Einfache Chatbots

Einfache Chatbots beinhalten keine Komponenten, die in der Lage sind, die menschliche Sprache ihrer Benutzer zu verstehen - weder in geschriebener noch in gesprochener Form. Die Oberfläche erinnert zwar an Messenger-Dienste wie z. B. WhatsApp, Benutzer können jedoch keine freien Texte eingeben, sondern nur aus vom Bot mittels Schaltfläche vorgegebenen Antwortalternativen auswählen.

Dialoge orientieren sich meist an einem vorab definierten Pfad. In bestimmten Anwendungssituationen kann dies aus Sicht der Benutzer ein Vorteil sein gegenüber herkömmlichen Benutzeroberflächen.

Echte Benutzerdialoge mit natürlicher Sprache sind auf diese Weise allerdings nicht möglich.

Aus Anbietersicht ergibt sich ein Vorteil dadurch, dass solche einfachen Chatbots als Oberflächen-Basistechnologie genutzt werden können. Sie lassen schrittweise um Sprachverständnis-Funktionalität erweitern.

Sprachverstehende Assistenten

Soll der Chatbot wirkliche Benutzerdialoge führen, müssen entsprechende Komponenten für das Verständnis und die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) integriert werden.

Entscheidend für die Qualität des Sprachverständnisses ist ein ausreichendes Training der NLP-Komponente des Chatbots. Zu diesem Zweck werden mögliche Absichten der Benutzer antizipiert und als Intents klassifiziert. Zu jedem Intent sind typische sprachliche Ausdrucksweisen als Trainingsdaten zu hinterlegen.

Sprachverstehende Assistenten werden daher in aller Regel für eine bestimmte genau eingegrenzte inhaltliche Domäne entwickelt.

Sie lassen sich ergänzen durch Komponenten, die gesprochene Sprache in Text umwandeln (Speach to Text) und an den Assistenten übermitteln. Dieser kann den Text dann in gleicher Weise weiterverarbeiten wie eingetippten Text. Die Antwort des sprachverstehenden Assistenten liegt als Text vor und kann von einer Komponente zur Sprachsynthetisierung (Text to Speach) an den Benutzer ausgegeben – vorgelesen – werden.  

Beispiel: Alexa-Watson-Connect (PoC)

Alexa-Watson

Video abspielen

Typische Anwendungsszenarien und Ziele

Sprachverstehende Assistenten eignen sich in wirtschaftlicher Hinsicht insbesondere in folgenden Anwendungsszenarien:

  • Für häufig wiederkehrende Serviceanfragen und -prozesse
  • Bei hohem zeitlichen Aufwand für die manuelle Bearbeitung einfacher Anfragen
  • Im Falle längerer Wartezeiten für die Beantwortung von Anfragen
  • Für Kunden, die eine effiziente Bearbeitung ihres Anliegens schätzen und nur bei schwierigen Fällen einen menschlichen Ansprechpartner benötigen

Anwender verfolgen dabei meist die Ziele

  • Kostensenkung
  • Verfügbarkeit 24 Stunden an 7 Tagen die Woche
  • Entlastung von Mitarbeitern
  • Konzentration auf schwierige Fälle und Sonderfälle
  • Verfügbarkeit neuartiger Kundenschnittstellen

Was bietet das Labor?

Wir forschen gemeinsam mit unseren Praxispartnern an innovativen Technologien, die Künstliche Intelligenz in konkreten Anwendungsfeldern nutzbar machen.

Ein wichtiges Ziel des Labors ist der Wissenstransfer aus der Hochschule in die Wirtschaftspraxis - speziell, aber nicht nur, um kleinen und mittleren Unternehmen (KMU) den Zugang zu diesen Technologien zu erleichtern.

Machen Sie mit und probieren Sie Ihre Ideen in unserem Labor aus!

Weitere Informationen und Kontakt

Name Kontakt
Thomas Bahlinger Thomas Bahlinger
Prof. Dr.

Weitere Aktivitäten im Labor für angewandte Künstliche Intelligenz

KI-Konferenz im Sommersemester 2019

OHM-Journal der TH Nürnberg: Interview mit Prof. Dr. Zimmermann und Prof. Dr. Bahlinger

Future Engineering (mit Fraunhofer Institut)