Knowledge Graphen für Customer Service Automatisierung

Es ist nicht lange her, als die Vorstellung, dass “Künstliche Intelligenz” Aufgaben im Kundendienst übernehmen könnte, als Science Fiction abgetan wurde. Der Einsatz von Chatbots zur Lösung von Kundenproblemen war keine realistische Option – unabhängig von der Größe des Unternehmens.

Mittlerweile sind Chatbots und digitale Assistenten so leistungsfähig, dass sie eine wesentliche Rolle in einer modernen Customer-Service-Organisation übernehmen können. Immer mehr Unternehmen beginnen daher mit der Implementierung solcher Lösungen. Ein ganz wesentlicher Faktor für die Qualität eines Chatbots im Kundendienst ist die Struktur und Qualität der Daten, die für die Beantwortung von Fragen zur Verfügung stehen.

 

Daten besser verstehen

Die letzten Jahre sind von einer immer größeren Menge an Daten geprägt (auch hervorgerufen durch die fortschreitende Digitalisierung). Eine der vordringlichsten Aufgaben ist daher, diese riesigen Datenmengen automatisch zu verwerten und die gesammelten Daten uneingeschränkt maschinenlesbar zu machen.

Knowledge Graphen spielen hier eine bedeutende Rolle und heben KI-basierte Chatbots auf die nächste Entwicklungsstufe. Chatbots können Domain-Wissen in bestimmten Themenfeldern aufbauen und dadurch beim Lösen eines konkreten Problems helfen, indem sie präzise Antworten zu komplexen Fragen geben oder sogar automatisierte Prozesse durchführen. Dieses Wissen kann durch Zugriff auf öffentlich zugängliche Knowledge Graphen weiter angereichert werden. So kann eine Fülle von Inhalten abgerufen und besser verstanden werden.  

 

Knowledge Graphen als Form der Datenmodellierung

Der Begriff “Knowledge Graph” (Wissensgraph) wurde erstmals von Google im Jahr 2012 eingeführt und steht mittlerweile als Synonym für eine spezielle Art der Wissensrepräsentation. Dabei werden Fakten in Form von Kanten zwischen Knoten in einem Graphen/Netzwerk gespeichert. Zusätzlich wird auch das Schema der Daten im Graphen gespeichert (z.B. Klassenhierarchien).

Mittlerweile verwenden einige Unternehmen Knowledge Graphen (KG) um Ihre Produkte zu verbessern. So nutzt Facebook einen KG um sein soziales Netzwerk und die Interaktionen zwischen Personen und ihren Interessen zu speichern, Netflix verwendet einen Knowledge Graphen um seinen Benutzern Filme zu empfehlen, Google für die verbesserte Suche und das Anzeigen von Ergebnissen, und Springer um seine Autoren, Bücher, Zitierungen und wissenschaftliche Artikel zu speichern und suchbar zu machen.

In der folgenden Grafik wird das generelle Konzept eines Knowledge Graphen vereinfacht am Beispiel einer Skiregion veranschaulicht.

 

 

Abbildungen: SkiResort und seine Lifte, Abfahrten, Routen, WebCams; Datenvisualisierung;

 

Eine weitere Anwendung von Knowledge Graphen ist der Einsatz in Chatbots. Ein Knowledge Graph bietet hier zwei direkte Vorteile – Verbesserte Datenintegration bei gleichzeitiger Verbesserung der Konversationen.

Neue Datenquellen können einfacher integriert werden, da diese nur mehr auf ein einziges bestimmtes Format und Schema gebracht werden müssen.

Außerdem bieten Knowledge Graphen eine erhöhte Flexibilität für die Erweiterung des vorhanden Wissens. So werden neue Fakten direkt als neue Knoten und Kanten in den Graphen gespeichert.

 

Abbildung: Graph Datenstrukturen erleichtern die Integration von Daten (mehreren Graphen)

 

Auch die Verknüpfung von mehreren Knowledge Graphen ist generell problemlos möglich, entweder werden schon gleiche Knoten verwendet oder aber neue Kanten hinzugefügt. So kann unter anderem eine moderne Verwaltung des Unternehmenswissens, das via API und Sprach-Interfaces über natürliche Sprache abgefragt werden kann, aufgebaut werden.

Zur Optimierung von Konversationen bietet ein Knowledge Graph Vorteile wie:

• Erweiterung des Sprachverständnisses:
  Das gespeicherte Wissen im Knowledge Graph – z.B. Namen und Synonyme von Entitäten (Personen, Produkte, Tarife, Orte, Services…) – wird verwendet um das Sprachverständnis des Bots (NLU) zu verbessern und zu erweitern.
• Verringerung der Intents und besseres Management:
  Zudem wird das Management von Intents (Absichten hinter Fragen) deutlich verbessert da sich mit einem Knowledge Graphen viele Intents abstrahieren lassen.
• Verbesserte Antworten und Dialoge:
  Man kann über einen Knowledge Graphen sehr konkrete und gleichzeitig komplexe Fragen beantworten. So können bestimmte Attribute innerhalb einer Frage zu einer konkreten Antwort führen wie zum Beispiel (im Falle eines Energieversorgers): “Welche Tarife basieren auf einer erneuerbaren Energiequelle und kosten mich weniger als € X im Monat wenn ich maximal Y KwH verbrauche?”)

Mit dem Einsatz von Knowledge Graphen erhalten Customer Service Organisationen ein sehr leistungsfähiges Werkzeug zur automatisierten Dialogführung über Chatbots und Sprachassistenten. Einsatzgebiete gibt es viele. Insbesondere bei großen und komplexen Datenstrukturen entfalten Knowledge Graphen ihr volles Potential.

Mehr zum Thema Chatbots und Sprachassitenten:

• Digitale Sprachassistenten im Kundenservice
• Expertentipps zur erfolgreichen Implementierung eines Customer Service Chatbots