![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" "\\"Mittel")
<\/span><\/div><\/div><\/div>NACHRICHTEN \/ KI-TECHNOLOGIE<\/p>\n<\/div>
25. November 2020
\nDie Berater in Call Centern sehen allm\u00e4hlich, wie NLU in ihrem Alltag Einzug h\u00e4lt und ihnen hilft, Kundenanfragen leichter zu beantworten. Damit ein Tool dies leisten kann, muss es in der Lage sein, gleichzeitig die Kundenanfrage und ihre Merkmale zu erkennen, d.h. eine Absicht und benannte Entit\u00e4ten.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
\u201cOK Google, spiel die Rolling Stones auf Spotify\u201d, \u201cAlexa, wie ist das Wetter in Paris heute?\u201d, \u201cSiri, wer ist der franz\u00f6sische Pr\u00e4sident?\u201d<\/em><\/p>\n Wenn Sie schon einmal Sprachassistenten verwendet haben, haben Sie indirekt einige Prozesse des Natural Language Understanding (NLU) genutzt. Die gleiche Logik gilt f\u00fcr Chatbot-Assistenten oder die automatische Weiterleitung von Tickets im Kundenservice. NLU geh\u00f6rt schon seit einiger Zeit zu unserem Alltag und wird wahrscheinlich auch nicht mehr aufh\u00f6ren.<\/span><\/p>\n Durch die Automatisierung der Extraktion von Kundenabsichten zum Beispiel kann NLU uns dabei helfen, die Anfragen unserer Kunden schneller und genauer zu beantworten. Aus diesem Grund hat jedes gro\u00dfe Unternehmen mit der Entwicklung einer eigenen L\u00f6sung begonnen. Bei all den Bibliotheken und Modellen, die es im Bereich NLU gibt und die alle den Anspruch erheben, auf dem neuesten Stand der Technik zu sein oder leicht zu erhaltende Ergebnisse zu liefern, ist es jedoch manchmal kompliziert, sich zurechtzufinden. Nachdem wir in unseren NLU-Projekten bei Artefact mit verschiedenen Bibliotheken experimentiert haben, wollten wir unsere Ergebnisse mit Ihnen teilen und Ihnen helfen, die aktuellen Tools im Bereich NLU besser zu verstehen.<\/span><\/p>\n Was ist NLU?<\/strong><\/span><\/p>\n Nat\u00fcrliches Sprachverstehen (NLU) wird definiert durch\u00a0Gartner<\/a>\u00a0als \u201cdas Verstehen der Struktur und Bedeutung der menschlichen Sprache durch Computer (z.B..<\/em>, Englisch, Spanisch, Japanisch), die es dem Benutzer erm\u00f6glichen, mit dem Computer in nat\u00fcrlichen S\u00e4tzen zu interagieren\u201d. Mit anderen Worten: NLU ist ein Teilbereich von artificial intelligence, der die Interpretation von Text erm\u00f6glicht, indem er ihn analysiert, in Computersprache umwandelt und in einer f\u00fcr Menschen verst\u00e4ndlichen Form ausgibt.<\/p>\n Wenn Sie sich genau ansehen, wie Chatbots und virtuelle Assistenten arbeiten, von Ihrer Anfrage bis zu ihrer Antwort, ist NLU eine Schicht, die Ihre Hauptabsicht und alle f\u00fcr die Maschine wichtigen Informationen extrahiert, damit sie Ihre Anfrage am besten beantworten kann. Angenommen, Sie rufen den Kundendienst Ihrer Lieblingsmarke an, um zu erfahren, ob Ihre Traumtasche endlich in Ihrer Stadt erh\u00e4ltlich ist: NLU wird dem Assistenten mitteilen, dass Sie eine Anfrage zur Produktverf\u00fcgbarkeit haben und in der Produkt database nach dem bestimmten Artikel suchen, um herauszufinden, ob er an Ihrem Wunschort verf\u00fcgbar ist. Dank NLU haben wir eine Absicht, einen Produktnamen und einen Ort extrahiert.<\/p>\n (Oben: Illustration einer Kundenabsicht und mehrere Entit\u00e4ten, die aus der Konversation extrahiert werden)<\/em><\/p><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n Nat\u00fcrliche Sprache ist im data der meisten Unternehmen verankert. Mit den j\u00fcngsten Durchbr\u00fcchen auf diesem Gebiet, der Demokratisierung der NLU-Algorithmen, dem Zugang zu mehr Rechenleistung und mehr data wurden viele NLU-Projekte ins Leben gerufen. Werfen wir einen Blick auf eines von ihnen.<\/span><\/p>\n Pr\u00e4sentation des Projekts<\/span><\/strong><\/p>\n Ein typisches Projekt, bei dem NLU zum Einsatz kommt, ist, wie bereits erw\u00e4hnt, die Unterst\u00fctzung von Callcenter-Beratern bei der Beantwortung von Kundenanfragen im Verlauf des Gespr\u00e4chs. Dazu m\u00fcssten wir zwei verschiedene Aufgaben erf\u00fcllen:<\/span><\/p>\n Als wir uns die einfachen und standardm\u00e4\u00dfigen L\u00f6sungen f\u00fcr diese beiden Aufgaben ansahen, fanden wir mehr als ein Dutzend Frameworks, einige von der GAFAM entwickelt, andere von Open-Source-Plattformanbietern. Es ist unm\u00f6glich zu wissen, welches wir f\u00fcr unseren Anwendungsfall ausw\u00e4hlen sollen und wie sich jedes von ihnen bei einem konkreten Projekt und echten data, hier in Text umgewandelte Audiogespr\u00e4che eines Call Centers, verh\u00e4lt. Deshalb haben wir beschlossen, unseren Leistungsvergleich mit einigen Tipps sowie Vor- und Nachteilen f\u00fcr jede von uns getestete L\u00f6sung zu teilen.<\/span><\/p>\n Es ist wichtig zu beachten, dass dieser Benchmark mit englischem data und transkribiertem Sprachtext durchgef\u00fchrt wurde und daher weniger als Referenz f\u00fcr andere Sprachen oder Anwendungen, die direkt geschriebenen Text verwenden, verwendet werden kann, <\/span><\/i>z.B..<\/span> Chatbot-Anwendungsf\u00e4lle.<\/span><\/i><\/p>\n<\/div><\/div><\/div><\/div><\/div> Benchmark<\/strong><\/span><\/p>\n Erkennung von Absichten <\/strong><\/p>\n Das Ziel ist es, zu erkennen, was der Kunde will, seine Absicht. Bei einem Satz muss das Modell in der Lage sein, ihn in die richtige Klasse einzuordnen, wobei jede Klasse einer vordefinierten Absicht entspricht. Wenn es mehrere Klassen gibt, spricht man von einer Mehrklassen-Klassifizierungsaufgabe. Eine Absicht kann zum Beispiel \u201cm\u00f6chte ein Produkt kaufen\u201d oder \u201csucht nach Informationen\u201d sein. In unserem Fall hatten wir definiert <\/span>5 verschiedene Absichten<\/b> und die sechs folgenden L\u00f6sungen wurden f\u00fcr den Benchmark verwendet:<\/span><\/p>\n Die folgenden Modelle wurden alle mit denselben data-S\u00e4tzen trainiert und getestet: 1600 \u00c4u\u00dferungen zum Training, 400 zum Testen. Die Modelle wurden nicht feinabgestimmt, so dass einige von ihnen m\u00f6glicherweise eine bessere Leistung erbringen als die unten dargestellten.<\/span><\/p>\n *Inferenzzeit auf dem lokalen Macbook Air (1,6 GHz Dual-Core Intel Core i5-8 Go 1600 MHz DDR3 RAM).<\/em><\/p>\n Extraktion von Entit\u00e4ten<\/span><\/strong><\/p>\n Das Ziel ist es, bestimmte W\u00f6rter zu finden und sie korrekt in vordefinierte Kategorien einzuordnen. Denn wenn Sie erst einmal herausgefunden haben, was Ihr Kunde tun m\u00f6chte, m\u00fcssen Sie m\u00f6glicherweise weitere Informationen in seiner Anfrage finden. Wenn ein Kunde zum Beispiel etwas kaufen m\u00f6chte, m\u00f6chten Sie vielleicht wissen, um welches Produkt es sich handelt, in welcher Farbe oder wenn ein Kunde ein Produkt zur\u00fcckgeben m\u00f6chte, m\u00f6chten Sie vielleicht wissen, zu welchem Datum oder in welchem Gesch\u00e4ft der Kauf get\u00e4tigt wurde. In unserem Fall hatten wir definiert <\/span>16 benutzerdefinierte Entit\u00e4ten<\/b>: 9 produktbezogene Entit\u00e4ten (Name, Farbe, Typ, Material, Gr\u00f6\u00dfe, ...) und zus\u00e4tzliche Entit\u00e4ten in Bezug auf Geografie und Zeit. Was die Erkennung von Absichten betrifft, so wurden mehrere L\u00f6sungen verwendet, um einen Benchmark zu erstellen:<\/span><\/p>\n Die folgenden Modelle wurden alle mit denselben data-S\u00e4tzen trainiert und getestet: 1600 \u00c4u\u00dferungen zum Training, 400 zum Testen. Die Modelle wurden nicht feinabgestimmt, so dass einige von ihnen m\u00f6glicherweise eine bessere Leistung erbringen als die unten dargestellten.<\/span><\/p>\n Fazit<\/strong><\/span><\/p>\n Unter den L\u00f6sungen, die wir mit unserem Callcenter dataset getestet haben, ob f\u00fcr die Absichtserkennung oder die Erkennung von Entit\u00e4ten, sticht keine in Bezug auf die Leistung hervor. Unserer Erfahrung nach sollte die Entscheidung f\u00fcr eine L\u00f6sung daher von der Praktikabilit\u00e4t und Ihrem spezifischen Anwendungsfall abh\u00e4ngen (verwenden Sie bereits Azure, m\u00f6chten Sie lieber mehr Freiheit bei der Feinabstimmung Ihrer Modelle haben...). Zur Erinnerung: Wir haben die Bibliotheken so genommen, wie sie sind, um diesen Benchmark zu erstellen, ohne eine Feinabstimmung der Modelle vorzunehmen. Die angezeigten Ergebnisse sind also mit etwas Abstand zu betrachten und k\u00f6nnten bei einem anderen Anwendungsfall oder mit mehr Training data abweichen.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div>\n
\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0OjPKI5wNoTgCuUKG.png\")
<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n
\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0xOx9HfmdoP11xP-r.png\")
<\/p>\n<\/div>\n<\/div>\n<\/div>\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0I1biKTnMgj7kziLM.png\")
![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/06\/Global-Newsletter-Data-Digest_LinkedIn_600x315_april.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>