Ein Chatbot hat sowohl für ein Unternehmen als auch für dessen Kunden viele Vorteile. Doch nur unter der Voraussetzung, dass er sinnvolle Antworten liefert. Wie das mit Hilfe von KI gelingt, erfahren Sie in diesem Beitrag.
Besserer Self-Service durch die Kraft der KI
Niemand quält sich gerne durch FAQ-Seiten oder vergeudet wertvolle Zeit in der Warteschleife einer Service-Hotline. Ein Chatbot bzw. virtueller Assistent kann hier Abhilfe schaffen, dem Unternehmen zufriedenere Kunden bescheren und das Support-Team entlasten. Doch nur unter einer Voraussetzung.
Die Kunden erwarten, dass sie auf ihre Fragen unmittelbare, sinnvolle, persönliche und kontextbezogene Antworten erhalten. Und sie möchten ihre Fragen auf ganz natürliche Weise formulieren. Möglich ist das, wenn der virtuelle Assistent dank Deep Learning auf die Fragen intelligente Antworten liefert. Durch einen besseren Self-Service können sich dann die Support-Mitarbeiter auf die komplexen Fragen konzentrieren.
Hier kommt Smart Answers ins Spiel, die neue Produkterweiterung für Lucidworks Fusion, die Methoden der Künstlichen Intelligenz nutzt. Wie Sie Ihren Chatbot mit der sogenannten „Cold-Start-Methode“ von Smart Answers von einer stupiden Keyword-Suche weg und hin zu echtem Verständnis der Nutzer katapultieren, beschreibe ich in diesem Blogbeitrag.
Das Deep Learning-Modell ist bereits trainiert
Bei der „Cold-Start-Methode“ stellt Lucidworks ein bereits fertig trainiertes Deep Learning-Modell zur Verfügung, das sofort einsatzbereit ist. So benötigen die Anwender weder Trainingsdaten noch die KI-Expertise, um selbst ein Modell zu trainieren, und sparen dadurch auch wertvolle Zeit.
Vektorenkodierung macht Fragen und Antworten vergleichbar
Zunächst enkodiert das bereitgestellte Deep Learning-Modell jede potenzielle Antwort in einem Vektor, der die Bedeutungen dieser Antwort in komprimierter Form festhält. Stellt ein Kunde eine Frage, geschieht mit dieser dasselbe: auch ihre Bedeutung wird durch einen Vektor komprimiert und enkodiert.
Um nun zu sehen, wie gut jede der Antworten auf die Frage passt, vergleicht Smart Answers im nächsten Schritt die Antwortvektoren mit dem Fragevektor. Dazu wird die Vektordistanz zwischen jedem Antwortvektor und dem Fragevektor berechnet. Hierbei stehen verschiedene Distanzmaße zur Auswahl, beispielsweise die sogenannte Kosinus-Ähnlichkeit oder die euklidische Distanz.
Ergebnisse werden intelligent sortiert
Abschließend wird ein finaler Score berechnet. Dieser setzt sich zusammen aus dem „normalen“ Score, den Fusion auf Basis von Text-Matching berechnet, und der Vektordistanz, die durch Künstliche Intelligenz die Ähnlichkeit der Bedeutung von Frage und Antworten misst. Wie stark man die beiden Faktoren gewichtet, kann individuell festgelegt werden. Wenn gewünscht, kann der Score auch rein durch die „intelligente“ Vektordistanz bestimmt werden. Der Chatbot gibt dann die Antwort mit dem höchsten Score an den Nutzer zurück. Alternativ können auch alle Antworten nach absteigendem Score sortiert werden und so als Ergebnisliste wie bei einer normalen Suche ausgegeben werden.
Die Kirsche auf der Sahnehaube: Sprachunterstützung
Noch kundenfreundlicher ist der virtuelle Assistent, wenn er durch eine Sprachunterstützung komplementiert ist. Dies lässt sich beispielsweise mit Google Dialogflow umsetzen, einer Plattform für dialogorientierte Kommunikation und Natural Language Processing, die ebenfalls Künstliche Intelligenz und Maschinelles Lernen nutzt. So können die Kunden ihre Fragen bequem in ihr Smartphone sprechen und sich zudem die Antworten vorlesen lassen.
Die Macht von „Intents“ und Signalen
Neben Sprachunterstützung bietet Google Dialogflow auch sogenannte „Intents“. Kurz gesagt kann man dem virtuellen Assistenten damit beibringen, bestimmte Absichten des Nutzers zu erkennen und angemessen darauf zu reagieren. Beispielsweise ist es möglich, dass der Chatbot eine Begrüßung durch den Nutzer erkennt und daraufhin einen Satz wie „Herzlich willkommen! Wie lautet Ihre Frage?“ zurückspielt. Ebenfalls denkbar ist ein sogenannter „Try-again-Intent“, der es dem Chatbot ermöglicht, einem unzufriedenen Kunden in einem zweiten Versuch eine bessere Antwort zu präsentieren. Durch solche Interaktionen entstehen zudem „Signale“, d.h. das System erfährt, ob eine Antwort gut oder schlecht war. Diese Signale können automatisch an Fusion zurückgeleitet werden, und so die Antworten des virtuellen Assistenten in Zukunft noch besser machen.
