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.
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.
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 und erstellen Ihren personalisierten Chatbot mit ChatGPT-Technologie. Nähere Informationen dazu erhalten Sie hier.
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.