foto freepik
ChatGPT ist der wohl prominenteste Vertreter der Generative Artificial Intelligence (kurz: GenAI) und hat mit seinem Siegeszug einen Hype um die Potenziale künstlicher Intelligenz losgetreten. Insbesondere im Kundenservice – egal ob im Verbraucher- oder B2B-Bereich – sind die Erwartungen enorm – könnte sich doch generative KI der unzähligen Kundenanfragen annehmen, die derzeit noch durch Servicemitarbeiter bearbeitet werden müssen.
Zunächst einmal ist es dabei wichtig, zwischen sogenannter subsymbolischer und symbolischer KI zu unterscheiden, da sich diese Ansätze grundlegend unterscheiden und individuelle Stärken und Schwächen mit sich bringen.
Generative AI – eine subsymbolische KI
Subsymbolische KI bezeichnet Verfahren des maschinellen Lernens, welche die Funktionsweise biologischer Neuronen simulieren und daher auch neuronale Netze genannt werden. Somit entstehen Systeme, die sich an neue Situationen anpassen können, ohne erneut programmiert zu werden. Als prominenter Vertreter aus dem Service-Kontext wäre hier beispielsweise Predictive Maintenance zu nennen, wobei vortrainierte neuronale Netze bereits kleinste Anomalien im Maschinenverhalten erkennen und frühzeitige Warnungen abgeben können.
Auch GenAI nutzt diese Netze, um Texte, Bilder, Audiodateien und vieles mehr zu generieren. Von zentraler Bedeutung für den Kundendienst sind hierbei insbesondere die Large Language Models (LLM), zu welchen auch ChatGPT zählt. Die KI lernt hierzu aus großen Datensätzen und ist anschließend in der Lage, menschenähnliche Interaktionen zu simulieren und sogar kreative Inhalte zu erstellen. Der Aufbau eines LLM ist äußerst kostenintensiv. Ist das System jedoch erst einmal trainiert, lassen sich Inhalte im Anschluss ohne nennenswerte Aufwände generieren.
Laut Empolis, Spezialist für KI-basierte Intelligent Decision Support Solutions für industrielle Unternehmen, lohnt sich der Einsatz von GenAI derzeit insbesondere für die folgenden Einsatzszenarien:
- Kundenanfragen schneller und besser beantworten:
Erstklassiger Service bietet nicht nur Antworten auf explizite Fragen eines Kunden, sondern liefert auch nützliche Hinweise und Zusatzinformationen. Mit GenAI können die Antworten von Kundendienstmitarbeitern systematisch um eben jene Tipps & Tricks erweitert werden, die das Kundenerlebnis verbessern. Verläuft die Suche eines Kunden (zum Beispiel über einen Virtual Assistant oder ein Self-Service-Portal) ergebnislos, können generierte Inhalte ebenfalls nützlich sein, indem diese beispielsweise als Vorschlag durch einen Servicemitarbeiter validiert oder dem Kunden direkt für die eigenständige Lösung seines Anliegens angeboten werden. - Kundenkommunikation effizient personalisieren:
Die sprachlichen Fähigkeiten von GenAI sind beeindruckend. ChatGPT ist beispielsweise in der Lage, die Ansprache, den Schreibstil oder gar den Tonfall auf etwaige Adressaten abzustimmen. Im Kundenservice bietet das Möglichkeiten, jegliche Kommunikation individuell anzupassen, die Servicequalität zu optimieren und Teams zu entlasten. - Wissensdatenbanken schneller erstellen:
Der Aufbau einer Wissensdatenbank kann mit enormen Aufwänden verbunden sein. Mithilfe von GenAI können diese drastisch reduziert werden, wenn sie als Teil von Content Workflows eingesetzt wird. So könnte GenAI beispielsweise den Großteil der Arbeit bei der Erstellung von kundenorientierten Inhalten aus beratungsorientierten Inhalten zur Ergänzung des Self-Service oder eines Virtual Assistant übernehmen. Mithilfe von GenAI kann man potenzielle Kundenanliegen antizipieren und so kosteneffizient einen ersten Grundstock der zukünftigen Wissensdatenbank definieren. - Kunden-Feedback automatisch zusammenfassen:
Moderne Serviceplattformen bieten Kunden und Partnern immer mehr Möglichkeiten, um ihr Feedback zu geteilten Inhalten an die Unternehmen zurückzuspielen. GenAI kann diesen Datenschatz auswerten und zusammenfassen, sodass sich ein klares Bild ergibt und Artikel eigenständig durch die KI überarbeitet werden können. - Wissen leichter digitalisieren:
Jeden Tag entsteht neues Wissen in der Serviceorganisation. GenAI kann dieses Wissen auswerten und automatisiert in ein standardisiertes Format überführen. So lassen sich neue Datenschätze ohne großen Aufwand erschließen und für den Wissenstransfer nutzbar machen.
Trotz der genannten, vielfältigen Einsatzmöglichkeiten von GenAI hat diese Technologie einen entscheidenden Nachteil. Subsymbolische KI nutzt mathematische Wahrscheinlichkeiten, um Empfehlungen abzugeben – im Falle von Large Language Models auf Basis von gigantischen Mengen an Trainingsdaten in Textform.
Für reale Servicefälle an unternehmensspezifischen Produkten existieren diese Trainingsdaten längst nicht in ausreichender Quantität und Qualität. Folglich fehlt die Zuverlässigkeit der Lösungsvorschläge von GenAI – insbesondere, wenn es sich um sicherheitsrelevante Fragestellungen handelt.
Knowledge Graphen – eine symbolische KI
Symbolische KI basiert auf der Annahme, dass komplexe Logik durch die Manipulation von Symbolen und die Anwendung von vordefinierten Regeln erreicht werden kann. Sie ist bestens geeignet, um Wissen zu repräsentieren und daraus Schlussfolgerungen zu ziehen. Symbolische KI kommt häufig in sogenannten Expertensystemen zum Einsatz, welche Aufgaben erledigen, für die normalerweise eben ein menschlicher Experte benötigt würde. Es werden verschiedene Denk- und Problemlösungstechniken eingesetzt, die dann entsprechende Lösungen ableiten. Als bekannter Vertreter lässt sich hier die Knowledge-Graph-Technologie anbringen.
Knowledge Graphen sind eine Form der künstlichen Intelligenz, die so arbeitet, wie wir Menschen denken und bilden die logische Grundlage für den Einsatz von KI im Kundenservice. Sie führen alle Produktinformationen an einem Ort – der »Single Source of Truth« – zusammen und kontextualisieren diese in logischen Clustern, welche die Zusammenhänge der Daten repräsentieren. Im Servicefall können so eine schnellere Reparatur oder ein zielgerichteter Ersatz ermöglicht werden und es lassen sich Cross- und Upselling-Potenziale im Ersatzteilgeschäft oder im Self-Service realisieren.
Das Beste aus beiden Welten
Symbolische KI repräsentiert das Expertenwissen eines Unternehmens und bietet das logische Gerüst, das die Zusammenhänge von Daten versteht und abbildet. Subsymbolische KI – hier in Form von Generative AI – ist hingegen in der Lage Inhalte situativ zu generieren. Schnell und einfach erstellte Service-Inhalte, die sich insbesondere zur Ergänzung des kuratierten Wissens eignen, helfen dem Service die Kosten zu senken und die Customer Experience zu verbessern. Die sprachlichen Fähigkeiten der zugrundeliegenden Large Language Models sind beachtlich und erleichtern und personalisieren jede Interaktion mit Kunden, Mitarbeitern und Partnern.
Das volle Potenzial für den Kundenservice entsteht erst aus der Kombination dieser und weiterer KI-Technologien mithilfe erfahrener Partner wie Empolis.
Symbolische KI und subsymbolische KI gemeinsam im Einsatz
Die künstliche Intelligenz (KI) ist ein interdisziplinäres Forschungsgebiet, das sich mit der Schaffung und Anwendung von intelligenten Systemen beschäftigt. Dabei gibt es verschiedene Ansätze, wie man Intelligenz modellieren und implementieren kann. Zwei der bekanntesten sind die symbolische KI und die subsymbolische KI.
Die symbolische KI basiert auf der Annahme, dass Intelligenz durch die Manipulation von Symbolen und Regeln realisiert werden kann. Symbole sind abstrakte Repräsentationen von Objekten, Konzepten oder Situationen, die in einer formalen Sprache ausgedrückt werden können. Regeln sind logische Schlussfolgerungen, die aus den Symbolen abgeleitet werden können. Ein typisches Beispiel für ein symbolisches KI-System ist ein Expertensystem, das Wissen über ein bestimmtes Fachgebiet in einer Wissensbasis speichert und daraus Schlüsse zieht.
Die subsymbolische KI hingegen basiert auf der Annahme, dass Intelligenz durch die Interaktion von vielen einfachen Einheiten entsteht, die keine expliziten Symbole oder Regeln verwenden. Subsymbolische Einheiten sind oft neuronale Netze, die aus vielen miteinander verbundenen künstlichen Neuronen bestehen, die Signale verarbeiten und weiterleiten. Ein typisches Beispiel für ein subsymbolisches KI-System ist ein neuronales Netzwerk, das Muster in Daten erkennt und lernt.
Beide Ansätze haben ihre Vor- und Nachteile. Die symbolische KI ist gut geeignet für Probleme, die eine klare Struktur und Logik erfordern, wie z.B. mathematische Beweise oder Schachspiel. Sie kann jedoch Schwierigkeiten haben, mit unvollständigen, unscharfen oder widersprüchlichen Informationen umzugehen, wie z.B. natürliche Sprache oder Bildverarbeitung. Die subsymbolische KI ist gut geeignet für Probleme, die eine hohe Anpassungsfähigkeit und Lernfähigkeit erfordern, wie z.B. Spracherkennung oder Gesichtserkennung. Sie kann jedoch Schwierigkeiten haben, ihr Wissen zu erklären oder zu verallgemeinern, wie z.B. warum sie eine bestimmte Entscheidung getroffen hat oder wie sie auf neue Situationen reagieren würde.
Um diese Schwächen zu überwinden, gibt es verschiedene Ansätze, die versuchen, symbolische KI und subsymbolische KI gemeinsam im Einsatz zu bringen. Ein solcher Ansatz ist die hybride KI, die beide Arten von Systemen kombiniert und je nach Problemstellung das geeignete System auswählt oder zwischen ihnen wechselt. Ein anderes Beispiel ist die neurosymbolische KI, die versucht, symbolisches Wissen in neuronale Netze zu integrieren oder aus ihnen abzuleiten. Diese Ansätze sind noch in der Entwicklung und stellen spannende Herausforderungen und Möglichkeiten für die Zukunft der KI dar.
Genki Absmeier