THINK Blog DACH

Haben Sie jemals einen Chatbot genutzt, um Hilfe zu bekommen? Falls ja, sind Sie wahrscheinlich nur allzu vertraut mit Antworten wie „Es tut mir leid, ich verstehe Sie nicht“ oder „Können Sie versuchen, es anders zu formulieren?“ Mit frustrierenden Antworten wie diesen sehen viele Unternehmen Chatbots immer noch als unausgereifte Werkzeuge für den Kundenservice an. Das größte Hindernis bei der Automatisierung von Interaktionen ist das richtige Verständnis der Bedürfnisse des Benutzers. Hier leistet der Watson Assistant besonders gute Arbeit.

Der IBM Watson Assistant nutzt maschinelles Lernen und Deep-Learning-Techniken, um zu verstehen, wie man Fragen von Endnutzern mit relativ kleinen Datensätzen genau beantworten kann. Die künstliche Intelligenz, die den Kern des Watson Assistant bildet, ist darauf ausgelegt, die unzähligen Möglichkeiten von Absichten in echten Interaktionen korrekt herauszufiltern. Kurz gesagt, wir haben den Watson Assistant so entwickelt, dass er einfach zu trainieren ist und genau erkennt, was der Benutzer möchte.

Vision: Waston Assistant als Herzstück des Kundendienstes

Um das zu erreichen, sind allerdings stetig Verbesserungen nötig. Unsere Vision ist, dass Watson Assistant das Herzstück des Kundendienstes eines jeden Unternehmens wird. Dafür verbessern wir unsere KI kontinuierlich, um die Präzision zu erhöhen, die Menge der Trainingsdaten zu verringern und die Zeit bis zur Inbetriebnahme zu verkürzen. Wir freuen uns, dass der Watson Assistant nun über einen neuen, verbesserten Algorithmus zur Absichtserkennung verfügt, der genauer ist als andere kommerzielle und Open-Source-Lösungen. Dies belegt eine kürzlich veröffentlichten Benchmark-Studie:

Im November 2020 veröffentlichte Jio Haptik Technologies, ein Unternehmen für Konversations-KI-Software, ein technisches Papier, in dem die Leistung ihres Produkts mit ähnlichen Angeboten von Google, Microsoft und RASA verglichen wird. Da Jio Haptik Technologies den Watson Assistant nicht in die ursprüngliche Analyse einbezogen hat, haben wir die gleichen öffentlich verfügbaren Datensätze und den gleichen Versuchsaufbau verwendet, um die Leistung des Watson Assistant zu ermitteln. Diese Ergebnisse haben wir der Analyse von Jio Haptik Technologies hinzugefügt. Danach ist der Watson Assistant 5,6 Prozentpunkte genauer als Google Dialogflow und 14,7 Prozentpunkte genauer als Microsoft LUIS (siehe Spalte 3). 

Die vollständigen Ergebnisse und weitere Details zu den Verbesserungen und der Testmethodik können Sie hiernachlesen.

Aufgrund dieser Weiterentwicklung liegt die Genauigkeit des neuesten Modells des Watson Assistant nun nochmals höher als in der Vor-Version. Das bedeutet, dass der Watson Assistant Kundenanfragen viel häufiger selbstständig beantworten kann, ohne dass ein Mensch dabei unterstützen muss (als Containment bekannt). Das spart Geld und erhöht die Zufriedenheit auf Seiten der Benutzer. Auch in einer Untersuchung von COPMUTER BILD und Statista erzielte Watson Assisant – die Technologie hinter den Chatbots von Telekom, Vodafone und HUK – sehr gute Platzierungen.

 Bessere KI, um die Bedürfnisse des Kunden zu verstehen  

Doch was genau ist die Herausforderung für eine KI, wenn sie sprachliche Intents – also Absichten – klassifizieren soll? Um das zu begreifen, betrachten wir zunächst die verschiedenen Möglichkeiten, mit denen Kunden ihr Problem ausdrücken können: 

• “Ich kann mich nicht anmelden” 
• “Mein Passwort funktioniert nicht” 
• “Passwort vergessen” 

Die KI-Technologie hinter Watson Assistant muss verstehen, dass die Absicht hinter diesen Sätzen – und den unendlich vielen Variationen dieser (inklusive Rechtschreibfehlern) – darin besteht, Hilfe beim Zurücksetzen des Passworts zu erhalten. Selbst für einen einfachen Intent wie diesen braucht es einen komplexen Prozess der maschinellen Verarbeitung natürlicher Sprache bzw. Natural Language Processing (NLP) und Klassifizierungstechniken, um diese richtig zu verstehen. Das zeigt auch unser Blogpost über die Rolle von Linguistik beim Einsatz von KI.

In der neuesten Version des Watson Assistant haben wir AutoML hinzugefügt. Dies ist eine Technik, die verschiedene Algorithmen und Kombinationen von Merkmalen und Parametern ausprobiert, um die besten Ergebnisse für einen gegebenen Datensatz ohne menschliches Eingreifen herauszufinden. 

AutoML erfordert allerdings viel Rechenleistung und Zeit. Deshalb haben unsere Entwickler sogenannte Meta-Learning-Techniken ergänzt, die die Absichtserkennung drastisch beschleunigen und verbessern. Diese ersetzt das mühsame, von Menschen durchgeführte Feature-Engineering und die Algorithmen-Auswahl durch einen automatisierten, datengesteuerten Prozess. Mithilfe des Meta-Learnings beobachtet unser System, wie die verschiedenen Algorithmen für maschinelles Lernen in verschiedenen Datensätzen abschneiden – und lernt, den Algorithmus an neue Datensätze anzupassen. 

Außerdem haben wir die Transfer-Learning-Fähigkeiten des Watson Assistant gestärkt. Damit kann das System, was es in einer Domäne oder Aufgabe gelernt hat (z. B. verstehen, dass ein Benutzer eine Kreditkarte beantragen möchte) auf eine ähnliche Domäne oder Aufgabe (Beantragung einer Hypothek) übertragen. 

Höhere Präzision bedeutet bessere Geschäftsergebnisse 

Mit diesen Erweiterungen ist der Watson Assistant in der Lage, die Containment-Raten, also wie oft eine KI Kundenanfragen ohne menschliches Eingreifen löst, und die First Contact Resolution, wie oft das System das Problem mit KI oder menschlicher Unterstützung beim ersten Versuch löst, zu verbessern. 

Darüber hinaus kann die Absichtserkennung die Zeit verkürzen, bis der Assistant zur Wertschöpfung beiträgt. Das Einrichten, Konfigurieren und Optimieren der Leistung eines KI-gestützten Kundenservicesystems hat bisher mehrere Wochen oder sogar Monate gedauert. Die neuen Funktionen sind jedoch so konzipiert, dass sie den Zeit- und Datenaufwand reduzieren, der erforderlich ist, um den Watson Assistant produktiv zu nutzen.