Unterstützung im Kundendialog: Einsatz von künstlicher Intelligenz in Dialogsystemen

Die schriftliche Kommunikation mit dem Kunden kommt bei den meisten B2C-Geschäftsbeziehungen zum Einsatz. Gegenwärtig wird der Dialog mit den Kunden durch regelbasierte Dialogsysteme unterstützt. Diese Systeme arbeiten mit vordefinierten Fragen und Antworten und können nur auf hinterlegte Informationen zurückgreifen. Hingegen können KI-basierte Dialogsysteme kontinuierlich lernen und auch unbekannte Fragen beantworten.

Künstliche Intelligenz (KI) im Dialogsystem

Die Idee von KI im Dialogsystem basiert auf der Verlinkung von Fragen und Antworten durch künstliche neuronale Netzwerke. Das Sequenz-to-Sequenz Modell ist eine besondere Form der Zusammensetzung der rekurrenten neuronalen Netzwerke (RNN). Dieses Modell ermöglicht die Verarbeitung von Sätzen und Texten unterschiedlicher Länge. Google hat die Weiterentwicklung des Modells erstmals als Neural Machine Translator (NMT) für Englisch-Französisch-Übersetzungen angewandt. Eine vollständige Implementierung des Modells ist in TensorFlow verfügbar.

Der besondere Wirkungsgrad des NMT-Modells wird unter anderem durch die bidirektionale RNN mit einer Long-Short-Term-Memory(LSTM)-Zelle erreicht. Dadurch werden die Wörter des Textes sequenziell verarbeitet, wobei der Fokus des Modells auf dem gesamten Text und nicht nur auf den einzelnen Wörtern liegt. Die Implementierung in TensorFlow sieht folgenermaßen aus:

Die LSTM-Zelle ermöglicht es, den Fokus simultan auf bis zu 20 bis 30 Wörter im Text zu erweitern. Da Sprache allerdings sehr komplex ist, reicht das nicht immer aus, um die Bedeutung eines Textes vollumfänglich zu erfassen. Es gibt viele Beispiele, bei welchen sich die Bedeutung des Textes erst nach 50 oder mehr Wörtern ändert. Eine Erweiterung des Fokus auf mehr als 100 Wörter ist mit dem Attention-Mechanismus möglich. Dieser gewichtet die Wörter aus den Fragen in Bezug zu den Wörtern aus den Antworten nach deren Relevanz.

Die NMT-Implementierung kann auch für die Erstellung eines Chatbots benutzt werden. Dafür wird das Modell nicht mit Texten in unterschiedlichen Sprachen trainiert, sondern mit Frage- und Antwortpaaren. So kann das Modell Zusammenhänge zwischen Fragen und Antworten erlernen. Entsprechend kann das Modell auch angepasst werden, um als Dialogsystem eingesetzt zu werden. Dabei ist es sehr hilfreich, dass das Modell nur die Logik und entsprechend die Art und Weise der Kommunikation aus den zur Verfügung gestellten Daten übernehmen kann. Dadurch ist sichergestellt, dass sich die vom Modell generierten Antworten auf das Thema der Trainingsdaten beziehen werden. Wurde das Training des Modells zum Beispiel mit Daten aus der Kundenkommunikation einer Versicherung durchgeführt, werden sich die Antworten auch nur auf dieses Thema beziehen.

Siamesisches bidirektionales RNN mit Attention-Mechanismus

Die Abbildung zeigt den vereinfachten Modellaufbau des NMT, wobei auf die Darstellung der LSTM-Zellen verzichtet wurde. Sehr gut zu erkennen ist der bidirektionale Aufbau der rekurrenten neuronalen Netzwerkzellen. Die zu verarbeitenden Textsequenzen werden gleichzeitig vorwärts und rückwärts eingelesen. Dabei wird der Zustand an den Attention-Mechanismus weitergegeben und mit den Zieltextsequenzen abgeglichen. Entsprechend können nach jeder Iteration die Gewichte der Verbindungen angepasst und die Genauigkeit des Modells gesteigert werden.

Der große Vorteil von KI-gestützten Dialogsystemen ist die schnelle und unkomplizierte Implementierung. Zum Trainieren des Modells können Bestandsdaten aus der Kundenkommunikation verwendet werden. Dabei werden die Antworten flexibel erstellt, die Vielfalt der Antworten steigt, wodurch mehr Kundenanfragen teilautomatisiert abgearbeitet werden können. Das KI-gestützte Dialogsystem kann dynamisch mit neuen Daten trainieren und sich so im Laufe der Zeit autark weiterentwickeln. Durch die vorhanden APIs für Python, C++ und Java ist TensorFlow als Framework des Modells flexibel einsetzbar. Das Trainieren des Modells ist rechenintensiv und wird auf GPUs ausgeführt. Im Gegensatz dazu kann bei anschließendem Einsatz des Modells auf teure und komplizierte Hardwarekonfiguration verzichten werden, um die laufenden Kosten gering zu halten.

Regelbasierte vs. KI-gestützte Dialogsysteme

Regelbasierte Dialogsysteme sind nach der aufwendigen Einrichtung sofort einsetzbar und benötigen keine oder wenige Daten, um vollständig zu funktionieren. Dagegen sind die KI-gestützte Dialogsysteme auf eine enorme Menge an bereits vorhanden Daten aus der Kundenkommunikation angewiesen. Die Qualität dieser Daten ist auch der entscheidende Faktor für die Qualität der generierten Antworten. Zudem ist es schwierig, die generierten Antworten maschinell zu bewerten. Dieser Umstand ist ein aktives Feld in der Forschung und Weiterentwicklung.

Vergleich der regelbasierten und KI-gestützten Dialogsysteme

Nach unserer Einschätzung kann der Einsatz des Modells im Kundendialog Vorteile bringen. Die Antworten auf Kundenanfragen werden auch dann kontextbezogen generiert, wenn regelbasierte Dialogsysteme versagen. Dennoch kann zu diesem Zeitpunkt nicht davon ausgegangen werden, dass das Modell stets die richtige Antwort auf jede Kundenanfrage generieren kann, weshalb die Antworten vor dem Versand durch einen Servicemitarbeiter überprüft werden müssen. Entsprechend ist die richtige Kombination der KI-gestützten Modelle der Schlüssel zur Effizienzsteigerung der Servicemitarbeiter im Kundendialog. Das Überprüfen der Antwort durch einen Servicemitarbeiter ist jedoch weitaus weniger zeitaufwendig als die Erstellung oder die Zusammensetzung der Antwort aus vorgegebenen Bausteinen. Zudem kann das Modell durch das Feedback der Servicemitarbeiter dynamisch verbessert und weiterentwickelt werden.

 

Autor: Michael Cherner

Zum Webinar

Mehr zum Thema „Künstliche Intelligenz im Kundendialog“?

In unserem Webinar „Chatbots in der Kundenbeziehung“ erfahren Sie mehr zu möglichen Einsatzfeldern und Nutzenpotenzialen von Chatbots für die Versicherungswirtschaft.

Zum Webinar

Weitere News

WIR SIND FÜR SIE DA!

Mit Q_PERIOR steht Ihnen ein starker Partner zur Seite.
Wir freuen uns auf Ihre Herausforderung!

3. Juli 2018|