Best Practices bei der Chatbot-Entwicklung

Denn viele Firmen bieten dafür vorgefertigte Frameworks an. Damit Ihnen ein Chatbot – als smarter Assistent – einen Mehrwert bieten kann, muss das Konzept von Anfang an gut durchdacht sein. Doch wie kann ein Chatbot Ihrem Unternehmen einen konkreten Mehrwert liefern und welche Technologien stecken in einem Chatbot? Wir liefern Ihnen in diesem Beitrag unsere Best Practices vom Konzept bis zur Realisierung.

Was ist ein Chatbot? Mithilfe eines textbasierten Dialogsystems – dem Chatbot – ist es möglich, mit einem technischen System zu chatten. Das Wort setzt sich aus „Chat“ und „Robot“ zusammen.

 

Welches Ziel verfolgt Ihr Chatbot?

Ein Chatbot muss darauf ausgerichtet sein, bei spezifischen Aufgaben zu assistieren. Die Implementierung sollte nie das Ziel verfolgen, einen Chatbot zum Selbstzweck zu haben bzw. weil es gerade im Trend liegt. Allgemeine Unternehmensbereiche, in denen ein Bot Nutzen stiften kann, sind beispielsweise der Vertrieb, das Marketing oder das Personalwesen:

  • Vertrieb und Marketing: Produktinformationen, Beratung, Bestellung
  • Personalwesen: Unternehmensinformationen, Bewerbungsprozess, Onboarding
Chatbot Canvas
Abbildung 1: Chatbot Canvas – für Chatbot Konzepte, Quelle: https://www.hundertmark.ch/2020/01/08/das-chatbot-canvas-das-template-fuer-chatbot-konzepte/

Daher ist es wichtig, dass zu Beginn genau abgegrenzt wird, was der Chatbot können soll und was nicht. Um dies zu identifizieren, müssen Fragen wie: „Wer ist meine Zielgruppe?“ oder „Was sind die Funktionen des Chatbots?“ geklärt werden. Hier kann bspw. ein Chatbot Canvas helfen.

Grundlagen bei der Chatbot-Implementierung

Tech-Giganten wie Microsoft, IBM, AWS oder Google stellen jeweils eigene Bot-Frameworks zur Verfügung, die sich dort mit weiteren Cloud Services verknüpfen lassen. Es gibt aber auch kleinere spezialisierte Anbieter mit Framework, wie Botpress oder Botkit.

Ein guter Start bei der Entwicklung des eigenen Chatbots ist der QnA-Maker Service des Microsoft Bot-Frameworks. Er ermöglicht es, innerhalb weniger Minuten eine solide Wissensdatenbank aufzubauen, beispielsweise durch die automatisierte Extraktion von Frage-Antwort-Paaren aus Dokumenten und Websites.

Um überhaupt Antworten zu generieren, muss der Chatbot in der Lage sein, die Anfragen der Nutzer zu verstehen. Um dem Bot die nötige Intelligenz zu verleihen, setzen viele Bot-Frameworks auf Natural Language Processing (NLP). NLP umfasst Techniken und Methoden zur maschinellen Verarbeitung natürlicher Sprache und hilft dabei, mit dem Nutzer zu kommunizieren.

Wie funktioniert NLP?

Es gibt verschiedene Möglichkeiten NLP zu realisieren. Zum einen gibt es NLP-Frameworks wie NLTK (Natural Language Toolkit) oder SPACY, die viel manuellen Aufwand erfordern, dadurch wiederum auch viele Freiheiten ermöglichen. Cloud-Anbieter wie Amazon, Microsoft und Google stellen solche NLP Algorithmen Out-of-the-Box zur Verfügung, wodurch die Komplexität bei der Entwicklung eines Bots reduziert wird. IBM bietet Watson, Google Auto ML Natural Language und Microsoft LUIS an. Die Funktionsweise eines NLP Algorithmus, egal ob On Premise oder Cloud, kann vereinfacht wie in Abbildung 2 dargestellt werden. Durch den erkannten Intent kann ein Bot nun die geeignete Funktion für eine Flugbuchung aufrufen und die Entities stellen hierbei die inhaltlichen Details für die Flugbuchung zur Verfügung. Mit diesem und weiteren Verfahren schafft der Chatbot Intelligenz.

Funktionsweise eines NLP Algorithmus
Abbildung 2: Funktionsweise eines NLP Algorithmus – eigene Darstellung

 

Wie spielen die Komponenten in einer Chatbot-Architektur zusammen?

Bei der Architektur eines Chatbots gibt es – wie bei den allermeisten IT-Projekten – keine universelle Lösung. Wir bei doubleSlash haben im Rahmen eines Forschungsprojekts einen Chatbot-Prototyp für unser Unternehmen entwickelt: den slashBot. Beispielhaft wird in der folgenden Abbildung die Bot-Architektur gezeigt, die für viele Chatbot-Vorhaben ein guter Start sein kann:

  • Knowledge Bases mit jeweils fachbezogenen Informationen zu unserem Unternehmen
  • NLP Modell (hier LUIS) für die Spracherkennung
  • User Interface mit direkter Anbindung an die Web App des Bots
Bot-Architektur des slashBots
Abbildung 3: Bot-Architektur des slashBots – eigene Darstellung

Trainieren, Testen, Auswerten…

Was leicht vergessen wird: Ein Bot ist nicht perfekt, aber lernfähig. Nach dem Launch des Bots ist die Arbeit nicht getan. Nun heißt es fleißig Feedback sammeln. Der Chatbot interagiert nun mit seiner Zielgruppe und kann wertvolle Daten und Insights sammeln. Was interessiert den Nutzer? Was sind die häufigsten Anfragen? In dieser Phase kann sich zeigen, wo das System noch „Wissenslücken“ hat. Aber das ist kein Problem. Der Chatbot kann trainiert werden und Wissensdatenbanken sind beliebig erweiterbar.

Unser slashBot zum Testen

Bei der Entwicklung unseres eigenen Chatbots (dem slashBot), konnten wir durch Einsatz des Microsoft Bot Frameworks und einer klaren Zielsetzung – schnelles Auffinden von Unternehmensinformationen – profitieren. Dadurch war die Lernkurve bei uns selbst, aber auch dem slashBot sehr steil. Um die hohe Lernkurve des Chatbots zu gewährleisten, ist die Auswahl der Trainingsdaten essenziell. Für jede Nutzerabsicht müssen ausreichend Trainingsdaten zur Verfügung gestellt und diese sollten über die verschiedenen Nutzerabsichten gleich verteilt werden. Sind die Trainingsdaten unausgewogen, weiß der Chatbot nicht mehr weiter und antwortet lediglich damit, dass er keine Antwort auf die Frage kennt. Auch wir mussten diesen Lernprozess durchlaufen. Ein neuer unausgewogener Trainingsdatensatz hat uns glauben lassen, unser slashBot hat über Nacht alles verlernt. Aber wie der Mensch lernt auch ein Chatbot nie aus. Das schöne dabei ist: Hat man sein erstes Ziel erreicht und der Chatbot läuft stabil, kann er beliebig erweitert werden. Bspw. kann ein Informationsbot sukzessive zu einem Recruiting Chatbot oder Support Chatbot erweitert werden.

Aber nun überzeugen Sie sich selbst – lernen Sie doubleSlash sowie unser Leistungsangebot im Bereich Advanced Analytics mithilfe unseres slashBots kennen und testen ihn gleich hier:

slashBot


Stelle hier deine Frage

Ist Ihnen etwas aufgefallen oder möchten Sie Ihre Erfahrungen mit unserem slashBot mit den anderen Lesern und uns teilen? Kommentieren Sie einfach unter dem Beitrag, wir freuen uns darauf!

 

Hier mehr über unsere Advanced Learning Projekte erfahren

 


Quellen:

 

Mitwirkende bei diesem Beitrag: Christina Reiter

Playing Lean Startup – ein Selbstversuch

Playing Lean Startup - Timo DemlerUnternehmen, die neue Produkte oder Dienstleistungen anbieten, stehen immer vor der Herausforderung der Marktanalyse. Gibt es überhaupt einen Markt für mein Produkt oder meine Leistung? Adressiert das Produkt oder die Leistung einen wirklich relevanten Kundennutzen? Mittlerweile gibt es Methoden wie Lean Startup [1], die Unternehmen dabei helfen, kritische Annahmen in Bezug auf das Kundensegment und deren Bedarfe zu validieren und somit auch das Risiko des Scheiterns zu minimieren. Wir von doubleSlash haben uns im Rahmen eines internen Workshops spielerisch mit der Methode auseinandergesetzt – mit dem Brettspiel „Playing Lean“ [2].

Was ist Lean Startup?

Mehr