Die Zukunft von Chatbots?

· Thomas Wood
Die Zukunft von Chatbots?

Ihre NLP-Karriere wartet!

Bereit für den nächsten Schritt in Ihrer NLP-Reise? Vernetzen Sie sich mit Top-Arbeitgebern, die Talente in der natürlichen Sprachverarbeitung suchen. Entdecken Sie Ihren Traumjob!

Finden Sie Ihren Traumjob

Möglicherweise haben Sie die Nachrichten über den neuen futuristischen Chatbot von Facebook , der auf Empathie trainiert wurde, in 1,5 Milliarden Reddit-Posts gesehen.

Sie fragen sich vielleicht, wie es möglich ist, dass ein Computerprogramm auf natürliche Weise mit Menschen kommuniziert? Wohin entwickeln sich Chatbots und wie sieht die Zukunft für sie aus?

Dialogsysteme in natürlicher Sprache, auch virtuelle Assistenten oder Chatbots genannt, sind ein interessantes Gebiet der künstlichen Intelligenz und ein Feld mit einer langen Geschichte.

Bei der Erstellung eines Chatbots stehen wir vor mehreren Herausforderungen. Wir müssen:

  • einen Dialogkontext aufrechterhalten
  • Erinnern Sie sich im Laufe der Zeit an die Anfrage des Kunden
  • Merken Sie sich einen Referenten für den Fall, dass der Benutzer es später sagt
  • den Ablauf eines Dialogs bewältigen
  • angemessen reagieren, wenn der Benutzer außerhalb der Reihe spricht
  • Natürlich klingende Sätze produzieren
  • Verstehen und produzieren Sie eine menschenähnliche Betonung (denken Sie an neutral, ja, richtig , im Vergleich zu sarkastisch , ja, richtig !).

Bereits 1950 schlug Alan Turing vor, dass wir einen Computer als fähig betrachten können, wie ein Mensch zu denken, wenn wir ihn befragen können und nicht in der Lage sind, seine Antworten von den Antworten eines echten Menschen zu unterscheiden. Dieses Gedankenexperiment wird heute Turing-Test genannt. Ob ein Bot den Turing-Test bestehen würde, hängt natürlich stark von der Art der Fragen ab, die wir stellen: Wenn wir uns auf eine kleine Domäne beschränken, schneiden Bots in der Regel recht gut ab.

Alan Turing, unter anderem Erfinder des Turing-Tests. Quelle: Wikipedia

Joseph Weizenbaum, Erfinder von ELIZA. Quelle: Wikipedia

In den 1960er Jahren entwickelte Joseph Weizenbaum ein Programm namens ELIZA, einen Psychotherapeuten-Bot, der die Eingaben des Benutzers mithilfe cleverer Regeln umformulierte:

Benutzer: Du bist in gewisser Weise wie mein Vater.

ELIZA: Welche Ähnlichkeit sehen Sie?

Benutzer: Du bist nicht sehr aggressiv, aber ich denke, du willst nicht, dass ich das bemerke.

ELIZA: Warum denkst du, dass ich nicht aggressiv bin?

Beispielgespräch mit ELIZA

Selbst wenn ELIZA es geschafft hat, den Turing-Test zu bestehen, ist offensichtlich keine menschenähnliche Intelligenz vorhanden. ELIZA hat keine Ahnung von der Bedeutung von aggressiv und würde nicht verstehen, dass kriegerisch ein Synonym ist. Wenn Sie ELIZA sagen würden: „Du bist Kartoffel“, würde sie wahrscheinlich blind antworten: „Warum glaubst du, dass ich Kartoffel bin?“ .

Kosteneinsparungen für Unternehmen

In den 2010er-Jahren waren Chatbots für große Unternehmen bereits eine gängige Lösung, um die Kosten für das Callcenter-Personal zu senken. Wenn Sie die Website einer großen Fluggesellschaft, eines Einzelhändlers oder einer Bank besuchen, werden Sie häufig von einem kleinen Chatfenster begrüßt, in dem ein Avatar anbietet, Sie durch die Website zu führen.

Diese Bots haben zwei Dinge gemeinsam: Sie agieren in einem engen Bereich und basieren normalerweise auf Regeln. Das bedeutet, dass ein Mensch sorgfältig eine Reihe von Regeln erstellt hat, um zu bestimmen, welche Antwort der Bot in welchem Kontext geben soll. Kurz gesagt, der gleiche Trick wie ELIZA, aber mit mehr Rauch und Spiegeln.

Wenn Sie beispielsweise die Eingabe „Ich möchte ein Konto eröffnen“ eingeben, wird ein Banking-Bot wahrscheinlich auf die Schlüsselwörter „eröffnen + Konto“ achten und die entsprechende vorab geschriebene Antwort auslösen. Normalerweise gibt es eine Kaskade von Regeln, die der Bot zu erfüllen versucht, von streng bis breit. Der Bot sucht also zunächst nach „open + account“ und anderen aus zwei Wörtern bestehenden Auslösern, dann einfach nach „account “ und greift dann auf eine Sammelantwort wie „Es tut mir leid, ich habe nicht ganz verstanden, was Sie suchen“ zurück für .

Fast Data Science - London

Need a business solution?

NLP , ML und Data Science Leader seit 2016 – kontaktieren Sie uns für eine NLP- Beratungssitzung.

Chatbots für Einzelhandelswebsites erbringen für den Zweck, für den sie entwickelt wurden, eine akzeptable Leistung und kommen sogar mit der Aufrechterhaltung des Dialogkontexts, Pronomen wie „it/he/she “ und rudimentärem Smalltalk zurecht. Sie können jedoch leicht durch Phrasen oder Situationen, für die sie nicht konzipiert wurden, durcheinander gebracht werden, und es ist arbeitsintensiv, sie zu entwickeln.

Sie sind fast immer mit einer Chat-Übergabe konzipiert: Wenn der Bot die Eingabe nicht versteht, wird der Benutzer an einen menschlichen Operator übergeben.

Mobile Geräte

Steve Jobs, CEO of Apple, demonstrating an iPhone. Source: Wikipedia

Steve Jobs, CEO von Apple, führt ein iPhone vor. Quelle: Wikipedia

Eine Entwicklung, die Chatbots in den letzten zehn Jahren mehr als jede andere ins öffentliche Bewusstsein gerückt hat, war die Einführung von Siri auf dem iPhone durch Steve Jobs im Jahr 2011. Siri war ein Programm, mit dem man stattdessen Dinge wie „Stell meinen Wecker auf 5 Uhr morgens morgen“ sagen kann Möglichkeit, dies über den Touchscreen zu tun.

Soweit ich weiß, war Siri nicht ausgefeilter als die oben beschriebenen Bots, aber die Idee, einen Bot mit Sprachinteraktion zu kombinieren und ihn auf ein Smartphone zu übertragen, war damals sehr neu und löste einen Sturm der Publizität aus das bisherige Nischengebiet der Dialogsysteme.

Siri löste ein Wettrüsten mit anderen Elektronikunternehmen, Mobiltelefonherstellern und Silicon Valley-Giganten aus, die sich beeilten, einen eigenen sprachgesteuerten virtuellen Assistenten zu erwerben oder zu entwickeln. In den nächsten Jahren erschienen Cortana von Microsoft, Bixby von Samsung, Alexa von Amazon und Google Now.

Maschinelles Lernen ist die Zukunft für Chatbots

Jetzt ist es ganz einfach, mit der Erstellung Ihres eigenen Chatbots zu beginnen. Google, Microsoft und Amazon bieten Ihnen beispielsweise die Möglichkeit, kostenlos mit der Erstellung eines Bots zu beginnen.

Wir beginnen, uns von manuell entwickelten Regeln zu entfernen. Moderne Bot-Design-Schnittstellen erfordern die Eingabe einer Reihe von Beispielphrasen, die Sie erkennen möchten, und diese werden mithilfe von maschinellem Lernen zu einem Muster verallgemeinert, sodass eine neue, unsichtbare Äußerung korrekt kategorisiert werden kann.

Was ist derzeit in der Verarbeitung natürlicher Sprache auf dem neuesten Stand?

In den letzten Jahren haben wir einige aufregende Fortschritte beim Deep Learning für die Verarbeitung natürlicher Sprache erlebt.

Beispielsweise müssen wir nicht mehr auf Schlüsselwörter in einer Äußerung achten, um die Absicht des Benutzers zu erraten.

Future chatbots could rely on word [embeddings](/data-science-26-important/#w-word-vector-embeddings)

Beispiel dafür, wie allen Wörtern durch eine Worteinbettung Vektorpositionen im Raum zugewiesen werden. Hier zeige ich die Wörter im 3D-Raum, damit wir das Bild verstehen können, aber in der Praxis würden wir mehr Dimensionen verwenden. Beachten Sie, dass in diesem Bild die Verben im Präteritum gruppiert sind und die Verben im Präsens ebenfalls nahe beieinander liegen und eine Beziehung zwischen den beiden Gruppen besteht.

Im Jahr 2003 entwickelte Yoshua Bengio die Idee der Worteinbettung . Jedem Wort in der englischen Sprache ist ein Vektor in einem mehrdimensionalen Raum zugeordnet. Beispielsweise bedeuten „Wunsch“ und „Begehren“ fast dasselbe, sodass ihre Wortvektoren im Raum nahe beieinander liegen würden.

Wenn Sie Worteinbettungen verwenden, können Sie mit der Berechnung der Abstände zwischen Wörtern beginnen und eine Wahrscheinlichkeit ermitteln, mit der ein Benutzer ein Konto eröffnen oder den Support kontaktieren möchte.

Der nächste Schritt gegenüber der Worteinbettung ist eine Technologie namens BERT , die 2018 entwickelt wurde. BERT ist ein neuronales Netzwerkdesign , das es uns ermöglicht, einen Wortvektor unter Berücksichtigung des gesamten Satzes zu berechnen, also Bank im Sinne von Finanzinstitut und im Das Gefühl des Flussufers hätte unterschiedliche Vektoren. Mit BERT ist es möglich, einen Vektor eines ganzen Satzes zu berechnen.

Wie geht es weiter mit Dialogsystemen?

Derzeit können Sie in allen Dialogsystem-Softwareprogrammen, die ich ausprobiert habe, eine Liste mit Beispieläußerungen hochladen, um ein Modell zu trainieren , und Sie legen manuell fest, auf welche Werte Ihr Bot achten soll (Zielstädte, Kontotypen, Produktnamen usw.). ). Anschließend definieren Sie manuell das gewünschte Verhalten, wenn der Benutzer die richtigen Worte ausspricht.

Was ich mir am Horizont vorstellen würde, wäre, maschinelles Lernen wirklich zu nutzen, um zukünftige Chatbots aus allen Blickwinkeln zu verbessern. Einige Beispiele für die Art von Ideen, mit denen Forscher derzeit experimentieren, sind:

  • Ein Unternehmen mit einer Reihe von Chat-Protokollen von menschlichen Bedienern kann die Chat-Protokolle in einen Algorithmus hochladen, der automatisch den Ablauf eines Dialogs und nicht nur einmalige Antworten lernt, z. B. den Kunden authentifizieren, den Kontotyp identifizieren, auf das Konto zugreifen oder nach der Herkunft fragen und Flugziel usw.
  • Sobald ein Chatbot auf der Unternehmenswebsite oder im Telefonsystem bereitgestellt wurde, lernt er weiterhin aus Benutzerantworten. Wenn beispielsweise eine bestimmte Reaktion die Benutzer immer zu verärgern scheint, lernt der Bot, diese Reaktion zu ändern.
  • Ein Chatbot kann Redewendungen und Ausdrücke von den Benutzern selbst lernen. Dies scheint Facebook mit seinem neuen Bot versucht zu haben. Bereits 2016 versuchte Microsoft dies mit katastrophalen Ergebnissen .

Wenn Sie der Meinung sind, dass ich etwas Wichtiges verpasst habe, fügen Sie es bitte in den Kommentaren unten hinzu.

Natürlich dauert es einige Zeit, bis eine dieser Ideen kommerziell realisierbar wird. Aber wir können davon ausgehen, dass es im nächsten Jahrzehnt einige spannende Fortschritte geben wird, da das Fachgebiet zunehmend demokratisiert und für Nicht-Programmierer zugänglicher wird.

Verweise

Finden Sie Top-NLP-Talente!

Suchen Sie Experten in Natürlicher Sprachverarbeitung? Veröffentlichen Sie Ihre Stellenangebote bei uns und finden Sie heute Ihren idealen Kandidaten!

Veröffentlichen Sie einen Job

Big-Data-Beratung – 4 häufigste Probleme gelöst
Data scienceBig data

Big-Data-Beratung – 4 häufigste Probleme gelöst

Mittlerweile sind es Organisationen aller Größenordnungen und fast aller Sektoren werden zunehmend datengesteuert, insbesondere als größere Datenspeicher Systeme und schnellere Computer treiben die Leistungsgrenzen immer weiter voran.

Zwei Revolutionen im Abstand von 200 Jahren: die Datenrevolution und die industrielle Revolution
Ai and societyData science

Zwei Revolutionen im Abstand von 200 Jahren: die Datenrevolution und die industrielle Revolution

Aufgrund des umfangreichen Einsatzes von Technologie und der Arbeitsteilung hat die Arbeit des durchschnittlichen Gig-Economy-Arbeiters jeden individuellen Charakter und damit auch jeden Charme für den Arbeitnehmer verloren.

KI im Personalwesen: Die Zukunft der Arbeit verändern
Ai and societyData science

KI im Personalwesen: Die Zukunft der Arbeit verändern

Die Auswirkungen von KI auf die Humanressourcen Die Arbeitswelt verändert sich rasant, sowohl aufgrund der Einführung traditioneller Data-Science-Praktiken in immer mehr Unternehmen als auch aufgrund der zunehmenden Beliebtheit generativer KI-Tools wie ChatGPT und Googles BARD bei nicht-technischen Arbeitnehmern.

What we can do for you

Transform Unstructured Data into Actionable Insights

Contact us