Kurz erklärt: Wie die Konversations-KI von HiJiffy selbstlernend agiert

In diesem Artikel tauchen wir tiefer in die Technologie hinter HiJiffys Chatbot ein, insbesondere in die faszinierende Funktion unseres Aplysia-Betriebssystems: das Selbstlernen. Was genau bedeutet das und wie funktioniert dieser Prozess? Diese grundlegenden Fragen haben wir dem Aplysia Lab-Team gestellt.

Die Entwicklung des „Chatbot-Gehirns“

Bevor wir uns eingehend mit dem Thema selbstlernende KI befassen, ist es wichtig, zunächst zu definieren, was ein Chatbot in diesem Zusammenhang genau ist. Ein Chatbot ist ein künstlich intelligentes Programm, das aufgrund der neuesten Fortschritte in KI und Natural Language Processing (NLP) in der Lage ist, mit einem Menschen zu kommunizieren. Das System verfügt nicht wie von Anfang an über das gesamte Wissen über die Welt. Menschen lernen im Laufe der Zeit immer dazu, so geht es auch den Programmen. Es kann passieren, dass ein Chatbot bestimmte Wörter oder spezifische sprachliche Ausdrücke nicht kennt, weil sie zuvor im System bisher nicht enthalten sind. Die Konversations-KI mit dem enthaltenen Wissen ist sozusagen das „Gehirn des Chatbot“.

Diese Konversationsdaten entwickeln und wachsen im Laufe der Zeit, wenn sie kontinuierlich trainiert werden. Oftmals werden diese Trainingssitzungen ohne Aufsicht und ohne Überprüfung durch einen Menschen durchgeführt, um herauszufinden, wie das Modell reagieren wird. Wenn es schlecht unterrichtet wird oder keine Anweisungen zur korrekten Ausführung seiner Aufgaben erhält, können Fehler auftreten.

Ohne gründliches Training und Tests können die Modelle auf folgende Probleme und Herausforderungen stoßen: 

1. Mangelndes Wissen über Wörter, Phrasen und Ausdrücke

Es gibt Millionen von Ausdrücken, Wörtern auf der ganzen Welt und unendlich viele Kombinationsmöglichkeiten, um Sätze für unterschiedliche Zwecke zu formen. Eine weitere Herausforderung sind Dialekte. Chatbots müssen auch auf Abwandlungen der Schreibweise trainiert werden.

2. Überlappungen bei der Identifizierung von Themen 

Wenn das Modell nicht ausreichend mit Informationen gefüttert wurde, die für die Unterscheidung zwischen ähnlichen Themen erforderlich sind, kann es die Themen missinterpretieren und verwirrende Antworten geben.

3. Reduzierte Genauigkeit bei erforderlichen Antworten

Die Genauigkeit des Chatbots bestimmt seine Erfolgsrate und beeinflusst direkt seine Automatisierungsfähigkeiten.

Wie funktioniert das Selbstlernen bei einer KI?

HiJiffy hat im Rahmen des Aplysia-Betriebssystems ein selbstlernendes Tool für Konversations-KI entwickelt. Mit anderen Worten kann unsere Technologie neue Themen, Ausdrücke, Phrasen und Wörter lernen, um die zuvor präsentierten Probleme anzugehen. Sie kann mehr als 200 themenspezifische Begriffe im Gastgewerbe identifizieren. Dank ihrer selbstlernenden Fähigkeit kann die KI von HiJiffy Kundenfeedback nutzen, um falsch identifizierte Begriffe und Ausdrücke zu verstehen. Sie kann ihr Modell anpassen, um bereits vorhandene Themen in ihrem Modell besser zu differenzieren und die Genauigkeit ihrer Antworten zu verbessern, indem sie die Fehlerquote reduziert.

Die folgende Abbildung fasst den Selbstlernprozess zusammen:

Wie dargestellt, basiert dieses selbstlernende System auf dem Feedback unserer Kunden. HiJiffy ermöglicht dem Hotelpersonal, Sätze aus realen Gesprächen mit ihren Gästen zu melden, wenn sie meinen, dass die KI nicht die beste Antwort gegeben hat.

HiJiffys fokussiert sich darauf, Hotels und ihre Gäste besser zu verbinden und Hoteliers bei der Automatisierung von Prozessen zu unterstützen. Angesichts dessen verbessern wir kontinuierlich unser Konversations-KI-Modell, um die genaueste Antwort für die Gäste unserer Kunden zu liefern. Jedes Feedback ist willkommen und wird verwendet, um unser Modell noch effektiver zu gestalten.

Mit diesem Ziel vor Augen entwickeln wir ein selbstlernendes Tool, das überprüft, ob die von den Kunden gemeldeten Fälle korrekt erfasst wurden. Es wird auch den Einfluss des Trainings mit diesen Sätzen auf die Verbesserung unseres Modellwissens testen und messen. Dieses Tool wird spezifische Metriken bereitstellen und entscheiden, welche Fälle geändert werden sollten und welche nicht, unter Berücksichtigung von KI-Mechanismen und maschinellem Lernen.

Selbstlernen in der Praxis

Wir wollen diesen komplexen Prozess noch tiefgehender veranschaulichen und schauen uns einige Fallstudien an, die zeigen, wie unser Selbstlerntool die drei oben genannten Herausforderungen angeht.

Mangelndes Wissen über Wörter, Phrasen und Ausdrücke Kenntnis von Wörtern, Sätzen und Ausdrücken

Die Konversations-KI erkannte das Wort Wasserflugzeug nicht als Transportmittel. Einer unserer Kunden hat Aplysia OS diese Eingabe zur Verfügung gestellt. Das selbstlernende Tool überprüfte anhand dieser Informationen, ob das, was der Kunde geschrieben hatte, korrekt war, und stellte fest, dass es sich bei einem Wasserflugzeug um ein Transportmittel handelt. Aplysia OS genehmigte diesen Fall, und die Konversations-KI erfuhr, dass Wasserflugzeuge eine Art von Transportmitteln sind.

Überlappungen bei der Identifizierung von Themen

Der Satz „Elektroauto aufladen“ wurde dem Thema „Parken“ und nicht „Elektroautos“ zugewiesen. Es handelte sich dabei über eine Überschneidung von zwei verschiedenen Themen. Aplysia OS erfuhr dies durch das Feedback eines Kunden. Es stellte sich heraus, dass es eine Überlappung von falsch gekennzeichneten Sätzen gab, die für das Modell mehrdeutig waren und es schwierig machten, zwischen den beiden Themen zu unterscheiden. Aplysia OS behandelte diese falsch gekennzeichneten Sätze, und die KI lernte den Satz „Elektroautos aufladen“ korrekt dem relevantesten Thema zuzuordnen.

Reduzierte Genauigkeit bei erforderlichen Antworten

Diese Herausforderung wird besonders deutlich, wenn das Aplysia Betriebssystem einen Datensatz mit 2554 Nachrichten auswählt, die im Laufe der Zeit von unseren Kunden korrekt mit dem Thema gekennzeichnet wurden. In diesem Datensatz gibt es mindestens eine Nachricht zu jedem Thema. Wir haben die Konversations-KI ausgeführt, um die Ergebnisse vor und nach der Implementierung der Selbstlernfähigkeit zu überprüfen. 

Im Folgenden finden Sie eine kurze Auswahl aus dem Datensatz, um die gemeisterte Herausforderung zu veranschaulichen. Die Auswahl zeigt die Nachrichten (in Originalschreibweise) und die richtigen Antworten. In den letzten beiden Spalten sind die Ergebnisse vor und nach der Implementierung des Selbstlernens aufgeführt.

In dieser Tabelle wird deutlich, dass Nachrichten falsche Antworten zugewiesen wurde und nach dem Selbstlernprozess jene richtig beantwortet wurden. Bei den vorgestellten Sätzen könnte es sich um solche gehandelt haben, die die Konversations-KI lernen und ihr Wissen entsprechend anpassen musste.

Es sollte beachtet werden, dass, obwohl diese Auswahl Fälle zeigt, in denen die KI die Antwort gelernt hat, es auch Fälle gibt, in denen Mitarbeiter von Hotelkunden Sätze eingereicht haben, die möglicherweise keinen Sinn ergeben. Es verhindert, dass Aplysia OS aus diesen Fällen lernt.

Das Diagramm unten zeigt die Genauigkeit und Präzision der Konversaitons-KI vor und nach dem Selbstlernen.

Unter Berücksichtigung aller Änderungen, die vom Selbstlern-Tool vorgeschlagen wurden, haben wir das Modell verbessert und keine Verschlechterung bei den zuvor korrekt gegebenen Antworten der KI registriert. Zusätzlich zu der Fähigkeit der Konversations-KI, die im vorherigen Artikel dargestellten Herausforderungen anzugehen und zu lösen, konnten wir auf diesem Datensatz eine Verbesserung von etwa 4 % feststellen. Andere Datensätze wurden getestet, und im Durchschnitt haben wir nach einer Woche Selbstlernen beobachtet, dass sich die Testergebnisse um etwa 5 % erfolgreicher waren.

Zusammenfassend ermöglicht diese Funktion in unserem Aplysia OS unserer Konversaitons-KI, im Laufe der Zeit dazuzulernen und den Anforderungen unserer Kunden gerecht zu werden. Überdies steigt kontinuierlich die Erfolgsquote der Ergebnisse, und HiJiffy perfektioniert kontinuierlich das Modell speziell für das Hotel- und Gastgewerbe.

Vielen Dank an Eduardo Machado aus unserem Aplysia Lab für diesen technologischen Einblick.

Eduardo Machado
Data Engineer