(Hintergrundmusik) Dreizehn Uhr dreißig und wir machen auf der Session Stage weiter mit einem, wie ich finde, sehr spannenden Vortrag. KI ist ja in aller Munde und hält auch immer mehr Einzug in unser Leben. Chatbots lassen grüßen und ich persönlich, ich frag mich ja auch, wann mir morgens der Kühlschrank einen guten Morgen wünscht und sagt: „Ich lass mal lieber die Finger vom Käse und ess mir lieber Brokkoli", wann das so weit ist, man man weiß es nicht, aber es gibt sehr spannende Entwicklungen und die Tür zu dieser Dialogwegen künstlichen Intelligenz und was es damit auf sich hat im Bereich von dialogfähigen Sprach- und Textassistenten an konkreten Cases, das zeigt euch jetzt Christopher Lotz von Twiler. Ja, vielen Dank, Roland, und auch vielen Dank an, an die Einladung für das heutige Event. Äh, ich würd gern die, die halbe Stunde heute nutzen, um ein bisschen aus, ja ich würde mal sagen, unserem Erfahrungsschatz zu berichten, was wir mit verschiedenen Kunden, ähm, bis jetzt umsetzen konnten, wie die tolle Technologie eingesetzt wurde, ähm, die Herausforderungen, die wir natürlich tagtäglich sehen und die Lösungsansätze, die wir für diese Herausforderungen, ähm, ansetzen. Natürlich falls es Fragen gibt, ich sehe, wir haben hier 'n Chatfenster. Ähm, stellen Sie mir gerne die Fragen. Ähm, ich werd wahrscheinlich auch am Ende noch, ähm, einige Minuten dafür freilassen, falls wir da eine Diskussion haben wollen oder (holt Luft) äh, ich n andere Details eingehen darf, dann, dann tu ich dies natürlich sehr gerne. Ähm, ich würd jetzt mal mein Bildschirm teilen. Ich hoffe, das funktioniert dann auch entsprechend, Roland. Falls das nicht funktioniert, würd ich, äh, noch auf dich zurückgreifen, aber ich glaube, das sieht soweit ganz gut aus. Ja. Super. Ja, also, wir nennen uns gerne als Conversation Design Technology. Was bedeutet das? Ähm, das sind zwei Elemente. Wir haben zum einen einmal die Technologie, die es ermöglicht, hier Dialoge und dialogfähige Assistenten zu entwickeln, ja? Ob das jetzt textbasierte, sprachbasierte, ähm, Assistenten sind, das ist eigentlich egal. Und das ist die natürliche Sprachverarbeitung. Im Englischen sagt man hierzu gern Natural Language Understanding. Diese Technologie gibt es, ähm, schon sehr lange am Markt. Also wir reden hier schon Jahrzehnte. Natürlich in den letzten Jahren, ich würde sagen, seit zweitausendsechzehn, haben wir hier einen wirklich sehr starken Schub im Markt, wo sehr viele Anbieter, ähm, verschiedene Technologieansätze haben, um, ähm, diese Technologie in verschiedenen Industrie-, ähm, Anwendungsfällen, äh, einzusetzen. Auf der anderen Seite, Content Dialogue Structure, hier geht's dadrum, wie man den Inhalt und das, dieses Wissen, dieses kontexture Wissen an 'nen Bot heranbringen kann und da setzen wir an mit unserer Technologie, ein Interface praktisch in die, ähm, Sprachverarbeitung, in dieses Natural Language Understanding zu sein. Das bedeutet, wo wir fokus-, fokussieren uns da drauf, wie wir es Experten in den jeweiligen Feldern ermöglichen, diese Technologie anzuwenden. Das bedeutet ganz klar, dass wir an den Punkt kommen wollen, wo die Mitarbeiter verschiedener Unternehmen oder von diesen Use Cases jetzt, ähm, die das Fachwissen haben, in dieser Domain die Tools an der Hand haben, um Chatbots zu konfigurieren, konfigurieren. Ähm, wenn wir jetzt beispielsweise, ähm, aus der Airline-Branche, und da zeig ich gern 'n Beispiel später, wenn wir jetzt Produkte haben, wenn, oder Fragen rundum Tickets, äh, rundum, ähm, Aktionen, äh, die in Art, äh, Schlussverkauf, äh, Ende der Saison sind, wenn es über jetzt besonders Richtung Covid-Richtlinien, reise Richtlinien geht. Ähm, da wollen wir die Experten der Airline ermöglichen, das Wissen da an 'nem Punkt anzubringen, wo es der Nutzer dann entsprechend abrufen kann. Und wir haben hier Wissen, was jetzt, wir haben jetzt nicht Datensätze aus jahrzehntelanger Interaktionen, ähm, wir haben neue Fälle. Ähm, es gibt immer neue Richtlinien, und hierfür ermöglichen wir das Interface, um dieses Wissen entsprechend anzusetzen.Das sind die zwei Punkte. Also dieses Twilight Canvas ist das Produkt, was ich genau gerne dann zeigen werde, wo wir dann die Dialoge entwickeln können, das testen können, entsprechend auf verschiedenen Plattformen einsetzen und im Backend, das ist, was dort drunter passiert, ist, wie diese Bots tatsächlich interagieren mit dieser Natural Language Understanding, die Anbindung an Drittsystemen, die Salesforce dieser Welt, die Buchungssysteme und so weiter und so fort. Genauso wie die Implementierung auf den Frontend-Kanälen, ob das jetzt über eine Webseite ist, ein Messenger-Kanal, ähm, über Sprachinterfaces, das ist eigentlich relativ, ähm, egal. Die Plattform ist da diagnostisch. Wir sehen dann auch unter den, äh, verschiedenen, äh, Kundenbefragungen, auch im Markt, dass die positive Bewertung für Bots, die entwickelt wurden von, ähm, von Mitarbeitern mit dieser Domainexpertise, einen viel höheren Zuspruch, ähm, gewinnt. Wenn, ähm, Roland, du hast ja eingangs gesagt, was passiert, wenn der Kühlschrank mit mir spricht, ähm, wenn ich morgens, ähm, mein, mein Gemüse oder mein, mein Frucht heraushole. Ähm, was wir auch sehen, ist, wenn ein Nutzer – und das ist auch besonders im deutschen Markt ganz klar – sieht, okay, ich interagiere hier mit einem Chatbot. Und wenn er, wenn dieser Bot die Anfrage nicht richtig beantwortet oder ein schlechtes, eine schlechte Nutzererfahrung bringt, dann ist die Wahrscheinlichkeit, dass dieser Nutzer zurück zu diesem Bot kommt, gleich null, ne. Weil wir haben natürlich durch dieses Interface die Erwartungshaltung, dass wir einen, ja, einen menschennahen Dialog führen können. Wenn diese Erwartungshaltung nicht, ähm, äh, übertroffen wird oder zumindest, ähm, diese nicht erfüllt, dann ist die Nutzererfahrung besonders schlecht. Da kommt dieses Canvas rein, wo wir hier diese einmal diese conversational layers haben. Das bedeutet, wir können auf verschiedenen Ebenen die Dialogfähigkeit des Bots trainieren. Wir können, ähm, domainspezifische Vokabeln reinbringen, ob das jetzt Synonyme von Produkten sind, ähm, ob das jetzt beispielsweise Abkürzungen sind, wenn das beispielsweise, ähm, Kombinationen von Sprachen sind, ja. Also wenn, wenn wir Kunden, Kunden in den Benelux-Staaten haben, wo, ähm, wir Niederländisch, Französisch, Englisch, Deutsch haben als Kombination oder auch in Asien, ähm, beispielsweise-- Das Beispiel, was ich Ihnen zeigen werde, ist 'n Kunde aus den Philippinen, wo einmal Englisch und Tagalog, Tagalog ist die einheimische Sprache da, wo Wörter vermischt werden, ähm, und man hier dann auch die Dialek-, Dialogfähigkeit trainieren muss. Und dann natürlich auch die Plattform – ich hatte es vorhin kurz angegeben –, wie wir diese Bots anbinden im Frontend über Webseiten, über die gängigen Messenger-Kanäle und auch im Backend. Also wenn ein Gespräch weitergeleitet werden muss an einen Kundenbetreuer, wenn der Bot diese Frage nicht beantworten kann, beispielsweise über Salesforce, Zendesk, was auch immer. Wenn wir in einem E-Commerce-Use-Case, ähm, Produktinformationen von Magento ziehen wollen, ähm, aus SAP, wenn es, ähm, andere Anfragen gibt dafür, haben wir einige interne Use Cases, Personalabfragen, ähm, Liefermengenabfragen und so weiter und so fort. Das kann durch die Schnittstellen, also durch die API, entsprechend abgefragt werden. (Mausklick) So, ich werde jetzt kurz hier in das Twila Canvas reingehen. Das ist jetzt das Beispiel für Cebu Pacific. Das ist eine Airline aus den Philippinen. Wenn Sie auf die Webseite gehen, Cebu Pacific Air, sehen Sie den Chatbot, der, ähm, mithilfe des Twila Canvases hier entwickelt wurde. Ähm, man sieht, wir haben verschiedene einzelne Bots, die getestet werden können oder auch entsprechend entwickelt werden können. Es gibt Kunden, die mehrere Bots für ihre Anwendungsfälle haben, beispielsweise für verschiedene Sprachen. Es ist jetzt nicht so, also, das empfehlen wir nicht, dass wir ein Bot, ähm, der jetzt zum Beispiel Englisch, Deutsch, Französisch alleine macht, weil da die Technologie sich meistens in den Weg kommt. Das bedeutet eigentlich ein Bot für eine Sprache, wie man den dann im Frontend anbinden kann, das ist auch relativ flexibel. Man sieht hier, ähm, in den, ähm, in den Einstellungen, wie man den Bot entsprechend konfigurieren kann, ob das jetzt mit verschiedenen Farben ist, ähm, mit Policy-Hinweisen, mit Grafiken und so weiter und so fort. Das ist entsprechend alles hier hinterlegt, ähm, mit auch, äh, wenn man dann die Interaktionen datenschutzgemäß, ähm, verschlüsseln muss. Das kann man hier dann entsprechend auch machen. Eskalation jetzt auch über die Systeme. Hier in dem Fall wird, ähm, wird Salesforce benutzt von diesem Kunden für die Eskalation und auch die Einziehung von Buchungsinformationen, wenn wir beispielsweise ein Ticket stornieren müssen und so weiter und so fort. Das passiert hier über die Einstellungen und kann man im Grunde genommen das Grundwerk für diesen Bot setzen. Was wir dann haben, ist hier das Interface – und das muss ich kurz hochladen –, ähm, im Grunde genommen, wir nennen das das Canvas, ist, wo man sich entsprechend viel in der Gestaltung von dem Bot entfalten kann. Wir haben hier an der Horizontalen, an der Horizontalen im Grunde genommen eine Möglichkeit, äh, einen kompletten Dialogfluss zu, äh, ähm, zu entwickeln und die einzelnen, wie soll man sagen, Bausteine entsprechend einzuarbeiten. Ich sehe diese Plattform jetzt nicht als, ich will mal sagen, so als Entscheidungsbaum von oben nach unten. Ähm, das ist eher so ein, ein Art Netz, wo man von verschiedenen Punkten quer an verschiedene Datenbanken oder Wissensquellen dieses Bots, äh-Zugreifen kann. Wir haben hier oft zum einen spezifisches Wissen, wir haben generelles Wissen, wo wir sagen, rund Smalltalk, dass der Bot auch verschiedene Fragen beantworten kann. Wenn man sagt, einfach nur „ Hallo, wie geht es dir und so weiter und so fort. Das geht hin zu der Dialogfähigkeit. Wir haben dann hier die Möglichkeit zu konfigurieren, was passiert, wenn der Bot nicht antworten kann, dass wir jetzt nicht nur statisch immer dieselbe Frage haben kann, aber das kann man entsprechend der Zufallsgenerator generieren und hier beispielsweise Anbindung an Kundenbetreuer. Und dann hier sieht man die Analytics. Das bedeutet, wie gut der der Job Chatbot arbeitet. Was sind die Kriterien, die getroffen werden müssen? Positive, schlechte, negative Bewertungen? Was sind die Fragen, die der Bot nicht beantworten kann? Und so kann man natürlich entsprechend besser trainieren. Ich würde gerne jetzt durch ein paar Use Cases gehen, zu sagen, wie das eigentlich in in der Realität ausschaut. Wir haben hier, wenn wir jetzt beispielsweise sagen, wir haben Fragen rund den Check-in. Sie sehen gleich hier, es gibt eine Kategorisierung unter Topics und Queries. Und Topics und Queries sind, ich würde mal sagen, zwei Ebenen einer Anfrage. Topics sind sehr generelle Anfragen, die der Bot dann beantworten kann, indem er klärende Fragen stellt. Queries sind sehr spezifische Anfragen. Das bedeutet, wenn ich weiß, dass ein Kunde eine spezifische Frage hat, zum Beispiel „Wo kann ich einchecken? Hier in dem Fall „Where can I check in? Kann man auch eine spezifische Frage, eine spezifische Antwort bekommen. Da zeige ich Ihnen gerne einfach mal ein Beispiel. Also wenn wir jetzt hier reinkommen und das ist der Bot, der dann auch auf der Webseite ist und ich einfach checken schreibe und irgend ein Unfug. Was wir was wir vermeiden wollen, ist, dass der Bot sagt, tut mir leid, ich kann dich nicht verstehen. Ja? Aber wir wollen, dass ihr hier eine klärende Frage stellt. Das bedeutet, dass wir eine Art, eine Art Trichter und Ausschlussverfahren sagen, okay, wir können erkennen, check in und wir sehen auch hier, wie die Technik funktioniert. Okay, Keyword match. Wir sehen hier, was die weiteren Möglichkeiten sind für Inputs aus dem System. Das ist jetzt ein bisschen sehr technisch, aber da müssen wir jetzt nicht weiter drauf eingehen. Wir sagen: „Okay, I can check into your flight. Kann ich mit irgendwas anderem helfen? Und wir sehen hier dann die Optionen. Der Kunde kann es entsprechend reinschreiben, der kann es hier auswählen. Und diese Punkte, die Sie hier sehen, es ist jetzt nicht so, dass bei jedem Input man jetzt neues Wissen hier eintragen muss. Das hier ist alles bestehendes Wissen, was einfach ausgewählt wurde und dieses Dialognetz weiter aufzuspannen. Und wir können gleich auch in ein Beispiel reingehen, wo wir von null auf einen Bot entwickeln und wir können das dann hier entsprechend zeigen, wie das funktioniert. Das bedeutet, ich habe hier die Möglichkeit, im Grunde genommen komplett zu sehen, was der Dialogfluss ist, wenn der Kunde gewisse Auswahl trifft oder einen gewissen Input gibt. Das ist alles entsprechend möglich. Und wir sehen hier, wie wir relativ schnell ein sehr breites Netz an Dialogfähigkeit für den Bot entwickeln können. Wir haben dann weiterhin die Möglichkeit, wir sehen hier den Train Button, anhand von verschiedenen Methoden diese Dialogfähigkeit weiter zu unterstützen. Wenn wir jetzt hier reinkommen und sagen: „Okay, where can I check in? Sehen wir hier verschiedene Möglichkeiten, wo der Bot drauf reagieren wird, wenn er diesen Input erkennt. Also wenn jemand sagt: „Okay, where can I get my boarding pass? Where can I check in? Und so weiter und so fort, wird der Bot diese Antwort geben. Und dieses Wissen wird dann weiter ausgebaut, weil wenn er sagt: „Okay, where can I get my boarding pass? Es gibt verschiedene Ausdrucksweisen: Boarding Pass, Boarding Card. Man kann hier hinzufügen, was immer man möchte. Dieses Trainieren kann ... Es gibt zwei Möglichkeiten, die wir haben. Einmal haben wir Kunden, die das komplett von selber aufbauen und die sagen: „Okay, wir wollen dieses Wissen in den Bot überbringen. Sehr spezifisch die Use Cases und wir müssen das entsprechend trainieren. Und wir haben jetzt keine Daten beispielsweise. Es gibt andere Kunden und CIBU Pacific ist einer davon, wo es Daten gibt schon aus historischen Interaktionen, die dafür genutzt werden können, im Grunde genommen dieses Feld vorzubefinden und zu sehen: „Okay, wir wissen, dass Kunden, wenn die eine Frage über online haben hier, das wird jetzt auch einer von diesen Use-Cases sein, dass es Website, Site, Page, Online und so weiter und so weiter das bedeutet. Und ich gehe davon aus hier, das wurde dann auch entsprechend hier turniert, wenn Leute fragen bezüglich jetzt den Covid-Richtlinien haben, dass sie sehen, okay, von den Interaktionen wissen wir, das ist, was die Leute danach fragen und wir können das schon jetzt in den Bot mit einbringen. Wir haben jetzt nicht, klar, aus den letzten zehn Jahren Interaktionen bezüglich Corona. Das ist jetzt in dem letzten Jahr passiert und hier können wir schon das Wissen mit einbringen, damit der Bot immer, ich würde mal sagen, up to date ist und das Wissen hat, was wir hier beantworten müssen. Und wir können das entsprechend dann weiter hier testen. Und ein schöner Punkt an dieser Plattform ist, dass wenn wir, ich würde mal sagen, Redakteure dieses Bots haben, die daran arbeiten, können hier sagen: „Ich möchte hier beispielsweise was ändern und sie werden dann zu dem Punkt gebracht und in dem Trainingsfeld kann ich dann hier weiter das Wissen.Ausbauen, etwas dran ändern, die ah die Auswahlmöglichkeiten hier anpassen. Das ist alles möglich. Wir können hier die Antworten entsprechend anpassen. Es ist dazu gedient, dass jemand, der jetzt keine Tech-Expertise in der maschinellen Sprachverarbeitung hat, dieses System nutzen kann, um entsprechend einen Bot zu trainieren. Wir haben hier dann auch ganz klar die Möglichkeit, es an verschiedenen Punkten hier ähm zu kategorisieren, damit wir jetzt nicht nur eine lange Liste an Interaktionen haben, sondern wir haben das nach Kategorien ähm unterbrochen und der, ich würde mal sagen, der Administrator eines jedes Projekts kann diese einzelnen Arbeitspakete an seine, ich würde mal sagen, Kollegen entsprechend ähm zuweisen. Wir sehen hier, wir haben jetzt aktuell drei Leute in diesem System und als Administrator könnte ich jetzt sagen, hier dieser Mitarbeiter kann ähm jetzt folgende Arbeitspakete abarbeiten und wir haben eine Art Workflow Management hier drin, wo man sagt: „Okay, Paul Schmidt, ich hätte gerne, dass du jetzt hier diese CEB Getaways bearbeitest und folgenden Input hast. Dann geht es weiterhin bis zur Freigabe, wenn wir sagen, okay, es müssten jetzt verschiedene Abteilungen reinkommen, ob das jetzt Marketing ist, ob das jetzt die Verkaufsabteilung ist, ob das jetzt Compliance ist, besonders in der jetzigen Zeit. Okay, kann dieser Content live gehen? Ähm Freigabe ja und dann wird es live geschaltet und wir haben dann hier einen relativ ähm kurzen Dienstweg, um den Input und den Content hier entsprechend live zu schalten. Ähm Ich habe jetzt in der Präsentation ein paar Töne gehört. Ich weiß nicht, ob das entsprechende Nachrichten sind. Das können wir gerne später machen. So, was ich jetzt gerne machen würden, ist einfach das mal ganz plakativ zu zeigen, wenn wir hier jetzt ein ah neues Projekt ansetzen wollen. Wir sagen jetzt, wir können jetzt hier das rein machen, können jetzt auswählen zwischen verschiedenen Sprachen. Das ist jetzt mal auf ah. Machen wir mal Deutsch. Und wir können hier reingehen und im Grunde genommen schon gleich mit dem Content hier anfangen, um zu sagen: „Gut, wie ähm kann ich dieses Wissen entsprechend weiter ausbauen? Ich würde gerne hier noch ... Jetzt kommen wir rein und wir erstellen jetzt eine, sagen wir mal, eine Gruppe hier. Dann sagen wir mal Demo Session eins. Das ist entsprechend erfüllt und haben wir dann wissen, ähm Demo Session zwei, die erfüllt. Wir können sehen, das sind dann unsere zwei Kategorien. Wenn wir jetzt sagen, ähm wir haben eine spezifische Anfrage. Jetzt bleiben wir mal im Englischen, weil wir hatten jetzt hier auch mit dem englischen Bot, ähm sagen wir mal, I want business fight. Und wir haben dann entsprechend eine Antwort: Show. Wir können dann hier weiteres Wissen trainieren, aneignen. Wir haben jetzt hier, I want a business ticket. Wenn wir jetzt sagen, hier Business. Ähm Wir können dann als Synonym von Business, ähm sagen wir mal, Banana, um einfach mal den Punkt zu zeigen, dass wir hier verschiedene ähm Kontexte mit einbringen können. Also ganz klar, wenn ich sage jetzt hier, I want a business ticket, or I can get a business ticket for you, I want a banana ticket. Sieht man hier, Banana ist gleich Business, weil wir das hier entsprechend konfiguriert haben. Ja? Wenn wir dann einen Schritt weitergehen, um mit demselben ah Punkt hier zu zeigen, I want people with it, haben wir natürlich dasselbe Konstrukt. Darauf müssen wir jetzt nicht drauf eingehen. Ich würde jetzt gerne den Punkt hier zeigen bezüglich der Topics. Wir sagen, I need, äh sagen wir mal, einfach mal, Flight. Und wir können jetzt hier sagen, okay, wir erkennen, dass jemand eine Frage bezüglich Flug hat. Wir haben jetzt hier Wissen bezüglich Echo-und Business-Ticket. Sagen Joe, what ticket do you want? Relativ schnell kann ich dann hier reingehen und wenn ich jetzt Beispiel sage, hier, Eco und hier Business, sehe ich hier, wie ich dann bestehendes Wissen schon raus selektieren kann. Hier create an existing flow. Jetzt suche ich was raus, Eco.Dann tu ich das Wissen schon rein. Natürlich, wenn ich das jetzt in einem Fall, ähm, die ............................ hier an dem Live Bot habe, habe ich hier sechshundertfünfundvierzig verschiedene Dialogflüsse, von denen ich auswählen kann und natürlich macht es dann 'n sehr großen Unterschied, wenn ich das einfach schnell auswählen kann, das suchen kann und entsprechend hier platzieren kann. Hier bei uns, wir haben jetzt natürlich nichts, ähm, wirklich in diesem Bot drin, aber es zeigt 'n bisschen die, das Potenzial dafür, ähm, diese, diese Bots weiter ausbauen zu lassen. Hier genauso, wenn wir jetzt flight und wir sagen hier Apple, ja, wird jetzt der Bot entsprechend erkennen. Ähm, I need info about Apple. Ja, sure, what ticket you want? Eco, Business. Und dann geht's entsprechend weiter. Und all diese Möglichkeiten, ähm, öffnen natürlich verschiedene Türen, ähm, für die, ich würd mal sagen, verschiedene Use Cases, die wir haben. Mhm. Ähm, jetzt natürlich der, ich würd mal sagen, der Support Use Case, den wir jetzt hier sehen, ähm, der ist relativ gängig auch in, bei unseren Kunden. Wir sehen aber vermehrt, ähm, die Anwendung von diesen Bots im Bereich, ich würd mal sagen, so vom Co-Browsing, ähm, Erfahrungen, wo wir, äh, Kunden haben, die anhand eines Checkout-Prozesses auch einen Bot mit anbinden, um zu sagen, okay, wie kann ich dir bei deinem, bei deinem Einkauf weiterhelfen oder nach dem Kauf dat der, dass der Bot hochkommt und anhand von dem ein, der, der, der gekauften Waren weitere Empfehlungen gibt. Ähm, es gibt Use Cases rein in Kampagnen, ähm, beispielsweise, ähm, wenn, äh, wenn Werbetreibende neues Produkt an, ähm, durch beispielsweise eine Social Media Kampagne haben und dadurch nebendran einen Bot auf Facebook Messenger haben wollen, das relativ schnell entwickeln wollen ohne viel, ich würd mal sagen, technischen Aufwand, dann greifen sie zurück auf diese Plattform und, äh, können das sehr schnell und mit 'ner he-- sehr hohen Qualität machen, ähm, weil die darunterliegende Technologie, ähm, ist schon relativ etabliert. Es geht jetzt da drum, das Interface zu gestalten, damit die Leute mit dem, ähm, nötigen Fachwissen hier ihr, ihr Wissen in 'nem Bot übertragen können.
Automatisch erstellt & redaktionell aufbereitet — kann vereinzelt Fehler enthalten.
