Künstliche Intelligenz – das nächste Level

KI steckt in unzähligen Anwendungen und Tools, die uns im privaten und beruflichen Umfeld das Leben erleichtern. Ein Großteil der unterstützenden Systeme, die wir tagtäglich nutzen, fällt in den Bereich der sogenannten schwachen KI. Solche Systeme arbeiten zumeist regelbasiert und sind auf einen klar definierten Anwendungsbereich begrenzt. Sie sind nicht in der Lage, „um die Ecke zu denken“. Letzteres wird erst möglich, wenn künstliche Intelligenz eingesetzt wird, die auf einem modernen Verständnis von Machine Learning basiert.

Sogenannte Deep Learning-Algorithmen stützen sich auf künstliche neuronale Netze, deren Aufbau und Funktion den Neuronen des menschlichen Gehirns nachempfunden ist. Durch eine große Informationsbasis und die Struktur der neuronalen Netze können Deep Learning-Systeme erlernte Inhalte selbstständig mit neuen Inhalten verknüpfen. Zudem sind sie in der Lage, Analogien herzustellen, ohne im Kontext einer Fragestellung mit bestimmten Schlüsselbegriffen konfrontiert zu werden. Man kennt vergleichbare Situationen aus der alltäglichen zwischenmenschlichen Kommunikation. Zum Beispiel dürfte bei der Aussage „Das ist der Sportwagen unter den Telefonen“ jedem Menschen klar sein, dass das Wort „Sportwagen“ in diesem Kontext als Synonym zu „Spitzenmodell“ zu verstehen ist. Stellt man demgemäß einem auf Deep Learning basierenden Chat– oder Sprachbot etwa die Frage „Wie heißt das London Frankreichs?“, so antwortet er korrekterweise mit „Paris“. In diesem Beispiel präsentiert der Bot die passende Lösung, ohne dass der Schlüsselbegriff „Hauptstadt“ erwähnt wurde.

Je mehr aussagekräftige Daten solche Systeme verarbeiten, desto zuverlässiger werden sie. So führt der „Lerneffekt“ im Idealfall zu einer kontinuierlichen Selbstoptimierung.

Wie aber funktioniert Deep Learning in der Praxis?

Nehmen wir an, eine Versicherung möchte ihren Kundendialog automatisieren und ein modernes Sprachportal einrichten, um Kundenanfragen adäquat zu beantworten. Im Idealfall liegt bereits eine ausreichend große Menge dokumentierter Kundenanfragen vor. Diese Datenbasis wird genutzt, um den Sprachbot auf sein branchenspezifisches Anwendungsfeld zu trainieren sowie ihn mit der Logik und Formulierungsbandbreite der Versicherungskunden vertraut zu machen. Zusätzlich können Daten aus branchenspezifischen oder allgemeinen Wissensdatenbanken, zum Beispiel Online-Enzyklopädien wie Wikipedia, eingespeist werden. Grundsätzlich ist es möglich, den Textkörper exakt auf die Anforderungen eines Unternehmens maßzuschneidern.

Um der künstlichen Intelligenz nun zu ermöglichen, die vorhandenen Daten miteinander zu verknüpfen, zu analysieren und präzise Schlussfolgerungen daraus zu ziehen, muss die immens große Datenbasis handhabbar gemacht werden. Wörter, die im Anwendungskontext nicht aussagekräftig sind, werden gestrichen, wohingegen relevante Begriffe auf den Wortstamm reduziert werden. Auf diese Weise bleibt anstelle verschiedener Wortformen (bspw. „fragte“, „fragen“, „frage“ etc.) lediglich die Grundform eines jeden Wortes (in diesem Beispiel: „fragen“) erhalten, sodass sich Begriffe im vorhandenen Textkörper präziser gewichten lassen. Anschließend werden die Text– bzw. Eingabeinformationen in Vektoren umgewandelt. So lassen sich im Vektorraum Abstände berechnen und Wörter nach ihrer kontextabhängigen Aussagekraft gewichten.

Sobald die zur Verfügung stehende Datenbasis, das heißt der gesamte Textkörper, aufbereitet wurde, hat die künstliche Intelligenz leichtes Spiel. In unserem Beispiel hätte das Sprachportal nun die Aufgabe, eingehende Anfragen auf Basis der Trainingsdaten nach Mustern zu durchsuchen. In der salopp formulierten Aussage des Menschen „mein Auto ist Schrott“ erkennt das Deep Learning-System etwa die relevanten Begriffe „Auto“ und „Schrott“ und weist die Anfrage folgerichtig der für Kfz-Versicherungen zuständigen Schadensabteilung zu. Zusätzlich kann die künstliche Intelligenz noch die vollständige Erkennung des Anliegens übernehmen, indem der Kunde durch gezielte Fragen aufgefordert wird, den Schaden zu spezifizieren.

Mithilfe dieser Deep Learning-Systeme können sogar Begriffe verarbeitet werden, die im zugrundeliegenden Datensatz nicht vorkommen. Sagt ein Kunde zum Beispiel „Es geht um meine Zahnkrone“, kann die Anfrage verarbeitet werden, selbst wenn das Wort „Zahnkrone“ nicht Teil des Textkörpers wäre. Herkömmliche Bots sind zu solchen Kunststücken nicht in der Lage. Moderne KI-Systeme hingegen können unbekannte Begriffe mithilfe der erwähnten Abstandsmaße zuordnen, sofern diese eine Ähnlichkeit zu Wörtern aufweisen, die in ihrem Datensatz enthalten sind. In unserem Beispiel wäre es für die Erkennung des Begriffes „Zahnkrone“ ausreichend, wenn der Textkörper ein Wort wie „Zahnbehandlung“ enthält.

Ein Bot, viele Vorteile

So ist es anders als bei herkömmlichen Chatbots oder Sprachbots nicht nötig, alle potenziellen Dialogpfade im Vorfeld zu durchdenken und die gesamte Formulierungsbandbreite der Kunden zu berücksichtigen. Ein auf modernen KI-Methoden basierendes System benötigt lediglich eine ausreichend repräsentative, entsprechend aufbereitete Datenbasis, um vollkommen selbstständig arbeiten zu können. Zum Beispiel, indem es sich ihm unbekannte Begriffe ohne fremde Hilfe erschließt.

Die Vorteile liegen auf der Hand: Einerseits verbessern sich die Qualität und die Flexibilität der Dialogführung, andererseits wird die Skalierbarkeit der Lösung erheblich vereinfacht. Sofern die Versicherung aus unserem Beispiel ihr Sprachportal auf weitere Unternehmensbereiche ausdehnen oder eine größere Zahl von Anwendungsfällen abdecken möchte, müssen demnach keine neuen Dialogpfade ausgearbeitet werden, die Bereitstellung und Aufbereitung einer passenden Datenbasis genügt. Der schöne Nebeneffekt? Es wird nicht nur Zeit gespart, sondern auch viel Geld. Zudem ist der Wartungsaufwand für moderne KI-Systeme vergleichsweise gering. Um den Chat– oder Sprachbot auf veränderte Rahmenbedingungen oder neue Anforderungen einzustellen, muss lediglich der Datensatz ausgetauscht oder angepasst werden. Alles Weitere erledigt das System von selbst und mehr noch: Je länger es ein bestimmtes Einsatzgebiet bespielt, desto zuverlässiger arbeitet es.

IP Dynamics verfügt über das nötige Know-how und die Datenbasis, um Deep Learning-Algorithmen durch branchenspezifische Anpassungen, beispielsweise der Wortlexika, noch effizienter zu machen. Darüber hinaus umfasst das Portfolio vorgefertigte Module zum Beispiel für die Anliegenerkennung (speziell im Versicherungsumfeld) sowie Lösungen für Identifikation und Authentifizierung (z.B. für Auskünfte zum Bearbeitungsstatus von Vorgängen oder die Erfassung fehlender Daten) oder Rückrufmanagement. Ein weiterer, entscheidender Vorteil: Im Contact Center von IP Dynamics laufen alle relevanten Kundenservice-Kanäle zusammen – Telefon, E-Mail, Chat, Messenger, Social Media. Aus der Verknüpfung eines modernen KI-Systems mit unserer Omnichannel-Plattform ergeben sich erhebliche Potenziale: In der Komplettlösung werden alle eingehenden Daten mühelos erfasst, verknüpft und ausgewertet. Und die KI wird schlauer und schlauer und schlauer und…

‍