Conversational AI: Software beantwortet Anwenderfragen

Rückfragen zu KI-Entscheidungen, Handlungsempfehlungen im Störfall u. v. m.: Haben Anwender Fragen beim Bedienen einer Software, ist es nicht immer leicht, schnell präzise Antworten zu erhalten. Eine zuschaltbare, textbasierte KI-Komponente macht genau das möglich.

Mit Voranschreiten der Digitalisierung haben sich auch die Ansprüche an Business-Software verändert: Sie muss leicht bedienbar und Entscheidungen verständlich und nachvollziehbar sein. Das trifft nicht zuletzt auch auf KI-basierte IT-Lösungen zu. Tatsächlich hat sich hier in den vergangenen Jahren bereits viel getan. Software-Hersteller haben bspw. Konfigurationstools integriert, um Oberflächen zu verschlanken und gezielt an physische Prozesse einzelner Mitarbeiter anzupassen. Ebenso wurden durchgängige Bedienlogiken geschaffen oder intelligente Eingabehilfen integriert. Nachholbedarf besteht jedoch immer dann, wenn darüber hinaus Fragen entstehen, die schnell Antworten bedürfen.

Informationen antrainieren

Prinzipiell gibt es hierzu zahlreiche Quellen, die Antworten liefern könnten. In der Regel handelt es sich jedoch um textbasierte Informationen, z. B. Handbücher, Produktdatenblätter ebenso wie Fachartikel, Referenzberichte oder die Beschreibung von Best-Practice-Prozessen, die nur selten gut dokumentiert abgelegt und verschlagwortet werden. Noch öfter fehlt in der Betriebsrealität aber schlicht die Zeit, um die jeweils passenden Quellen zur aktuellen Frage zu finden und nachzulesen.

Hinzuschaltbare KI-Komponenten auf Basis von Sprachmodellen (Large Language Model, LLM), z. B. Qualicision A2 (Ask and Answer) von der PSI FLS Fuzzy Logik & Neuro Systeme, machen in Textform vorliegende Daten aller Art ohne großen Zeitaufwand nutzbar. Hierzu trainieren Unternehmen einer Software die jeweils relevanten Texte gezielt an und schaffen so die Voraussetzung dafür, dass User mit der IT-Lösung kontextbasiert in einen Dialog treten und sofort Antworten auf ihre Anwendungsfragen erhalten.

Semantische Suche als Kern

Das Kernelement der KI-Komponente sind semantische Suchfunktionen. Die Analyse erfolgt mit Hilfe von Algorithmen, die zugleich umfangreiche Vektor-Datenbanken mit den Wissensinhalten aus den Kundendokumenten anlegen – jeweils repräsentiert durch hochdimensionale Vektoren (Embeddings). Stellt ein Anwender eine Frage, erfasst ein solches System den jeweiligen Sinngehalt und identifiziert über einen Abgleich mit den gespeicherten Embeddings relevante Informationen.

Antwortverhalten anpassen

Mit Hilfe der Technologie des Qualitativen Labelns (vgl. Kasten) können Unternehmen zudem bei Bedarf Themenprioritäten festlegen, die das Antwortverhalten (Answer) auf die Benutzeranfragen (Ask) anpassen. Hierfür lernt die KI-Komponente Schlüsselwörter aus den Texten als sogenannte Qualitative Labels. Diese sind mit Schiebereglern verbunden, die Anwender einfach und schnell an der Bedienoberfläche einstellen können. Zudem können Interaktionen bestätigt oder verworfen werden, wodurch das System zusätzlich zum automatisierten Nachtrainieren dazulernt. In Summe können Unternehmen den KI-Baustein also abgestimmt auf Anwendungssituationen flexibel konfigurieren und parametrieren.

Qualitatives Labeling von Prozessdaten Lernende KI-Verfahren für die Optimierung von Geschäftsprozessen und echtzeitfähige Entscheidungsunterstützung benötigen automatisiert aufbereitete Daten. Das heißt, ihnen muss bereits vor dem Lernvorgang eine Bedeutung zugeordnet werden. Denn anders als z. B. bei der Spracherkennung entstehen hier kontinuierlich neue Datenmuster, die laufend nachgelernt werden müssen. Dies kann nur per Software und automatisch erfolgen. Das Qualitative Labeling ist ein solches Verfahren. Mit dessen Hilfe lassen sich in historisierten und aktuellen Daten automatisch mittels Zielkonfliktanalyse Zusammenhänge erkennen – und zwar in Form von selbstberechneten Klassen von Datenmustern, die Anwenderinnen und Anwendern zur Bestätigung oder zur Korrektur präsentiert werden. Qualitativ gelabelte Daten schlagen folglich eine Brücke zwischen Datenmustern in den Rohdaten und ihrer Bedeutung in der realen Welt des betreffenden Prozesses. So schaffen sie die Voraussetzung für eine kontinuierliche Prozessverbesserung in Kombination mit qualitativen, optimierungsbasierten KI-Verfahren.

Wie eine benutzergeführte Konversation funktioniert, illustriert das Beispiel in Bild 1. Es zeigt einen Frage-Antwort-Dialog zur Fragestellung eines Anwenders „Was ist Qualitatives Labeling?“ sowie die von der Software generierte Antwort.

Bild 1: Frage-Antwort-Dialog zur Fragestellung „Was ist Qualitatives Labeling?“ (Quelle: PSI FLS Fuzzy Logik & Neuro Systeme)

Datenhoheit und Quellen inklusive

Im Gegensatz zu anderen Sprachmodellen ist die Komponente zudem so organisiert, dass sämtliche Trainingsprozesse und Anwendungen in der Infrastruktur der jeweiligen Kundenumgebung bleiben können. Der Vorteil: Unternehmen behalten die vollständige Datenhoheit und Kontrolle über das System. Außerdem werden den Anwendern im Dialog auch Informationen über die verwendeten Textquellen sowie Hinweise auf weiterführende Informationen angezeigt. Bei Bedarf können die Informationen via Klick auf die mitgelieferten Textlinks selbstständig nachgelesen werden.

KI-basierte Usability

Die immer größer werdende funktionale, technologische Komplexität industrieller Software muss auch für Anwender ohne tiefgreifende Expertise beherrschbar und nachvollziehbar bleiben. Vor diesem Hintergrund schaffen hinzuschaltbare, generative KI-Komponenten die Basis für einen einfachen Dialog zwischen Software und Anwender. Durch die dynamische Anpassung an den Nutzerkontext gewährleisten entsprechende Systeme eine zielgerichtete Informationsbereitstellung in Echtzeit.