretieren und entsprechende Antworten zurückgeben zu können, besteht für gewöhnlich aus unzähligen implementierten Regeln. Entsprechen die Nachrichten, sprich Anfragen einem bestimmten Muster, so werden skriptbasierte Antworten zurückgeliefert. Sie sind so konzipiert, dass sie für jedes identifizierbare Muster oder jede identifizierbare Bedingung eine Maßnahme ergreifen können.

Da regelbasierte Frameworks keine KI-Fähigkeiten zum Parsen (Syntaxanalyse) oder Klassifizieren eingehender Anfragen bieten, muss der Entwickler die gesamte erforderliche Nachrichtenverarbeitungs- und Interaktionslogik manuell codieren. Selbst einfache Anwendungen erfordern für gewöhnlich Hunderte von Regeln, um die verschiedenen Dialogzustände in einer typischen Konversation abbilden zu können. Konflikte und Redundanzen zwischen den Regeln führen zusätzlich zu einer nahezu unüberschaubaren Komplexität. Anspruchsvollere, KI-basierte Ansätze stellen daher häufig die bevorzugte Methode dar. 

KI-basierte Ansätze

Der wesentliche Unterschied zwischen KI-basierten und regelbasierten Ansätze besteht darin, dass KI-basierte Anwendungen, Technologien wie maschinelles Lernen und Deep Learning nutzen, um sowohl derzeitige, vergangene als auch zukünftige Konversationen zu verstehen und dementsprechend zu reagieren. Basierend auf Erfolgs- oder Fehlerquoten aus vergangenen Interaktionen, können sie ihre Antworten auf Fragen anpassen oder ihre Reaktion ändern.

Mittels umfassender Trainingsdaten erstellt Maschine Learning ein allgemeines Modell, das die automatisierte Zuordnung unbekannter Eingaben zu einer bestimmten Ausgabe, ohne manuelles Programm, ermöglicht. Um Daten und ihre Beziehung zueinander adäquat erkennen und analysieren zu können umfasst Machine Learning mehrere Methoden, welche auf Basis von Erfahrungen mit den Elementen ihrer Umgebung, agieren. Zu den bekanntesten Verfahren gehört das Modell der künstlichen neuronalen Netze (Deep Learning), die die Struktur des menschlichen Gehirns simulieren.

In der Praxis haben sich vor allem Anwendungen etabliert, die sowohl regel- als auch KI-basierte Technologieansätzen mit einer Reihe an unterschiedlichen Methoden der Spracherkennung kombinieren. Abhängig von Situation und Kontext bedienen sie sich festgelegter Muster und Regeln ebenso wie Methoden der KI. Um sprachliche Nuancen, Ähnlichkeiten und Bedeutungen unterschiedlicher Sätze erlernen zu können nutzen sie darüber hinaus unterschiedliche Techniken der Spracherkennung wie NLP (Natural Language Processing) und NLU (Natural Language Understanding).

Einige unserer Kunden haben ihre bestehenden Chatbot-Lösungen bereits mit Mindbreeze InSpire optimiert. Sie sind interessiert an einer perfekt auf Ihre Anforderungen abgestimmte Demo? Wir freuen uns auf Ihre Kontaktaufnahme.