Kommentar von Gerald Martinetz, Mindbreeze Dialogbasierte Kommunikation mit KI

Anbieter zum Thema

IBM Deutschland GmbH

Fujitsu Technology Solutions GmbH

Sinequa

Mindbreeze GmbH

Fragen stellen und Antworten erhalten – das ist das Prinzip des dialogbasierten Austauschs von Informationen. Die Mensch-Maschine-Interaktion sieht dagegen meist noch anders aus. Könnte der Einsatz von Künstlicher Intelligenz in diesem Bereich eine Änderung anstoßen?

Als ein Resultat der Digitalisierung stehen uns unzählige Informationen in unterschiedlichen Quellen und Formaten zur Verfügung. Doch wie können diese schnell, einfach, zielgerichtet und automatisiert aufbereitet werden für eine rasche Informationsbereitstellung?

Gerade im Arbeitsalltag verbringen Mitarbeiter einen riesigen Anteil ihres Tages damit, benötigte Daten (wieder) zu finden. Für die Informationsbeschaffung steht oft entweder gar keine Suche zur Verfügung oder nur Datenbanksuchen für einzelne Systeme mit eigener Funktionslogik. Dies gestaltet die Suche nach und Bereitstellung von Informationen äußerst schwierig und Mitarbeiter sind meist weit davon entfernt, die richtigen Informationen im entsprechenden Kontext und zum passenden Zeitpunkt zu erhalten.

Es ist Ihnen vielleicht auch schon aufgefallen, dass sich bei einigen Websites nach wenigen Sekunden meist rechts unten ein kleines Fensterchen mit einer Dialogfunktion (Chatbot) öffnet und mit einer Einstiegsfrage aktiv zum Dialog auffordert. Eigentlich eine gute Idee, doch oft ist nach wenigen Eingaben das Ergebnis so frustrierend, dass man zur herkömmlichen Suchabfrage via Suchfeld zurückkehrt.

Upgrade für Enterprise Search

Intelligente Wissensmanagementsysteme, sogenannte Insight Engines, können bei der Lösung der oben beispielhaft anführten Herausforderungen Unterstützung bieten. Sie vereinen bekannte Technologien aus dem Bereich Enterprise Search mit Künstlicher Intelligenz – unter anderem maschinelles Lernen, neuronale Netze und Spracherkennung.

Insight Engines ändern die Art und Weise, wie Anwender im Rahmen ihrer täglichen Arbeit nach Informationen suchen und auf sie zugreifen. Im Gegensatz zu herkömmlichen Enterprise Search Technologien nutzen Insight Engines Methoden der Künstlichen Intelligenz, um relevante Informationen und Inhalte nicht nur zu finden, sondern diese auch proaktiv und im richtigen Kontext zur Verfügung zu stellen.

So wie Menschen in natürlicher Sprache beispielsweise eine Frage aufbauen und mit anderen sprechen, ermöglichen Insight Engines diese Interaktion mit Unternehmensdaten. Dabei wird die Insight Engine mit einem dialogartigen User Interface kombiniert. Anders aber als bei klassischen Chatbots erhalten Anwender ganz konkrete Antworten auf natürliche Fragestellungen (Conversational Search). Während herkömmliche Chatbots die Antwort mithilfe eines Decision-Trees (Entscheidungsbaum) aus einer Datenbank auslesen, kombinieren Insight Engines eine Reihe unterschiedlicher heute verfügbarer Technologien.

Semantic Pipeline

Um bei einer Suchabfrage sämtliche strukturierte und unstrukturierte Daten aus Dokumenten und Abfragen zu extrahieren, verfügen Insight Engines über eine sogenannte Semantic Pipeline. Diese mehrstufige Pipeline ist hochgradig konfigurier- sowie erweiterbar und ermöglicht eine maximale Kontrolle darüber, wie die Daten extrahiert und auf Dokumente und indizierte Elemente angewendet werden können. Jede Stufe der Pipeline hat verschiedene Prozesse, Plug-ins und Erweiterungspunkte, die eine maximale Flexibilität ermöglichen. Dabei lässt sich jede Stufe von der Ebene der binären Inhalte (Low Level Darstellung) bis hin zu den strukturierten Informationen und Elementen und deren Beziehung zum Inhalt konfigurieren.

Insight Engines kombinieren verschiedene Methoden und Mechanismen wie Textklassifizierung, Entity Recognition, Prediction Models, Machine und Deep Learning sowie Formen der künstlich intelligenten Spracherkennung für Meaning Based Computing, Feature Selection (Merkmalsselektion) und Reasoning (logisches Denken / Ziehen von Schlussfolgerungen). Diese mehrstufige semantische Verarbeitung wird nicht nur für die Verarbeitung von Dokumenten, Metadaten und Inhalten verwendet, sondern auch für die der eingehenden Anfragen.

Die verschiedenen Stufen der Pipeline können der Reihe nach definiert werden als:

1. Natürliche Sprachverarbeitung: Mithilfe von Natural Language Understanding (NLU), Natural Language Processing (NLP) sowie Natural Language Question Answering (NLQA) können Suchanfragen in natürlicher Sprache geliefert und direkt verarbeitet werden. Diese intelligenten Technologien können sowohl strukturierte Metadaten als auch Textinhalte analysieren, verstehen und damit die Bedürfnisse der Benutzer korrekt ermitteln.

Während sich NLP mit der maschinellen Verarbeitung der menschlichen Sprache befasst, geht es bei NLU vor allem darum, die Intention der Anwender zu ermitteln. Mittels NLQA wird ein natürlicher Dialog geschaffen. Auf Basis dieser Technologien können Insight Engines die spezifischen Bedürfnisse der Benutzer identifizieren sowie die Suchergebnisse personalisieren und direkt auf die eingegebene Frage abstimmen.

2. KI-Pipeline: Ähnlich dem Erfahrungsschatz eines Menschen sammelt und speichert die Insight Engine Erfahrungen. Machine und Deep Learning verschaffen ihr eine Art Gedächtnis, das es ihr erlaubt, ihr „Wissen“ stetig zu erweitern. Das führt natürlich auch dazu, dass sich ihre Suchperformance immer weiter optimiert, je länger sie im Einsatz ist.

Dafür analysieren Insight Engine das Nutzerverhalten ihrer Anwender. Anhand ihrer Arbeitsweise, Such- und Klickverhalten, wie oft oder in welchem Kontext sie bestimmte Informationen abrufen, leiten sie die Relevanz der einzelnen Suchabfragen und Inhalte ab, klassifizieren sie und speichern dieses Wissen für weiterfolgende Suchen ab. Dies dient beispielsweise der Erkennung und Extraktion von Entitäten wie Diagnosen, Kategorien, etc.

3. Taxonomien/Ontologien/Kataloge: Unternehmen verfügen meist über eine eigene Sprache. Interne Fachbegriffe, Abkürzungen, Akronyme, etc., die sich beispielsweise durch Dokumente oder Kalendereinträge ziehen und in den unterschiedlichsten Quellsystemen wie Fachanwendungen oder Fileshares gespeichert sind.

Durch die Integration von Taxonomien, Ontologien und Katalogen ist es der Insight Engine in dieser Stufe der Pipeline möglich, Konzepte und Hierarchien zu erkennen, zu speichern, um diese extrahieren zu können.

4. Entity Recognition: Mit der regelbasierten Extraktion können stark individualisierbare Metadaten Definitionen erstellt werden, um spezifische Entitäten wie beispielsweise Projekt-IDs, Produktcodes und Registrierungsnummern zu identifizieren und zu extrahieren.

Das Ziel ist es, die Bedürfnisse der Nutzers zu erkennen und die Suchergebnisse im jeweiligen Kontext abzugleichen, sodass der Anwender statt einer endlosen Liste von Suchtreffern nur die Ergebnisse erhält, die tatsächlich dem gesuchten Begriff entsprechen - ergänzt um kontextspezifische Zusatzinformationen, die durch semantische Analysen generiert werden.

Voraussetzungen für Conversational Search

Wie auch natürliche Intelligenz muss sich künstliche Intelligenz erst entwickeln, von Erfahrungen lernen und ihre Leistung auf Basis von Ergebnissen der Vergangenheit optimieren. Gibt es keine Erfahrung, sprich wurde die KI nicht entsprechend trainiert, erzielt ihr Einsatz auch nicht den gewünschten Erfolg.

Neben enormer Rechenleistung und entsprechender Datenqualität erfordert das Training einer KI-Lösung aber auch relativ viel Zeit. Aus diesem Grund werden Insight Engines bereits mit einem sogenannten Pre-Trained Model ausgeliefert. Bei der Implementierung ins Unternehmen beginnt die Insight Engine also nicht bei null, sondern kann aus einem umfassenden Datenpool mit bereits indizierten Daten, Dokumenten, Sprachen, Katalogen und Fehlerfällen schöpfen. Für das individuelle und unternehmensspezifische Finetuning ist demnach lediglich eine kleines Datenset und weniger Zeit notwendig.

Conversational Search mit Insight Engines ist in der Lage, die Wissensbeschaffung im Unternehmen auf ein ganz neues Level zu heben. Ihr Einsatz ist dabei nicht auf bestimmte Abteilungen oder Anwendungsfälle beschränkt. Sie bieten einen konkreten Mehrwert für viele Bereiche. Dabei kann es sich um eine Ergänzung für bereits eingesetzte Chatbot-Lösungen oder eine Einsatzoption im IT-Umfeld für Callcenter handeln, wo User bei Problemen direkt Antworten aus der Knowledge-Base ziehen können und Informationen schnell, präzise und anwenderfreundlich zur Verfügung gestellt werden.

Wir stehen erst am Beginn der Entwicklungen, denn mithilfe von Machine Learning und Deep Learning sowie dem Feedback der Nutzer wird die Technologie immer leistungsfähiger und die Einsatzoptionen dadurch vielfältiger.

(ID:46487701)