Schöne neue Welt - Invasion der Chatbots

Ob im Onlineshop, auf der Webseite der Hausbank oder auf Informationsseiten von Software-Herstellern oder Open Source Produkten, wo man hinsieht tauchen die kleinen, meist mit einem Ping oder Klick Geräusch versehenen Chatbots auf, die unsere Aufmerksamkeit gewinnen wollen. Da fragt man sich im ersten Moment, muss das jetzt sein?

Und im zweiten, ob man den nicht irgendwie ausschalten kann? Wer braucht schon einen Chatbot um eine Information auf der wohl bekannten Webseite zu finden.

Dabei können diese kleinen Chatbots eine ganze Menge mehr. Sinnvoll eingesetzt und durchdacht entwickelt können Chatbots viele Aufgaben übernehmen und Benutzer bei der Erledigung ihrer Aufgaben und Beantwortung ihrer spezifischen Fragen helfen.

Woher kommen Chatbots und wie sind sie entstanden?

Chatbots, auch einfach Bots genannt, werden dazu verwenden eine Mensch-Computer-Kommunikation in Form einer Konversation zu emulieren und gehören wie Sprachassistenten zu den sogenannten Conversional Interfaces.

Dabei spielen für die Praxis eine einfache Integration und Konfiguration der Bots eine wichtige Rolle. Chatbots lassen sich in regelbasierte und intelligente Systeme unterscheiden. Regelbasierte Chatbots reagieren mittels Pattern Matching auf die Eingaben des Benutzers. Die Umsetzung erfolgt in vielen Fällen mit AIML (Artificial Intelligence Markup Language).

Einer der bekanntesten AIML-basierten Chatbots ist A.L.I.C.E. (Artificial Linguistic Internet Computer Entity) aus dem Jahre 1995, das von dem Programm ELIZA inspiriert wurde, welches eine natürlichsprachliche Konversation mit einem Computer ermöglichte. AIML-basierte Chatbots sind sehr limitiert und können eine natürliche Konversation nur beschränkt durchführen.

Nicht täuschen lassen - der klassische Chatbot hat wenig mit künstlicher Intelligenz zu tun

In regelbasierten Chatbots wird bei der Analyse des natürlichsprachlichen Inputs gezielt nach Wörtern und Textsequenzen gesucht, um auf diese reagieren zu können. Das System durchläuft bei der Prüfung ein vorgegebenes Schema und erzeugt reproduzierbare Antworten.

Von einem intelligenten System, das selbstständig eine Antwort generiert, kann hier keine Rede sein. Es arbeitet schlicht weg die hinterlegten Regeln des Entwicklers sukzessive ab. Im Gegenzug sind regelbasierte Bots einfach zu implementieren und vielfältig einsetzbar. Mit dem Seq2Seq-Modell ist es möglich Chatbots zu bauen, die die grammatikalischen Regeln beherrschen und mit Fließtext antworten.

Die Praxis zeigt jedoch, dass diese Chatbots aufgrund ihrer trivialen Antworten meist eine geringe Vielfalt in der Ausdrucksweise und im Anwendungsbereich aufweisen.

Von nichts kommt nichts - Intelligente Bots benötigen riesige Datenmengen

Bei intelligenten Chatbots werden aufwändige Verfahren aus dem maschinellen Lernen angewandt, um auf den Benutzer eingehen und lernen zu können, z.B. das Chatbot System HOLMeS (Health On-Line Medical Suggestions). Dabei handelt es sich um ein neuartiges eHealth Recommender System, das mittels Chatbot einen Arzt im klinischen Umfeld emuliert. Das System kann die natürlichsprachlichen Eingaben des Benutzers über einen Chat verstehen und selbstständig mit ihm interagieren.

Der HOLMeS Chat-Bot ist die Schnittstelle zum Benutzer und imitiert das Verhalten eines beratenden Arztes oder einer Ärztin. Das Interaktionsverhalten und die Adaption des Chatbots wird mit maschinellen Lernverfahren erzielt. Die schriftliche Konversation wird über den Service der IBM Watson Conversation API realisiert. Der Service verwendet u. a. Text Mining und Natural Language Processing für die Sprachverarbeitung. Die Komponente Computational Cluster integriert die Entscheidungslogik (Vorhersage des Krankheitsbilds durch das Lernverfahren Random Forest).

Die Verwendung neuronaler Netze bei der Entwicklung intelligenter Chatbots bedarf einer großen Menge an Trainingsdaten, welche aufgrund des Datenschutzes und Urheberrechts bei der Zusammenstellung eines deutschsprachigen Korpus eine große Herausforderung darstellt.

Wie kann mich der Chatbot verstehen?

Ein wesentlicher Bestandteil eines Chatbots oder Assistenten ist die Verarbeitung natürlicher Sprache in Schrift oder in Wort. Dabei müssen die grammatikalischen, syntaktischen und semantischen Eigenschaften der zu verarbeitenden Sprache berücksichtigt werden. Es ist nicht möglich einen Sprachverarbeitungsprozess auf alle Sprachen gleichzeitig anzuwenden.

Für die maschinelle Verarbeitung von Sprache werden umfangreiche Korpora zum Anwendungsbereich der Zielsprache benötigt.

Das Natural Language Processing, nachfolgend NLP genannt, ist ein Verfahren zur maschinellen Verarbeitung natürlicher Sprache. Es stellt ein Spezialgebiet der Informatik dar und kommt aus dem Bereich der Computerlinguistik. NLP fokussiert auf die Entwicklung von Anwendungen und Systemen zur sprachbasierten Interaktion zwischen Mensch und Computer.

Im NLP werden statistische Verfahren des maschinellen Lernens verwendet, um auf Basis großer Dokumentenkorpora Regeln und Muster zu erkennen . Angrenzende und überschneidende Bereiche von NLP sind das Information Retrieval, die Information Extraction und die Sprachverarbeitung.

Während Chatsbots die textuellen Eingaben des Nutzers entgegennehmen, analysieren und textuelle Ergebnisse präsentieren, verarbeiten digitale Sprachassistenten auch gesprochene Sprache. Hierfür erfasst der Sprachassistent die Sprache und wandelt diese zunächst in Text um (Speech-to-Text kurz STT).

Das Ergebnis wird in gesprochene Sprache umgewandelt (Text-to-Speech kurz TTS) und an den Benutzer zurückgegeben. Darüber hinaus kann NLP für die maschinelle Übersetzung (Übersetzung von Sprachen), Question Answering Systeme (Fragenbeantwortung durch Spracheingaben und - ausgaben), Textzusammenfassung (Kernaussagen eines Dokuments wiedergeben) und Textkategorisierung (Zuordnung eines Dokuments zu einer Kategorie oder Klasse auf Basis des Inhalts) genutzt werden.

Maschinelles Lernen und regelbasierten Ansatz kombinieren

Durch die Klassifikation der Anfragen, die an den Chatbot oder den Assistenten gerichtet sind, kann mittels supervised Learning Verfahren das regelbasierte Systeme erweitert werden.

Auf Basis der Einordnung der Anfrage kann eine sprachliche Analyse gezielt durchgeführt und eine Rückmeldung an den Nutzer erzeugt werden. Verfügt der Korpus zur Sprachverarbeitung nicht über genügend Daten zur vollständigen syntaktischen und semantischen Erkennung von natürlicher Sprache und deren Sprachbestandteile, wie es bei frei verfügbaren deutschen Korpora oft der Fall ist, kann das System mit einem regelbasierten Ansatz kombiniert werden.

Die Anwendung eines solchen Conversational Interfaces ist jedoch auf die vordefinierte Domäne beschränkt.

Achtung Etikettenschwindel - leider auch bei Chatbots!

Nicht überall wo KI drauf steht ist auch KI drin. Die Definition von künstlicher Intelligenz war und ist noch immer schwierig, da auch der Begriff der Intelligenz als solches noch nicht konkret definiert werden kann.

KI-basierte Systeme zeichnet aus, dass sie komplexe, (un-)bekannte Probleme selbstständig lösen. Verallgemeinert ausgedrückt, versuchen diese intelligentes Verhalten zu imitieren und zu automatisieren.

Dass dies gelingen kann, benötigen KI-basierte Systeme und auch Chatbots große Mengen an Trainingsdaten von echten Menschen, um daraus zu lernen wie eine natürliche Konversation zwischen zwei oder mehreren Gesprächspartnern verlaufen kann.

Service-Knechte - Chatbots im Einsatz

Das Anwendungsfeld von Chatbots ist extrem vielfältig. Sie können beispielsweise im Kundenservice, dem 1-Level Support, in Beratungssituation im E-Commerce oder Gesundheitswesen und in der Schadensregulierung bzw. Schadensmeldung bei Versicherungen eingesetzt werden.

Der Einsatz eines Chatbots bei einem 1-Level Support könnte wie in der Abbildung zu sehen ist ablaufen. Ein Mitarbeiter stellt eine Serviceanfrage zu einem neuen Notebook Akku an die IT-Abteilung. Anstatt eine komplizierte Service-Ticket Maske anzuzeigen, wird der Chatbot RoboDesk aktiv und nimmt die Anfrage entgegen. Dabei reagiert er auf die Eingaben des Mitarbeiters und stellt notwendige Rückfragen an ihn.

Im Rahmen seiner Möglichkeiten - mittels hinterlegter oder intelligenter Lösungsstrategien - versucht der Chatbot eine Lösung zu finden und übermittelt im Beispiel die Angaben zum Mitarbeiter und der zu beschaffenden Ersatzteile an den Einkauf.

Quellenverzeichnis zum Artikel

Folgende Quellen wurden für den Artikel "Schöne neue Welt - Invasion der Chatbots" herangezogen:

• Stanoevska-Slabeva, K., (2018). Conversational Interfaces – die Benutzerschnittstelle der Zukunft? Wirtschaftsinformatik & Management, 10(6), 26-37.
• Satu, M. S., & Parvez, M. H. (2015, November). Review of integrated applications with AIML based chatbot. In Computer and Information Engineering (ICCIE), 2015 1st International Conference on (pp. 87-90). IEEE.
• Weizenbaum, J. (1966). ELIZA—a computer program for the study of natural language communication between man and machine. Communications of the ACM, 9(1), 36-45.
• Jiang, S., de Rijke, M., (2018). Why are Sequence-to- Sequence Models So Dull? Understanding the Low- Diversity Problem of Chatbots. arXiv preprint arXiv:1809.01941.
• Vinyals, O., Le, Q., (2015). A neural conversational model. arXiv preprint arXiv:1506.05869.
• Sordoni, A., Galley, M., Auli, M., Brockett, C., Ji, Y., Mitchell, M., Dolan, B., (2015). A neural network approach to context-sensitive generation of conversational responses. arXiv preprint arXiv:1506.06714.
• Amato, F., Marrone, S., Moscato, V., Piantadosi, G., Picariello, A., & Sansone, C. (2017). Chatbots Meet eHealth: Automatizing Healthcare. WAIAH@AI*IA.
• Ghosh, S., Roy, S., & Bandyopadhyay, S. (2012). A tutorial review on Text Mining Algorithms.International Journal of Advanced Research in Computer and Communication Engineering, 1(4), 7.
• Carstensen, K. U., Ebert, C., Ebert, C., Jekat, S., Langer, H., & Klabunde, R. (Eds.). (2010).Computerlinguistik und Sprachtechnologie: Eine Einführung. Springer-Verlag.
• Goram, M (2019). A Software Assistant to Provide Notification to Users of Missing Information in Input Texts, in Proceedings of the 21st International Conference on Enterprise Information Systems (ICEIS 2019) - Volume 1, pages 411-418
• Luger, G. F. (2005). Artificial intelligence: structures and strategies for complex problem solving. Pearson education.