BMW, Daimler, Volkswagen

Spracherkennung verbessert die Customer Experience

Ramin Assadollahi ist CEO der ExB Labs GmbH.
BMW Intelligent Personal Assistant, Mercedes me, der VW Golf Chatbot, die Hybrid-Sprachbedienung im neuen Audi A8: Spracherkennung ist bei den Automobilherstellern angekommen - sei es als Schnittstelle für die Fahrer-Fahrzeug-Interaktion oder als Chatbot im Kundenservice. Der Weg zu einer selbstlernenden KI-Wissensdatenbank ist für die Autobauer aber noch weit.

Chatbots sind ein effizienter Kanal zur Kundenkommunikation. Sie können heute schon direkt mit Kunden kommunizieren und etwa Fragen zu Verfügbarkeiten, Ausstattungen und technischen Problemen beantworten. Oder Kundenberatern einen schnellen und effizienten Zugang zu verfügbarem Wissen eröffnen. Meist antworten dabei regel- und textbasierte Systeme auf die Fragen.

Solange, bis die vorgegebenen Wissensgrenzen erreicht sind. In dem Fall übergibt der ChatbotChatbot an einen menschlichen Kollegen. Die Voice-Systeme im Fahrzeug sind dank fortgeschrittener Technologie heute endlich in der Lage, das gesprochene Wort des Fahrers sehr gut zu erkennen. Über den sprachlichen Austausch fühlt sich der Umgang mit dem Fahrzeug nicht nur natürlicher für den Nutzer an. Dank der Analyse gewonnener Spracheingaben lassen sich für Hersteller zudem wertvolle Rückschlüsse ziehen, die die Usability und das Qualitätsmanagement nachhaltig verbessern und zukünftige Bedürfnisse vorhersagen können. Alles zu Chatbot auf CIO.de

Mit einer KI-gestützten Wissensdatenbank können Automobilhersteller die Schnittstelle zum Kunden attraktiver gestalten.
Mit einer KI-gestützten Wissensdatenbank können Automobilhersteller die Schnittstelle zum Kunden attraktiver gestalten.
Foto: Who is Danny - shutterstock.com

Sprachverarbeitung trifft Sprachverständnis

Bei der Spracherkennung ist die größte Herausforderung im Zusammenspiel zwischen Sprachverarbeitung und Sprachverständnis der Aufbau einer Wissensdatenbank, auf die der Chatbot zurückgreift: Wie komme ich auf richtige Antworten auf Kundenanfragen im Fahrzeug oder im Support-Channel? Wie komme ich im Umkehrschluss auf die Fragen, die potenziell gestellt werden können? Wie gehe ich mit sprachlichen Doppeldeutigkeiten und persönlichen Sprachstilen der Nutzer um?

Um Chatbot-Systeme aufzubauen und zu pflegen, setzt die Industrie heute überwiegend noch auf menschliche Intelligenz: Redakteure versuchen, eine Vielzahl an Themengebieten und Eventualitäten und deren Wechselwirkungen zueinander abzudecken. Der große Nachteil: Solche Systeme haben einen sehr geringen Grad an Automatisierung, sie sind nur bedingt selbstlernend und sehr statisch in Punkto Qualitätsverbesserung.

Um die Akzeptanz von Voice-Systemen und Chatbots mittel- und langfristig zu fördern, ist aber gerade eine stetige oder gar exponentielle Verbesserung ihrer Service-Qualität notwendig. Dies kann gelingen, wenn Textanalysemechanismen einen direkteren Zugang zu verfügbarem Wissen bekommen und daraus weitgehend automatisiert eine umfassende Wissensdatenbank aufbauen können, die stetig mit ihren Anforderungen wächst.

KI-gestützte Datenhaltung

Ein möglicher Ansatz besteht darin, Chat-Texthistorien zu analysieren, um daraus Vorschlagsszenarien zu entwickeln oder inhaltliche Verbesserungspotentiale zu erkennen. Helfen können dabei moderne Technologien wie künstliche Intelligenzkünstliche Intelligenz, die den Redaktionsprozess erheblich beschleunigen und verbessern. Der menschliche Redakteur ist in seiner Lese-, Verarbeitungs- und Schreibgeschwindigkeit natürlich begrenzt. KI-gestützte Analysewerkzeuge hingegen können maschinell Wort- oder Satzähnlichkeiten erkennen und zu sinnvollen Fragen- oder Antwortwahrscheinlichkeiten zusammenfassen. Alles zu Künstliche Intelligenz auf CIO.de

Das Lernverhalten ist um ein Vielfaches effizienter als bei starren, regelbasierten Datenbanken, die von menschlichen Redakteuren aufgebaut werden. Die Analyse der Texthistorie legt den Grundstein für ein System, das sich dann Antworten auf Basis der Wissensdatenbank selbst generiert. Es muss dabei nicht auf einen klassischen Antwortbaum zurückgreifen, sondern entwickelt passende Relationen zum sprachlichen Input selbstständig und berücksichtigt dabei auch Eventualitäten.

Ein Beispiel: Ein Chatbot-System eines großen AutomobilkonzernsAutomobilkonzerns ist bereits im Einsatz und wird von menschlichen Redakteuren gepflegt. Allerdings ist der redaktionelle Aufwand, das System zu pflegen und zu erweitern sehr hoch und eine globale Skalierung personell nicht abbildbar. Hier kommen KI-Lösungen ins Spiel, die relevante Daten in Chatbot-Systeme einfließen lassen und mit den Chat-Daten, die bereits vorliegen (bestehende Prozesse, gestellte Anfragen oder auch Fälle, die nicht beantwortet werden konnten), verknüpft. Top-Firmen der Branche Automobil

Diese relevanten Daten, die mit Redaktionsinformationen verknüpft werden, können aus den unterschiedlichsten Quellen stammen: Consumer-Artikel, Fachartikel, Forenbeiträge, Marketing-Daten, Newsgroup-Foren - sämtliche Informationen werden durch KI-gestützte Analysewerkzeuge in einem Corpus vereint. KI-Systeme analysieren diese Informationen und vergleichen sie dahingehend miteinander, welche Daten in Kontext zueinanderstehen.

Ein Motorblock ist unter dem Motorraum zu finden, die Motorhaube befindet sich immer darüber. Die Motorhaube befindet sich meist an der Vorderseite des Autos. Versteht ein Chatbot-System solche trivialen Zusammenhänge, ist es ihm möglich, korrekte Rückschlüsse bei neuen Fragen zu ziehen. Darüber hinaus reift das Verständnis, in welchen Bereichen noch nicht genügend Kontext vorhanden ist, was für eine rasante Verbesserung der Chatbot-Qualität sorgt.

Zur Startseite