Frustfreie Service-Gespräche - Ein Programmiergerüst für AI Assistents

MUUUH! MEETS RASA
MUUUH! GROUP — 07.11.2018

Thema: Insider

Im Gespräch mit Philipp Wolf

MUUUH! hat es sich zur Aufgabe gemacht, im Dschungel der Technologieanbieter für Chatbots und intelligente Dialogtechnologien eine unabhängige Orientierung zu geben: Conversational Customer Management ist der Kompass im Chatbot-Hype. Wir haben eine Reihe spannender Interviews mit diversen Anbietern geführt, für die das potenzialausschöpfende Zusammenwirken von Mensch und Technologie im Fokus steht. Philipp Wolf erklärt, wie es Rasa mit einem Open-Source Framework gelungen ist, AI Assistants mit starren Regeln entgegen zu wirken. Sie sind ein Neuling im Technologie-Dschungel? Keine Sorge, in diesem Artikel machen wir Sie mit den wichtigsten Begrifflichkeiten vertraut, bevor Sie sich dem Rasa Interview widmen.

Philipp Wolf von RASA

Hey Philipp! Würdest Du uns kurz ein paar Worte über Dich erzählen und Einblicke in Deine Aufgaben bei Rasa geben?

Klar, sehr gerne! Mein Name ist Philipp Wolf und ich bin seit Oktober 2016 der Head of Business Development bei Rasa. Ich bin verantwortlich für die Customer Experience und die Zufriedenheit der Corporate Kunden. Gemeinsam mit dem Entwickler- und dem Forschungsteam von Rasa bringe ich die Open-Source-Plattform und auf Maschinellem Lernen basierende Produkte an die Kunden. Zuvor konnte ich schon viel Erfahrung im Bereich von stark skalierbaren Business-Modellen und Start-Ups sammeln – unter anderem bei Rocket Internet und Rainmaking Innovation.

 

Und Ihr sitzt mit Rasa in Berlin, richtig?

Genau, seit Anfang des Jahres sitzen wir in unserem eigenen Büro in Berlin Mitte. Wir wachsen allerdings sehr schnell, sodass wir uns bereits nach einer größeren Fläche umgucken müssen. Als ich 2016 bei Rasa angefangen habe, waren wir noch vier Personen. Jetzt – zwei Jahre später – sind wir bei knapp 20 angekommen. Vom Full-Stack Developer bis hin zum Machine Learning Researcher ist bei uns alles dabei. Die meisten kommen aus dem technischen Bereich.

 

Wie und mit welcher Vision ist Rasa damals entstanden?

2016 begannen unsere beiden Gründer mit der Entwicklung eines eigenen AI Assistants für Slack. Schnell wurde klar, dass die verfügbaren Tools keine Möglichkeiten zur Anpassung der Lösung aufwiesen und im Allgemeinen für fortgeschrittene Anforderungen nicht ausreichten. Im Gespräch mit anderen Entwicklern stellten Sie dann fest, dass eine große Gruppe von Entwicklern mit dem gleichen Problem konfrontiert war. Als Ergebnis wurde Rasa geboren: Ein Framework mit dem Ziel, dass jeder Nutzer fortgeschrittene AI Assistants bauen kann. Wir arbeiten eng mit unserem Forschungsteam und unserer Open-Source-Community zusammen. Jeder kann mitmachen und hier etwas beitragen.

 

Spannender Ansatz! Und wie steht es um Eure Vision heute?

Alan und Alex, unsere beiden Gründer, leben unsere Vision perfekt, indem sie jeden Tag mutige Entscheidungen treffen. Das umfasst sowohl die Entscheidung unsere Rasa-Stack-Tools Open-Source – das heißt für Dritte öffentlich einsehbar und nutzbar – anzubieten, als auch das Angehen des Dialogmanagements aus einer Machine-Learning-Perspektive. In der eigenen Produktentwicklung setzen wir zudem verstärkt den Fokus darauf, mögliche Hindernisse in der Entstehung von fortgeschrittenen AI Assistants aus dem Weg zu räumen.

 

Du sprichst von Euren Rasa-Stack-Tools: Wie sieht das Leistungsportfolio von Rasa genau aus? Also was könnt Ihr Kunden im Bereich Conversational User Interfaces anbieten?

Es gibt eine sehr große Anzahl an Prototypen Tools. AI Assistant-Anbietern haben sich entweder auf eine Industrie oder einen Use Case spezialisiert. Auf dem Framework Level hingegen gibt es nur wenige Technologieanbieter. Wir bei Rasa haben ein solches Framework auf einen Open-Source-Ansatz gestellt, so wie kein anderer im Markt. Ein erfolgreicher AI Assistant besteht aus verschiedenen Modulen. So muss die Absicht des Users erst in strukturierte Daten überführt werden. Das passiert in den meisten Fällen mit Natural Language Understanding. Die etablierten Technologieanbieter, so wie wir bei Rasa, bieten ein solches NLU/NLP Modul an, das auf Maschinellem Lernen basiert. So ist die richtige Intent-Erkennung möglich. Zusätzlich haben wir mit Rasa Core unseren eigenen ML-basierten Dialogmanager, der die Konversation steuert.

 

Was macht Euch einzigartig und besonders? Was ist Euer USP?

Neben den bisherigen Anbietern ist uns bei Rasa nach zwei Jahren der Durchbruch bei der Entwicklung einer zuverlässigen Kunden-Dialog-Software gelungen. Die AI Assistants, die auf Rasa basieren, können jetzt so trainiert werden, dass der Kunde ein frustfreies Servicegespräch erlebt – die Schritt-für-Schritt-Lern-Methode macht dies möglich. In der Forschung gab es schon länger Ansätze im Bereich des maschinellen Lernens, um dieses Problem zu lösen. In den Unternehmen standen den Entwicklern bislang aber nur regelbasierte Ansätze zur Verfügung, die per Hand codiert wurden. Mit dem Tool „Rasa Core“ hat das Maschinelle Lernen nun auch Eingang in die Praxis des Dialogmanagements in der AI Assistant-Entwicklung gefunden. Das Programmiergerüst eignet sich auch für weniger spezialisierte Anwender und ist so flexibel gehalten, dass Entwickler damit experimentieren können.

 

Diese Flexibilität bringt sicherlich einige Vorteile mit sich?

Im Moment nutzen die meisten Entwickler noch eine State Machine, um ihre AI Assistants zu bauen. Das Problem: State Machines passen sich nicht an. Auf Grund dieser Probleme hat sich Rasa für den Ansatz des interaktiven Lernens entschieden. Zum einen ist jedem klar, wenn ein Bot etwas Falsches tut. Auf der anderen Seite ist es sehr aufwendig, bei einer State Machine hunderte von Regeln auf einen Fehler hin zu überprüfen. Reicht es nicht, zu wissen, was der Bot hätte tun sollen? Mit „Rasa Core“ geben Entwickler alle Aktionen vor, die ein Bot machen kann. Denkbare Aktionen sind die Begrüßung des Benutzers, der Aufruf einer API bzw. Programmierschnittstelle oder eine Datenbankanfrage nach einem Eintrag. Anschließend wird ein probabilistisches Modell trainiert. Mit diesem kann vorhergesagt werden, welche Aktion vor dem Hintergrund der Gesprächshistorie am ehesten durchzuführen ist.

 

Könntest Du uns ein Beispiel von einem erfolgreichen Projekt geben, um das Ganze etwas greifbarer zu machen?

Da gibt es einige Projekte, die mir einfallen. Eines zum Beispiel ist der Bot von Helvetia. Wir konnten mit der Integration von SMS als neuen Sales-Kanal eine Konversationsrate von 40% erzielen. Aber auch N26, Meekan oder United Healthcare sind hier zu erwähnen, da sie wirkliche benutzerorientiert agieren und Kundenprobleme lösen.  

 

Verrätst Du uns, woran Ihr gerade baut und was Euer nächstes Ziel ist?

Wir arbeiten hier natürlich stark daran die Entwicklung von fortgeschrittenen AI Assistants so einfach wie möglich zu gestalten. Gerade das Interactive Learning Tool, das wir gerade entwickeln, finde ich da super spannend!

 

Vielen Dank, Philipp!

 

Rasa hat seine Vision zur Realität gemacht und ermöglicht es jedem Nutzer, einen individuellen AI Assistant für sich zu bauen. Voraussetzung für einen erfolgreichen Aufbau ist jedoch zunächst eine realistische Einschätzung darüber, was dieser Assistant mit Hilfe von AI und ML aktuell leisten kann und wo seine Grenzen liegen. Unser kostenloses Whitepaper unterstützt dabei und erklärt anschaulich den Aufbau und die Arbeitsweise von Chatbots.

 

Download Whitepaper

Elena Morawin

Als junge Journalistin stellte Elena Morawin früh fest, dass ihr Kommunikation im Blut liegt. Während ihres Studiums der Kommunikationswissenschaft und Ökonomik arbeitete sie als PR- und Social-Media-Verantwortliche in einem Münsteraner Start-Up und in einer Agentur für Kommunikationsdesign. Als Trainee UX-Design unterstützt sie nach Abschluss ihres Zweifach-Bachelors nun bei der Content-Erstellung sowie der Gestaltung und Umsetzung verschiedener Wireframes, Prototypen und MVPs.