Wenn man sich ein­mal genau­er mit Chat­bots beschäf­tigt, tau­chen immer wie­der die Begrif­fe Machi­ne Lear­ning und regel­ba­sier­te Erken­nung auf. Wie unter­schei­den sich die­se bei­den Metho­den von­ein­an­der und wel­che ist bes­ser geeig­net für den Ein­satz von Chat­bots? Fin­den Sie es jetzt heraus.

Wie funk­tio­niert ein Chatbot?

Bevor wir Ihnen die Unter­schie­de zwi­schen regel­ba­sier­ter Erken­nung und maschi­nel­lem Ler­nen erläu­tern, schau­en wir uns für ein bes­se­res Ver­ständ­nis kurz die grund­le­gen­de Funk­ti­ons­wei­se eines Chat­bots an. Haupt­auf­ga­be eines Chat­bots ist die Beant­wor­tung von Nut­zer­fra­gen in Form eines Dia­logs. Um eine Anfra­ge zu ver­ar­bei­ten und zu beant­wor­ten, ver­wen­den Chat­bots Wis­sens­da­ten­ban­ken und Erken­nungs­mus­ter. Das bedeu­tet, sie grei­fen auf ein defi­nier­tes Set von Schlüs­sel­wör­tern, Ant­wor­ten und soge­nann­ten Absich­ten zurück. 

Stellt der Nut­zer dem Chat­bot eine Fra­ge, so ist dies stets mit einer Absicht, also einem kon­kre­ten Bedürf­nis nach einer bestimm­ten Ant­wort, ver­bun­den. Ver­schie­den for­mu­lier­te Fra­gen kön­nen dabei die­sel­be Absicht haben. Bei­spiels­wei­se zie­len die Fra­gen “Wie ist das Wet­ter heu­te in Leip­zig?”, “Soll es heu­te in Leip­zig reg­nen?” und “Wie ist die Tem­pe­ra­tur heu­te in Leip­zig?” auf die­sel­be Absicht, näm­lich die Wet­ter­vor­her­sa­ge bzw. -aus­kunft für den heu­ti­gen Tag in Leip­zig, ab. Ziel eines Chat­bots ist es, die Absicht aus dem Anfra­ge­text des Nut­zers zu erken­nen, um den damit ver­bun­de­nen pas­sen­den Ant­wort­text aus­zu­ge­ben. Die Erken­nung der Absicht kann dabei sowohl anhand von fest­ge­leg­ten Erken­nungs­re­geln, d.h. regel­ba­siert, als auch durch maschi­nel­les Ler­nen erfolgen. 

Regel­ba­sier­te Chat­bots und ihre Vorteile

Bei der regel­ba­sier­ten Metho­de wird die Absicht des Nut­zers anhand von Erken­nungs­re­geln bestimmt. Dabei wird der Anfra­ge­text nach einer Kom­bi­na­ti­on von Schlüs­sel­wör­tern, den soge­nann­ten Enti­täts­wer­ten, durch­sucht. Enti­täts­wer­te wer­den der Über­sicht­lich­keit hal­ber in Enti­täts­ty­pen grup­piert. So kann der Enti­täts­typ “Zeit­punkt” z.B. die ein­zel­nen Enti­täts­wer­te “heu­te”, “mor­gen”, “am Frei­tag”, “nächs­te Woche” usw. haben. Auf Basis der erfass­ten Schlüs­sel­wör­ter erkennt die Chat­bot-Soft­ware die Absicht des Nut­zers und gibt die dafür hin­ter­leg­te Ant­wort aus. Damit die regel­ba­sier­te Erken­nung über einen mög­lichst brei­ten Wort­schatz ver­fügt, kann je Enti­täts­wert eine Lis­te von Syn­ony­men hin­ter­legt wer­den. Stellt der Nut­zer eine Fra­ge, die für den Chat­bot nicht ein­deu­tig oder voll­stän­dig ist, so kann er durch intel­li­gen­te Rück­fra­gen die feh­len­den Enti­täts­wer­te ermit­teln und dem­entspre­chend die rich­ti­ge Ant­wort aus­spie­len. Fragt der Nut­zer bei­spiels­wei­se “Wie wird das Wet­ter in Leip­zig?”, so erkennt der Chat­bot, dass ein Enti­täts­wert für den Enti­täts­typ “Zeit­punkt” fehlt und stellt des­we­gen die ent­spre­chen­de Rück­fra­ge “Für wel­chen Tag möch­ten Sie die Wettervorhersage?”.

Der gro­ße Vor­teil von regel­ba­sier­ter Erken­nung ist, dass das Sys­tem bereits nach kur­zer Zeit ein­satz­fä­hig ist. Denn statt Mil­lio­nen von Daten­sät­zen reicht schon ein simp­ler FAQ-Kata­log aus, um einen funk­tio­nie­ren­den Bot zu bau­en. Regel­ba­sier­te Chat­bots sind auf einen klar defi­nier­ten Auf­ga­ben­be­reich fixiert und opti­miert. Sie sind des­halb über­sicht­li­cher und bes­ser zu pfle­gen als bei­spiels­wei­se eine kom­ple­xe KI. Hin­zu kommt, dass Kun­den­an­fra­gen und -inter­ak­tio­nen in den meis­ten Fäl­len schlicht­weg kei­ne künst­li­che Intel­li­genz erfor­dern. Denn es wer­den Ant­wor­ten auf Fra­gen benö­tigt, die für gewöhn­lich funk­tio­nel­ler Natur sind, z.B. wie man einen bestimm­ten eta­blier­ten Pro­zess befolgt oder wie man spe­zi­fi­sche Infor­ma­tio­nen erhält. Wenn also Geschwin­dig­keit, eine ein­fa­che Umset­zung sowie Kos­ten eine Rol­le spie­len und der Bot gezielt für ein spe­zi­el­les Anwen­dungs­ge­biet ein­ge­setzt wird, dann sind regel­ba­sier­te Chat­bots die rich­ti­ge Wahl.

Regelbasierter Chatbot Absicht Intent Erkennung

Maschi­nel­les Ler­nen im Chatbot-Kontext

Bei die­ser Erken­nungs­me­tho­de wird die Absicht des Nut­zers durch ein sta­tis­ti­sches Modell vor­her­ge­sagt, wel­ches auf “Machi­ne Lear­ning”, also maschi­nel­lem Ler­nen, basiert. Maschi­nel­les Ler­nen ist dabei der Ober­be­griff für die „künst­li­che“ Gene­rie­rung von Wis­sen aus Erfah­rung. Zu die­sem Zweck müs­sen vor­her Bei­spie­le gesam­melt, klas­si­fi­ziert und trai­niert wer­den. Die Chat­bot-Soft­ware lernt aus die­sen Bei­spie­len und kann sie nach Been­di­gung der Lern­pha­se ver­all­ge­mei­nern. Nach der Trai­nings­pha­se ist die Chat­bot-Soft­ware dann imstan­de, aus Nut­zer­ein­ga­ben her­aus Mus­ter zu erken­nen und dadurch selb­stän­dig die Absicht her­aus­zu­fil­tern sowie die pas­sen­de Ant­wort bereit­zu­stel­len, ohne dass die­se unbe­dingt vor­for­mu­liert wurden.

Dar­in liegt zugleich der Haupt­vor­teil von maschi­nel­lem Ler­nen: Es kön­nen Nut­zer­an­fra­gen ver­stan­den wer­den, die vom Wort­laut her noch nicht expli­zit einer Absicht zuge­ord­net sind, d.h. durch die regel­ba­sier­te Erken­nung nicht abge­deckt wer­den. Der Bot kann so bei­spiels­wei­se die Absicht „Wet­ter­vor­her­sa­ge“ ver­ste­hen, auch wenn der Nut­zer nicht genau die hin­ter­leg­ten Enti­täts­wer­te, wie z.B. “Wet­ter”, “Regen” oder “Tem­pe­ra­tur” ver­wen­det, son­dern statt­des­sen etwas schreibt, das ähn­lich klingt (“Wie viel Grad ist es heu­te in Leip­zig?”). Dies ermög­licht es dem Chat­bot fle­xi­bler auf die Nut­zer ein­zu­ge­hen. Gleich­zei­tig kann durch maschi­nel­les Ler­nen ein grö­ße­res Anwen­dungs­ge­biet abge­deckt wer­den, da nicht jede Absicht ein­zeln durch eine Erken­nungs­re­gel manu­ell defi­niert wer­den muss. 

Einen Chat­bot jedoch allein anhand von maschi­nel­lem Ler­nen auf­zu­bau­en ist sehr zeit­in­ten­siv. Denn bevor der intel­li­gen­te Bot ein­satz­fä­hig ist, müs­sen die rele­van­ten Daten von Hand in eine Dia­log­form über­führt wer­den, die von der Chat­bot-Soft­ware ana­ly­siert und inter­pre­tiert wer­den kann. Bis genug Dia­lo­ge für einen funk­tio­nie­ren­den Chat­bot vor­han­den sind, ver­geht in der Regel viel Zeit. 

Maschinelles Lernen Chatbot

Fazit: Regel­ba­sier­te Chat­bots oder Machi­ne Learning-Ansatz?

Bei­de Erken­nungs­me­tho­den haben ihre Vor- und Nach­tei­le. Aus die­sem Grund emp­fiehlt sich eine Kom­bi­na­ti­on der bei­den. Das regel­ba­sier­te Sys­tem eig­net sich vor allem für den Grund­auf­bau des Chat­bots und um alle rele­van­ten Inhal­te und Infor­ma­tio­nen schnell und über­sicht­lich in die Chat­bot-Soft­ware ein­zu­pfle­gen. Ein “ein­fa­cher” Chat­bot muss jedoch nicht immer ein­fach blei­ben. Im lau­fen­den Betrieb sam­meln sich unzäh­li­ge Dia­lo­ge an – in genau der Form, die für das Trai­ning zum maschi­nel­len Ler­nen benö­tigt wird. Wäh­rend der regel­ba­sier­te Bot also in der Pra­xis die Arbeit erle­digt, kann neben­bei durch Machi­ne Lear­ning die Absich­ten­er­ken­nung und die Kom­ple­xi­tät des Chat­bots ste­tig erwei­tert werden.

Unse­re Chat­bot-Soft­ware Kiko macht genau dies mög­lich, denn sie ver­eint die regel­ba­sier­te Erken­nung mit maschi­nel­lem Ler­nen. Wir ermög­li­chen Ihnen so einen ein­fa­chen Ein­stieg in die Welt der Chat­bots. Las­sen Sie sich jetzt von unse­ren Bot-Exper­ten bera­ten oder legen Sie direkt kos­ten­los mit der Erstel­lung Ihres ers­ten eige­nen Chat­bots los, unse­re hilf­rei­chen Tuto­ri­als unter­stüt­zen Sie dabei.

Ein gutes Inter­view zu Text­ge­stal­tung und Design von Chat­bots mit hilf­rei­chen Ein­bli­cken und den rich­ti­gen Fra­ge­stel­lun­gen fin­den Sie auch hier: https://www.betterhr.de/magazin/ein-chatbot-sollte-nicht-zu-cool-sein