Chatbots: Mensch-Maschine-Dialoge realisieren mit KI

Chatbots bieten ein enormes Potential, wenn sie Mitarbeiter tatsächlich entlasten und die Kundenzufriedenheit stärken. Dafür müssen die Bots aber richtig verstanden werden.

2020 ist das Jahr des Chatbots – zumindest, wenn es nach dem IT-Analystenhaus Gartner geht. Ihren Prognosen zufolge sollen 85 Prozent der Kommunikation zwischen Unternehmen und Konsumenten in diesem Jahr bereits über Bots erfolgen. Im Fokus steht jedoch nicht der klassische Chatbot, den man bereits von einer Vielzahl von Webseiten kennt, vielmehr geht es um Technologie auf Basis von angewandter künstlicher Intelligenz.

Text- oder sprachbasierte Chatbots werden bereits in zahlreichen Bereichen wie Social Media, Kundenservice oder Website-Suchen eingesetzt. Sie senden Nachrichten, führen Aufgaben aus oder unterhalten ihre Anwender ganz einfach. Der Grad der Komplexität ist dabei unterschiedlich. Bislang liegen die Anwendungsbereiche aber vor allem in der Unterstützung von einfachen und gut strukturierten Servicefällen: Umfragen, Support und/oder Standardauskünften.

Chatbots – neue Anforderungen und Einsatzgebiete

Dabei bieten Chatbots ein enormes Potenzial, wenn sie in der Lage sind, die Mitarbeiter tatsächlich zu entlasten, Abläufe zu optimieren sowie die Kundenzufriedenheit zu stärken. Um entsprechend mit den Benutzern interagieren zu können, müssen sie jedoch richtig verstanden werden. Doch welche technischen Voraussetzungen sind dafür nötig?

Intelligente Wissensmanagementsysteme sind beispielsweise eine wertvolle Erweiterung, um die oben genannten Anforderungen zu erfüllen. Sogenannte Insight Engines bilden dabei das Herzstück des Systems. Sie erweitern klassische Enterprise-Search-Technologien durch den Einsatz von Methoden der künstlichen Intelligenz (KI) und sind so in der Lage, eine tatsächliche Konversation sowie Interaktion zwischen Mensch und Maschine herzustellen.

So wie wir es bereits von Amazon Alexa und Apple Siri kennen, nehmen Insight Engines die Eingaben der Nutzer entgegen, analysieren ihre konkrete Absicht und reagieren adäquat darauf. Die Antworten stammen dabei aus der Vielzahl im Unternehmen vorhandenen Daten.

Um das volle Potenzial der Unternehmensdaten ausschöpfen zu können, ist es notwendig, den gesamten Datenpool zu nutzen. Daher sollten im Idealfall sämtliche Unternehmensdatenquellen an die Insight Engine angebunden sein. Dies können beispielsweise Fachanwendungen, Intra- und Internet, Cloud-Speicher, E-Mail-Programme, CRM-Systeme oder Archive sein.

Bei einer Anfrage durchsucht die Insight Engine parallel alle angebundenen Datenquellen, analysiert sowohl strukturierte als auch unstrukturierte Daten, modelliert Zusammenhänge, extrahiert die relevanten Fakten und stellt sie dem Anwender als Antwort zur Verfügung.

Abbildung 1: Natürliches Sprachverständnis durch Natural Language Understanding.
Abbildung 1: Natürliches Sprachverständnis durch Natural Language Understanding.

Um nun die Anfragen der Nutzer, also die verschiedenen Teile eines Satzes wie Nomen, Verben und Adjektive sowie ihre Bedeutung, aber auch die Beziehung zueinander zu erkennen, was eine tatsächliche Interaktion sowie Kommunikation ermöglicht, greifen Insight Engines auf eine Reihe an unterschiedlichen Technologien zurück.

Natürliche Sprachverarbeitung

Hier kommen Technologien wie Natural Language Understanding (NLU) und Natural Language Processing (NLP) ins Spiel. Ihr Einsatz sorgt dafür, dass Nutzer Suchanfragen in natürlicher Sprache stellen können – also in Form von ganzen Sätzen, Phrasen oder Fragen statt einzelner Schlagworte – und die Insight Engine diese direkt verarbeiten kann.

Dabei sind diese Systeme sowohl in der Lage, strukturierte Metadaten als auch Textinhalte zu analysieren, zu verstehen und damit die Bedürfnisse der Benutzer korrekt zu ermitteln.

NLP umfasst verschiedene Ansätze wie Tokenizer, Entity Recognition oder Entity Extraction, um die menschliche Sprache zu verarbeiten sowie Erkenntnisse aus Daten zu gewinnen und in sinnvolle Informationen umzuwandeln. Im Gegensatz dazu versucht NLU, die konkrete Bedeutung der Inhalte zu interpretieren und auf Fragestellungen mit wie, wo, wer, warum oder wann adäquate und explizite Antworten zu geben.

Anders als bei herkömmlichen Chatbots erhalten Nutzer auf diese Weise ganz konkrete Antworten auf natürliche Fragestellungen (Conversational Search).

Machine Learning und Deep Learning

Ähnlich dem Erfahrungsschatz eines Menschen sammelt und speichert die Insight Engine Erfahrungen. Zur Analyse und Erkennung von Daten und deren Beziehungen zueinander machen sich Insight Engines Methoden des Machine Learning zunutze. Zu den bekanntesten Verfahren gehört das Modell der künstlichen neuronalen Netze (Deep Learning), das die Struktur des menschlichen Gehirns simuliert.

Daniel Fallmann, Mindbreeze GmbH

„Chatbots bieten ein enormes Potenzial, wenn sie in der Lage sind, die Mitarbeiter tatsächlich zu entlasten, Abläufe zu optimieren sowie die Kundenzufriedenheit zu stärken.“

Daniel Fallmann, Mindbreeze

Aus der Analyse des Nutzerverhaltens wie dem Such- und Klickverhalten, genauer, wie oft oder in welchem Kontext Nutzer bestimmte Informationen abrufen, öffnen und oder bearbeiten, leiten Insight Engines die Relevanz der einzelnen Suchabfragen und Inhalte ab, klassifizieren sie und speichern das Wissen für kommende Suchen.

Vom Chatbot zum Conversational User Interface

Insight Engines verlagern damit die Verantwortung der Kommunikation. Bei traditionellen Chatbots sind die Nutzer weitestgehend für die Wirksamkeit der Technologie verantwortlich: Da diese mit Unterstützung eines Decision-Trees (Entscheidungsbaum) die Antwort aus einer Datenbank auslesen, liegt es meist an der Suchabfrage und ihrer Formulierung, ob überhaupt und falls ja, welche Ergebnisse gefunden werden. Im Gegensatz dazu ist bei Conversational Search die Technologie dafür verantwortlich, die Abfragen und Absichten des Anwenders korrekt zu bestimmen.

Insight Enignes schaffen auf diese Weise neue Möglichkeiten für die Wissensvermittlung und generieren mit Conversational Search einen Mehrwert für Unternehmen und Kunden. Die automatisierte Beantwortung von Kundenanfragen führt zur Schaffung neuer Kapazitäten, die wiederum in die Beantwortung komplexer Fragestellungen fließen können.

Auf diese Weise erhalten Kunden sowohl im Rahmen von Self-Service-Angeboten als auch bei persönlicher Betreuung durch den Mitarbeiter rascher und zielgerichteter Antworten auf ihre Anliegen.

Über den Autor:
Daniel Fallmann ist Gründer und Geschäftsführer der Mindbreeze GmbH.

Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.

Erfahren Sie mehr über Datenverwaltung

ComputerWeekly.de
Close