DZ BANK Logo
Innovation lab Logo
Foto: Getty Images
Trends & Technologie | 18. April 2017

Wie ein Chatbot im Hintergrund arbeitet (Teil 1): Chatbot ist nicht gleich Chatbot

Seit dem Frühjahr letzten Jahres ist die Techwelt fasziniert von Chatbots. “Eine Armee”, so schrieb die Technology Review, “automatisierter Textassistenten sollte uns künftig helfen, Alltagsprobleme zu lösen – von der Beantwortung einer Wissensfrage über die Reisebuchung bis hin zur Onlinebestellung.” Einkaufen, Informationen beschaffen, Geld überweisen und kommunizieren. Chatbots versprechen das, was auch Apps schon lange können, nur dass sie das auf Zuruf erledigen, dabei in einer einzigen Anwendung gestartet werden und manche sogar über besondere kognitive Fähigkeiten (vulgo künstliche Intelligenz) verfügen.

Wir haben uns in diesem Blog bereits häufiger mit Chatbots befasst. Nach den Erfahrungen, die ich u. a. in einem internen Lernhackathon der Fiducia GAD zu Chatbots sammeln konnte, möchte ich in dieser zweiteiligen Reihe etwas tiefer als bisher in die Materie gehen. Doch zunächst eine Beispielsdemonstration für einen Bank Bot.

Bitte beachten Sie, dass Sie zum Abspielen des Videos den Innovationlab-/blog verlassen und auf die Plattform von YouTube wechseln.
Fortfahren

Chat bedeutet im Englischen plaudern und Bot ist die Kurzform für Robot.

In jedem Fall sind Chatbots nicht gleich Chatbots. Sie tauchen in unterschiedlichen Formen  auf. Die Techno-Diener findet man in Kommunikationsprogrammen wie Facebook Messenger, WeChat und WhatsApp und wollen einzelne Apps überflüssig machen. Weiter findet man sie auf Webseiten oder in digitalen Assisten wie Siri, Cortana oder Alexa. Gemeinsam haben sie vor allem, dass sie per Text oder Sprache in einen Dialog mit dem Anwender treten.

Manche sehen schon ein neues Paradigma für die Nutzer, denn sie bedienen Programme, Dienste und Apps künftig nicht mehr (nur) per Maus oder Tastatur, sondern unterhalten sich mit ihnen in natürlicher Sprache per Chat, Mail, SMS oder gesprochenen Worten.

Relevanz für Banken

Ob Chatbots für bestimmte Anwendungsgebiete von Finanzdienstleistern eine interessante und massentaugliche Technik sind, muss sich erst zeigen. Es laufen aber bereits die ersten Anwendungen bei Banken. So hat zum Beispiel die Bank of America “Erica” vorgestellt. Erica unterstützt Kunden in Finanzangelegenheiten. Der selbstgesetzte Anspruch ist dabei hoch: Erica überwacht den Finanzstatus der Kunden und gibt Hinweise zur Optimierung und Konsolidierung. Es soll auch kleineren Kunden ein Betreuungssegment eröffnen, das bisher nur wohlhabenden und institutionellen Kunden vorbehalten ist. JP Morgan soll ein Tool für die automatisiertes Research- und Finanzanalyse einsetzen, das schnelle Antworten auf in natürlicher Sprache gestellte Fragen liefern soll.

Auch für die genossenschaftliche Finanzgruppe sind Chatbots ein interessantes Thema. Die Fiducia GAD IT AG hatte dazu im Februar zu einem Lernhackathon in ihren “Freiraum” in München eingeladen.

Chatbots sind nicht gleichzusetzen mit künstlicher Intelligenz

Chatbots sind eigentlich ein alt Hut, denn sie existieren seit Jahrzehnten. Weltbekannt ist vor allem das Dialogprogramm ELIZA, ein von Joseph Weizenbaum entwickeltes Computerprogramm, das die Möglichkeiten der Kommunikation zwischen einem Menschen und einem Computer über natürliche Sprache zeigen sollte. ELIZA kann man immer noch hier in englischer Sprache und hier in deutscher Sprache ausprobieren.

Weizenbaums Programm stammt aus dem Jahre 1966 und hat nichts mit künstlicher Intelligenz zu tun. In Wirklichkeit verstand das Programm nämlich kein Wort der menschlichen Gesprächspartner. Es arbeitete mit Heuristiken und reagierte auf bestimmte Schlüsselwörter.

Das Beispiel ELIZA zeigt, Chatbots sind nicht gleichzusetzen mit künstlicher Intelligenz. Sie werden zwar unterstützt durch ein System von Regeln. Das kann mit Hilfe von Systemen erfolgen, die als künstliche Intelligenz bezeichnet werden, muss es aber nicht. Manche Chatbots arbeiten mit einfachen starren Regeln und lernen nichts dazu. Andere stellen im Hintergrund Verbindungen zu verschiedenen anderes Systemen her und lernen aus dem Verhalten der Anwender.

Keiner mag den Begriff “Künstliche Intelligenz”

Manche der Funktionen und Dienste von Chatbots werden in der Alltagssprache unter “Künstlicher Intelligenz” zusammengefasst. Ich habe allerdings Probleme diese Modewort zu verwenden. Wie auch immer konstruierte Maschinen können keinen Menschen simulieren, denn dazu müsste man vor allem die Funktionsweise unseres Gehirns viel besser verstehen. Davon sind Wissenschaftler weit entfernt. Statt von Künstlicher Intelligenz sprechen Fachleute lieber von kognitiven Diensten (cognitive services) oder lernenden Maschinen (machine learning). Das sind Technologien unter der Oberfläche eines Bots.

Künstliche Intelligenz wird derzeit als Werkzeug für möglichst klar umrissene Aufgaben in Erwägung gezogen. Bringt man etwa einem System mit Trainingsdaten bei, wie eine bestimmte Aufgabe gelöst werden kann, dann wird von schwache künstlicher Intelligenz gesprochen oder Narrow Artificial Intelligence. Starke “Künstliche Intelligenz”, wie sie etwa in TV-Serien wie Humans oder Westworld demonstriert wird, bleibt vorläufig Science Fiction und ist derzeit für die Praxis nicht relevant (oder kommt in vielleicht in hundert Jahren, wie Stephen Hawking glaubt).

Chatbots als Kommunikationskanal

Die Anwendungsbandbreite von Chatbots reicht von einfachen Bots, die lediglich Frequently Asked Question beantworten, über solche, die gegen die besten Pokerspieler der Welt gewinnen, bis hin zu medizinischen Diagnoseprogrammen (siehe hier).

Ich halte es für das Verständnis wichtig, dass ein Chatbot nicht nur ein einfaches Programm oder eine App auf dem Smartphone ist, vielmehr können sich hinter der einfachen Oberfläche mächtige Dienste verbergen. Sie greifen bei ihrer “Arbeit” auf andere Dienste über Programmierschnitten (API) zurück. Die Stärke der heutige Konzepte von Chatbots liegt darin, dass die verschiedenen genutzten Dienste nicht auf einem Rechner oder dem Smartphone nebst der notwendigen Daten vorhanden sein muss, sondern in der Cloud und damit verteilt auf verschiedensten Rechnern liegt.

AI as a Service

Unterstützt wird die Entwicklung von Chatbots durch öffentlich verfügbare Toolbaukästen von Anbietern wie Microsoft, Google, IBM, Amazon, Facebook und Co. Sie stellen mächtige Entwicklungsumgebungen, Tools und APIs (standardisierte Programmschnittstellen) mit umfangreichen Services bereit, die nicht mehr selbst erstellt werden brauchen. Beispielhaft sei hier auf die Services von Microsoft verwiesen.

Diese Toolbaukästen werden sicher die praktischen Anwendungen von AI-Systemen noch einmal stark beschleunigen, weil sich die Entwickler in den Unternehmen z.B. nicht mehr damit befassen müssen, wie sie eine Spracherkennung entwickeln (das würde Jahre dauern), sondern nur wie sie einen Spracherkennungsdienst in ihre Services einbinden können.

Für Entwickler ist dies dennoch nicht trivial. Zum einen muss er wissen, welche der KI-Systeme für die eigenen fachlichen Anforderungen am besten geeignet ist und zweitens muss er dann für die jeweilige technische Anbindung sorgen. Genau hier setzen Unternehmen wie Aaron.ai oder Repon.ai an. Diese Startups bauen eine Art Middleware für KI-Systeme und vereinfachen die Anbindung. Sie versprechen, dass man kein technisches Know how mehr benötige, um eigene Bots zu entwickeln. Es wird also jeweils das KI-System dazu geschaltet, was für die spezielle Anwendung am besten geeignet ist.

Was passiert nun unter der Oberfläche

Ich möchte das, was unter der Oberfläche von Chatbots passiert, besser verstehen und gehe dazu einmal die Verarbeitungsschritte eines fiktiven Chatbots durch. Anwender bekommen das in der Regel nicht mit. Für sie sieht die Kommunikation wie aus einem  Guss aus. Tatsächlich werkeln aber im Hintergrund verschiedenste Dienste. Man merkt das manchmal daran, dass Bots etwas länger für eine Antwort benötigen. Ich habe die folgenden Verarbeitungsschritte für Chatbots mit verschiedenen Fachleuten durchgesprochen und verfeinert:

  1. Eingabe und Eingabeumgebung
  2. Identifizierung
  3. Erkennung
  4. inhaltliche Analyse
  5. Verarbeitung
  6. Ausgabe
  7. Lernen

Im zweiten Teil dieser Reihe steige ich tiefer in die einzelnen Schritte ein.

Kommentieren

vier × vier =

Diese Themen interessieren uns

Lean and Secure Decentralized Delivery-versus-Payment (DvP) for Securities Settlement
Successful Decentralized Delivery-versus-Payment Process

Lean and Secure Decentralized Delivery-versus-Payment (DvP) for Securities Settlement

Weiterlesen
Comment
0
FinTech Innovationen in Asien – Ein Blick auf das FinTech Festival in Singapur
FinTech Innovationen in Asien – Ein Blick auf das FinTech Festival in Singapur
Allgemein
22. Dezember 2023

FinTech Innovationen in Asien – Ein Blick auf das FinTech Festival in Singapur

Weiterlesen
Comment
0