Warum gute Chatbots Kontext brauchen, keine baumbasierten Abläufe

Neuauflage von Plato

Verfolger: 0

In dem Beispiel möchten Sie eine Sehenswürdigkeit besuchen und wissen, wie viel die Eintrittskarten kosten, also fragen Sie:

Benutzer: „Was kosten Tickets für 2 Erwachsene und 1 Kind für den Nebelwald?“

Überraschenderweise wusste der Chatbot die Antwort nicht, obwohl er über die entsprechenden API-Integrationen verfügte.

Bot: „Tut mir leid, ich lerne noch.“

Mit ein wenig Anleitung leitet Sie der Chatbot zu einem geführten (regelbasierten) Gesprächsablauf weiter. Es schlägt vor, dass Sie sagen sollten: „Tickets kaufen“ zuerst, gefolgt von „Ticketpreise", und schlussendlich "Wolkenwald“, um zur Antwort zu kommen.

Bot: „Tickets sind auf der Website erhältlich.“

Noch nicht ganz nah.

Die überwiegende Mehrheit der virtuellen Agenten verwendet ein NLU-Modell (Natural Language Understanding), aber die Benutzer sind immer noch mit den unnatürlichen Dialogen verkümmert.

Man kann die Intelligenz eines Chatbots nicht einfach damit erklären, dass eine NLP-Plattform besser oder schlechter ist als die andere. Das ist ein bequemer Grund, aber in diesem Fall nicht. Warum? Der Zweck eines gut trainierten NLU-Modells besteht darin, dabei zu helfen, eine Eingabe (Benutzeräußerung) einer Ausgabe (Benutzerabsicht) zuzuordnen. Zum Beispiel beides „Schick Curry Chicken Pizza an die 20 Sunshine Avenue“ und „Ich will Fish and Chips“ beziehen sich auf dieselbe Absicht „Essensbestellung“.

Hier endet jedoch die Absichtserkennung. Als Konversationsdesigner oder -entwickler müssen Sie berücksichtigen, was nach der Absichtserkennung passiert. Es heißt Kontext um möglichst direkt antworten zu können.

1. Wie Conversational AI den Kundenservice automatisieren kann

2. Automatisierte vs. Live-Chats: Wie wird die Zukunft des Kundenservice aussehen?

3. Chatbots als medizinische Assistenten in der COVID-19-Pandemie

4. Chatbot vs. Intelligenter virtueller Assistent — Was ist der Unterschied und warum kümmern?

Im wirklichen Leben, wenn Sie und Ihr Freund sich nach Monaten des Lockdowns endlich wiedersehen, prägen all die Momente der letzten Reise, an die Sie sich beide erinnern, das Kontext. Es hat spezifische Parameter wie die Namen der Städte und die Leute, die Sie unterwegs treffen. Der Kontext ist auch vergänglich, was bedeutet, dass die Urlaubsmomente vor COVID nicht das erste sind, woran Sie denken, wenn Sie und Ihr Freund sich mehrmals getroffen haben, um über andere Dinge zu sprechen.

Wenn Sie Chatbots programmieren, möchten Sie vielleicht etwas mit den spezifischen Informationen machen, die vom Benutzer geäußert werden. Beispielsweise ist es eine gute Idee für Ihren virtuellen Agenten, während der Gesprächssitzung proaktiv den Namen des Essens und die Lieferadresse zu extrahieren und sich auf einen Speicherzustand (den Kontext) festzulegen. Der Bot sollte nicht nach denselben Informationen fragen, wenn der Benutzer sie bereits im Pfad gesagt hat.

Leider können sich einige Chatbots heute nicht mehr an wesentliche Parameter erinnern, um einen hilfreichen Dialog mit dem Benutzer zu führen, der dem Chatbot schließlich wichtige Details wiederholen muss, um ihm zu helfen.

Dies sind einige Möglichkeiten:

Entwerfen glücklicher Pfade nur unter baumähnlichen Konversationsdesign-Tools in einigen Low-Code-Software
Behandeln Sie Absichten als Wendungen oder Kontrollpunkte im Ablauf und nicht als Ziele, die der Kunde im Sinn hat
Präsentieren von Konversations-Mindmaps oder Flussdiagrammen für Softwareentwickler ohne Vorgaben zu Benutzerfehlerkorrekturen und Chat-Umwegen
Schwierigkeiten haben, große Permutationen in einer nichtlinearen Anwendung zu berücksichtigen, im Gegensatz zu einer Web- oder mobilen App mit endlichen Flüssen zu Erfolgs-/Fehlerzuständen

Benutzer: „Wie hoch sind die Ticketpreise für 2 Erwachsene und 1 Kind in den Nebelwald? nochmal?"

Dieses Mal extrahiert der Chatbot die Entitäten, nach denen er in einer Absicht zur Ticketpreisabfrage sucht. Das sind die Teilnehmer und der Attraktionsort. Da genügend Daten vorhanden sind, um Ticketpreise nachzuschlagen, präsentiert der Chatbot ein paar relevante Rich Cards.

Angeblich hast du einen Fehler gemacht. Sie korrigieren den Fehler, indem Sie sagen

Benutzer: "Was ist stattdessen mit 1 Erwachsenen, 1 Kind und 1 Senior?"

Anstelle eines Fallbacks („Entschuldigung, das habe ich nicht verstanden“) führt die Nachricht zu einem parameterbasierten Intent. Der Chatbot hat sich bereits an Ihre bevorzugte Attraktionsseite erinnert und berücksichtigt jetzt nur noch die neuen Teilnehmerinformationen. Es weiß auch, dass Sie sich im Zustand der Ticketpreisabfrage befinden, also sagt es Ihnen, ohne dass Sie es wiederholen müssen, den neuen Gesamtpreis.

Bot: „Die Standardpreise betragen 20 $ pro Erwachsener, 12 $ pro Kind und 10 $ pro Senior. Der Gesamtbetrag beträgt 42 US-Dollar.“

Sie erwähnen weiterhin, dass Sie ein lokaler Bürger sind.

Benutzer: „Ich bin ein Einheimischer“

Auch hier sucht der Chatbot, ohne dass Sie die Attraktionsseite und die Anzahl der Personen wiederholen und das aktuelle Gesprächsthema ändern müssen, die Ticketpreise auf der Grundlage aller gesammelten aktualisierten Informationen nach. Erfolg!