Wie läuft ein Chat ab?
Zunächst stellt sich die Frage, wie die Kommunikation per Chat überhaupt abläuft. Klassischerweise wird das Gespräch durch den Kunden initiiert, der eine entsprechende Anfrage an das Unternehmen sendet. Die Kontaktaufnahme ist an die Erwartungshaltung geknüpft, eine schnelle Antwort zu erhalten. Dabei ist es egal, ob es sich bei dem antwortenden Ansprechpartner um einen Menschen oder einen Automaten handelt. Ein freier Ansprechpartner wird die Chatanfrage annehmen, den Kunden im Sinne des Unternehmens begrüßen und sich mit einer gezielten Frage nach dessen Anliegen erkundigen. Ausgehend von der Antwort des Kunden kommt es zu einem tiefergehenden Dialog, in dem das Anliegen des Kunden genauer definiert wird und alle Rahmendaten für die Erfüllung dieses Anliegens zu klären sind. Die Dialoge verlaufen immer in den gleichen Schritten. Während der Chatbot Informationen preisgibt und weiterführende Fragen stellt, liefert der Kunde Antworten und trifft – falls nötig – Auswahlen. Darüber hinaus zieht der Chatbot ergänzende Informationen aus Backendsystemen und kann darauf basierende Entscheidungen treffen, die für die Dialogführung wichtig, manchmal sogar elementar sind. Wartet ein Kunde beispielsweise auf seine Bestellung, kann der Bot die zugehörige Auftragsnummer erfragen und den Lieferstatus prüfen. Sofern auch eine Nummer zur Sendungsverfolgung vorliegt, kann diese ebenfalls übermittelt werden, sodass der Kunde sich selbstständig über den weiteren Fortgang seiner Bestellung informieren kann.
Die Technik dahinter
Um zu erfahren, welche Technik den Chatbots die intelligente Dialogführung ermöglicht, ist ein Blick hinter die Fassade unumgänglich. Auch dabei lassen sich grundsätzlich zwei Varianten unterscheiden. Entweder ist der Verlauf des gesamten Dialogs manuell durchgestaltet, sodass der Chatbot letztlich nur ein Dialogskript abarbeitet und dabei einer strikten Wenn-Dann-Logik folgen muss. Oder der Bot stützt sich auf spezielle Machine Learning-Algorithmen, um auf Grundlage einer möglichst breiten Informationsbasis passende Antworten zu geben. Beide Typen haben Vor- und Nachteile. Im Falle der geskripteten Variante stehen die Betreiber des Bots vor der Herausforderung, alle Eventualitäten in den Dialogverläufen vorherzusehen und adäquate Reaktionen zu planen. Dabei sollten sich Wortwahl und logischer Ablauf nicht an den unternehmensinternen Gepflogenheiten orientieren, sondern möglichst aus der Perspektive eines Kunden konzeptioniert werden, dem es an umfangreichem Wissen zu internen Abläufen und Zusammenhängen fehlt. In der industriellen Bildverarbeitung stellen PC-basierte Systeme oft eine technische Hürde dar. Die Trennung von Bildaufnahme und Datenverarbeitung führt häufig zu Latenzen, erhöhtem Platzbedarf und einem komplexen Wartungsaufwand. Besonders in schnellen Produktionslinien erschwert die Synchronisation zwischen Sensor und externem Rechner eine stabile Prozesskontrolle. ‣ weiterlesen
Präzise 2D-Inspektion mit nativer Edge-Intelligenz
Tarining mit Daten
In Fall von selbstständig lernenden Bots muss eine ausreichend große Datenmenge vor- und aufbereitet werden, aus welcher der Chatbot sein Wissen nähren kann. Dazu könnten beispielsweise bestehende, von Mitarbeitern geführte Chatdialoge gesammelt und analysiert werden. In der Nachbearbeitung wäre dann manuell zu vermerken, ob die einzelnen Dialogschritte jeweils als korrekt oder falsch einzustufen sind. Aus den dabei erzeugten Daten kann der Algorithmus im nächsten Schritt lernen, wie er sich zukünftig in vergleichbaren Situationen verhalten soll. Wird ein solcher Chatbot mit automatisch angelerntem Verhalten dann praktisch eingesetzt, besteht die Chance, dass er sich an den eigenen Haaren aus dem Sumpf zieht. Soll heißen, dass von ihm geführte Dialoge gespeichert und einzelne Dialogschritte von Mitarbeitern bewertet werden, um die Datenbasis zu vergrößern und die Zuverlässigkeit des Bots zu verbessern. Hat sich der Chatbot jedoch erst einmal darauf versteift, gewisse Situationen stets falsch zu behandeln, so lässt sich das erlernte Fehlverhalten – anders als bei der geskripteten Version – nicht so einfach unterbinden. Stattdessen muss die Datenbasis so lange mit Beispielen des gewünschten Verhaltensmusters angereichert werden, bis der Bot seine erlernte Auffassung ändert.
