KI für die Kundenkommunikation

Connected Customer 360°, Hamburg – 22. Juni 2017

KI für die Kunden-kommunikation

Georg RehmForschungsbereich Sprachtechnologie

DFKI GmbH, Berlin

[email protected]

• Standorte in Saarbrücken, Kaiserslautern, Bremen, Berlin, Osnabrück, St. Wendel

• Intelligente Software-Systeme: Robotik, Agen-ten, Bildverstehen, Sprachverstehen, erweiterte Realität, 3D, Wissensmanagement, Mensch-Technik-Interaktion, Sicherheit, Industrie 4.0.

• 870 Beschäftigte – 220+ laufende Projekte• CEO: Prof. Dr. Wolfgang Wahlster

KI für die Kundenkommunikation – Georg Rehm (DFKI GmbH)

Deutschland GmbH

2

Deutsches Forschungszentrum für Künstliche Intelligenz GmbH

(gegründet 1988)

Inhalt• Einleitung

• KI und Sprachtechnologie

• Beispiel 1: Chatbots

• Beispiel 2: Social Media Analytics für BI

• Beispiel 3: Automatisches Storytelling

• Europäische Herausforderungen

• Schlussfolgerungen – Prognosen – Fragen

KI für die Kundenkommunikation – Georg Rehm (DFKI GmbH) 3


Daten Intelligenz

Aktuelle Durchbrüche mit maschinellen Lernverfahren (Deep Learning)Ebenfalls noch immer im Einsatz: Symbolische, regelbasierte Methoden

Sprachtechnologie• Sprachtechnologie setzt theoretische Ergebnisse der

sprachorientierten Forschung in praxisgerechte und technologisch verwertbare Anwendungen um.

• Nutzt Ergebnisse u.a. aus:– Künstliche Intelligenz + Informatik– Computerlinguistik

• Natural Language Processing• Natural Language Understanding

– Psychologie, Psycholinguistik– Kognitionswissenschaft

• Sprache: The next big thing for AI!


Beispielanwendungen• Rechtschreibprüfung• Diktiersysteme• Übersetzungssysteme• Suchmaschinen• Reportgenerierung• Expertensysteme• Dialogsysteme• Textzusammenfassen

KI-CRM-Systeme• KI und Sprachtechnologie:

Zahlreiche Durchbrüche in unterschiedlichen Anwendungsgebieten

• Fokus: CRM, Kun-denkommunikation

• Riesiges Potenzial!


KI-CRM-Systeme

Sprach-technologie

KI undDeep

Learning

Big Data, großeDaten-

mengen

SchnelleRechner, schnelle

Netze

Ø Unterstützung der Kommunikation mit Kunden

Ø Analyse von UGC


https://medium.com/@bootstrappingme/the-german-artificial-intelligence-landscape-b3708b325124

Diese fünf Kategorien umfassen 48% aller

deutschen KI-Startups!

Kundenkommunikation


UGC

Beispiel 1:Chatbots

Beispiel 2:Social MediaAnalytics für BI

Beispiel 3:AutomatischesStorytelling

KundenkommunikationBeispiel: Chatbots


Chatbots• Auch: Conversational Agent,

Dialogsystem, Personal Assistant• Ziel: Natürliche Dialoge oder auch

Unterhaltungen mit der Maschine• Wird seit Jahrzehnten erforscht, erst

jetzt im größeren Stil realisierbar• Ur-Chatbot: Eliza (J. Weizenbaum)• Zahlreiche Projekte am DFKI, z.B.

Verbmobil, COSMA, Wir im Kiez, Voice2Social, Streetlife ... <NDA>


Geschmacksrichtungen


Goal-drivenChatbots

Non-goal-drivenChatbots

Interaktive Chatbots:

PersönlicheAssistenten

Erscheinungs-form

Textbasierte Widgets(evtl. mit GUI), eingebettet in Websites

Eigenständige Anwendungen oder eingebettet in größere Applikationen

An spezielle Hardware gekoppelt(Echo, Home, Siri, Cortana)

Typische Modalität

Geschriebene Sprache Geschriebene oder gesprochene Sprache

Gesprochene Sprache

Technologische Komplexität

Eher gering Kann variieren Hochgradig komplex

Zweck Unterstützung genau einer Aufgabe, z.B.technischer Support, Kundendienst, Produktinformationen, spezifische Hilfestellung liefern

Verschiedene Anwendungsfälle: Sprachenlernen, Spiele, Entertainment etc.

Diverse Aufgaben, z.B. Websuche, Wetterbericht, Börsenauskunft, Unter-stützung des Nutzers bei Bedienung des Geräts etc.

Fragen und Antworten• „When was Marvin Minsky born?“ (= „When was <PERSON> born?“)

• Sprachverarbeitung ist komplex und umfasst u.a.: 1. Erkennung gesprochener Sprache & Wandlung in Text2. Parsing, Erkennung von Entitäten und Relationen3. Erkennung des Kommando- bzw. Fragetyps 4. Semantische Verarbeitung 5. Antwort-Retrieval (z.B. per Wissensgraph, Faktenwissen)6. Adäquate Formulierung der Antwort7. Generierung und Ausgabe gesprochener Sprache

• Fortgeschrittene Systeme erkennen Intentionen, bauen Nutzermodelle auf und pflegen ein Dialoggedächtnis


Herausforderungen• Closed domain vs. open domain• Sprachlicher Kontext• Physikalischer Kontext• Sozialer und situativer Kontext• Logik und Weltwissen• Neues Wissen und Spezialwissen• Dialoggedächtnis• Konfliktauflösung


Unterstützung• Diverse Chatbots für Slack, Facebook Messenger,

Websites und andere Plattformen• Diverse NLU-Plattformen, die den Bau von Chatbots

vereinfachen (api.ai, wit.ai, RasaNLU etc.)• Diverse Hosting-Plattformen, die das Anbieten von

Chatbots vereinfachen (Meya, Botsify etc.)• Diverse Unternehmen, die Chatbots konfektionieren

(zahlreiche Startups)


Chatbots: Fazit• Stärken

– Verfügbarkeit 24/7– Liefern für bestimmte

CRM-Anwendungen gute Ergebnisse, z.B. Produktinformationen, Kundendienst

– Derzeit riesiger Hype– Nützliche Helferlein

• Schwächen– Web-Chatbots langfristig

nur in spezifischen Anwen-dungskontexten nützlich

– Fehler sorgen für schlechte User Experience und dauerhaften Abbruch

– Kontinuierliche Pflege der Datenbasis ist aufwändig

– Was ist eigentlich mit Mehrsprachigkeit?



Social Networks undUser-Generated Content

UGC

KundenkommunikationBeispiel: Social Media Analytics für BI

Social Media Analytics• Kunden äußern sich online zu Produkten und Services• E-Commerce-Websites, Twitter, Diskussionsforen, Blogs,

Facebook, Tumblr, LinkedIn, Yelp, Instagram etc.• Wertvolle Informationsquelle für die jeweiligen Anbieter,

um Rückmeldungen für ihre Produkte zu bekommen• Neben UGC auch Corporate Content der Konkurrenz• Mapping von Informationen, Aggregierung von Wissen• Schwierig: Kurze, fragmentarische, oft fehlerhafte Texte• NDA-bedingt sehen wir uns statt „Extraktion von

Produktinformationen“einen anderen Anwendungsfall an


Smart Data Projekte• BMWi-Förderprogramm „Smart Data“• SD4M: Informationsextraktion aus UGC für den

Mobilitätssektor. Smart Data Web: Wissensgraph• SD4M: Verknüpfung mit strukturierten Datenbeständen

von Mobilitätsanbietern – Aufbau eines Wissensgraphs• Ziel: Verbesserung der Mobilitätsplanung• Social-Media-basierte Verkehrsbeobachtung



Unstrukturierte Information istalgorithmisch nicht nutzbar

Erst die Extraktion strukturierter,mobilitätsspezifischer Informationenmacht sie wertvoll und nachnutzbar

Event Detection


Verkehrsinformationen

Nachrichten

buyer:Diebold acquired:Wincor_Nixdorf

event:Übernahme

Twitter

street:A1_(Autobahn_DE)time:15min

length:5km

event:Obstruction

event:Traffic jam

Erkennungsgenauigkeit

Entity-Linking


“Auf der Berliner S-Bahnlinie S2 gibt es zwischen Buchund Blankenburg Schienenersatzverkehr.”

db/route/6974149 db/stop/5244243wikipedia/Buch

db/stop/5247896osm/town/Blankenburg_(Harz)

Entity AnzahlBerlin 3S2 18Buch 5Blankenburg 4

Wissensgraphen


Company

Facility

Place

Event

Product

Resource

Personhas

located_in

managed_by

utilizes

involved_ininvolved_in

manufactures

Herausforderungen• Erkennung der Modalität: Schiene, Luft, Straße• Erkennung von Eigennamen: Stadt, Straße, ÖPNV-Linie • Mehrdeutigkeiten, z.B.:

– Stadtnamen: „Sommerloch“, „Berg“, „Buch“, „Dom“ etc.– Straßennamen: „Umgehungsstraße“, „Beamtenlaufbahn“

• Erkennung von Ereignissen alles andere als trivial• Verknüpfung erkannter Entitäten mit Datenquellen und

Wissensgraphen (Karten, ÖPNV-Daten, Wikipedia etc.)


Corporate SMA: Fazit• Social Media Analytics – riesiges Potenzial, z.B. für

– CRM und Business Intelligence– Kunden-, Markt-, Regionen-, Innovationsbeobachtung– Supply Chain Management und Monitoring

• In sehr großen Unternehmen seit Jahren im Einsatz• Forschung und auch Anwendungen (z.B. CRM-Systeme)

kratzen bislang nur an der Oberfläche• Herausforderungen: Identifizieren relevanter Quellen;

robuste und präzise Textanalyse; Mehrsprachigkeit etc.• Diverse Anbieter können unterstützen



Automatische Generierung von Produktbeschreibungen, Content-Sammlungen, Marketingmaterialien, Analyse und Generierung von Texten etc.

KundenkommunikationBeispiel: Automatisches Storytelling

Textgenerierung• Seit den 80ern etabliert: Natural Language Generation• Automatische Generierung z.B. von Wetterberichten,

Artikeln über Fußballspiele, Börsennachrichten, Produktbeschreibungen für E-Commerce-Websites etc.

• Funktioniert sehr gut für eher schematische Textsorten• Schablonen werden mit Informationen gefüllt• Beliebter Anwendungsfall: Search Engine Optimisation• DFKI: Aktuelle Experimente mit Semantic Storytelling• Nächster Schritt: Storytelling mit Deep Learning• Ein Beispiel aus dem Labor ...


DKT Kick-off-Veranstaltung – 25. September 2015

Digitale Kuratierungstechnologien• Unterstützung und Optimierung digitaler Kuratierung durch

Sprach- und Wissenstechnologien• Entwicklung innovativer Prototypen bei den KMU-Partnern• Weiterentwicklung der DFKI-Technologien und Transfer mittels

Plattform für digitale Kuratierungstechnologien

Sprach- und Wissenstechnologien

Kuratierungstechnologien

BranchentechnologienPl

attfo

rmte

chno

logi

e

Branchenlösungen

StorytellingWunschfunktionalität bei allen KMU-Partnern:

Semantic Storytelling• Eingabe: Kohärente, in sich geschlossene Textkollektion• Ausgabe: Semantisch angereicherte Kollektion• Idee: Aufgabenspezifisch multiple Rezeptionspfade

generieren, vorschlagen, präsentieren• Lösung: Identifizierung, Ranking und Empfehlung

sinnvoller, überraschender Hypertextpfade• Es gibt noch zahlreiche Herausforderungen ...


RDF DB

RDF DB

Semantic Storytelling Backend

Authoring Environment

iOS App Android AppHTML5ePub …

• Input: Self-contained document collection• Example: Mendelsohn letters, 2796 documents,

written in German, English, French

• Assists the editor in putting together stories based on the semantic analyses

• Enables the construction of new stories, for example, by (1) focussing on the specific requirements of different text types such as biography or travelogue or (2) through highlighting and recommending to the human expert specific relationships between entities

• Automatic transformation of RDF database contents into play-out formats for different channels and media

Semantic Storytelling: Analysis and Annotation Steps• Language identification (for cross-lingual processing)• Temporal expression analysis (TimeX)• Geographic location analysis (GeoX)• Participants and actors analysis (Person X)• Coreference analysis• Event detection (cross-lingual, including German and

French, through machine translation)• Mode of transportation analysis• Identification of Movement Action Events out of the set of

identified events (filtering)

ExperimentalStorytelling Dashboard

Beispiel: Die Mendelsohn-Briefe

Mit Dank an:

35

Experiment:Überführung einerSammlung von Briefenin einen Reisebericht


Beispiel: Die Mendelsohn-Briefe

Storytelling: Fazit• Derzeit noch experimentelle Avantgarde-Technologie• Medienindustrie hat immenses Interesse: Verarbeitung

großer Mengen von Online-Nachrichten• Wir experimentieren mit Daten aus diversen Bereichen:

TV/Medien, Journalismus, News, Nachlässe• CRM-Kontext: Anwendung auf Produktinformationen,

Marketing-Materialien etc. für bessere, umfassendere User/Customer-Experience bietet sich an



EuropäischeHerausforderungen

• Mehrsprachigkeit ist ein Kern der europäischen Idee

• 24 EU-Sprachen – alle genießen den gleichen Status

• Dutzende von regionalen und Minderheitensprachen sowie Sprachen von Immigranten und Handelspartnern

• Wirtschaftliche Herausforderungen: – Wenn der digitale Binnenmarkt nicht inhärent multilingual ist,

entstehen 20+ Inselmärkte – streng nach Sprachgrenzen geteilt!

– Sprachbarrieren sind Marktbarrieren und CRM-Barrieren!

• Gesellschaftliche Herausforderungen:– Es allen Bürgern ermöglichen, ihre Muttersprache zu benutzen

– Grenz-, sprach- und kulturübergreifende Kommunikation

•60 Forschungszentren in 34 Ländern (gegründet 2010)Chair des Executive Boards: Jan Hajic (CUNI)Dep.: J. van Genabith (DFKI), A. Vasiljevs (Tilde) General Secretary: Georg Rehm (DFKI)

•Multilingual Europe Technology Alliance.800+ Mitglieder in 67 Ländern

(publiziert 2013) (31 Bände; publiziert 2012)

Multilingual Europe Technology AllianceNET

Language White Papers• „Europas Sprachen im Digitalen Zeitalter“

• 31 Bände zu 30 Sprachen

• Kurzdarstellung der Sprache

• Stand der Sprachtechnologie

• Gesellschaftliche und technologische Probleme; Chancen und Risiken

• > 200 nationale/regionale Experten

• > 8.000 Exemplare verteilt


http://www.meta-net.eu/whitepapers

q Basqueq Bulgarian*q Catalanq Croatian*q Czech*q Danish*q Dutch*q English*q Estonian*q Finnish*q French*

q Galicianq German*q Greek*q Hungarian*q Icelandicq Irish*q Italian*q Latvian*q Lithuanian*q Maltese*q Norwegian

q Polish*q Portuguese*q Romanian*q Serbianq Slovak*q Slovene*q Spanish*q Swedish*q Welsh

* Official EU languagehttp://www.meta-net.eu/whitepapers

Fragmentary

Weak/none

Moderate

Good

Excellent

Welsh

Maltese

Lithuanian

Latvian

Icelandic

Irish

Croatian

Serbian

Estonian

Slovene

Slovak

Roma

nian

Norwegian

Greek

Galician

Danish

Bulgarian

Basque

Swedish

Portu

guese

Finnish

Catal

anPo

lish

Hung

arian

Czech

Italia

nGe

rman

Dutch

Span

ishFre

nch

Engli

sh

Leve

l of s

uppo

rt

Languages with names in redhave little or no MT support

Quelle: META-NET White Paper Series: Europe's Languages in the Digital Age. Springer, Heidelberg, New York, Dordrecht, London, September 2012. Georg Rehm and Hans Uszkoreit (series editors)

Selbst aktuelle State-of-the-Art-Technologien sind noch nicht perfekt!

Drastische Technologiedefizite bei 21 europäischen Sprachen – es droht digitales Sprachensterben!• PM am Europäischen Tag der Sprachen 2012• 600+ Nennungen in der Presse, 50+ Interviews

(ca. 30 Radio, ca. 20 TV).

q Erste strategische Agenda für Sprachtechnologie überhaupt

q Sammlung von Technologie-visionen für Europa 2020

q 200+ Experten nahmen teil

q Präsentiert und diskutiert auf 80+ Konferenzen

q Erarbeitet 2011/2012

q Publiziert im Januar 2013

q http://www.meta-net.eu/sra

Drei Prioritätsthemen


Priority Research Theme 2: Social Intelligence and e-Participation

From shallow to deep, from coarse-grained to

detailed processing techniques

Making language technologies interoperable

with knowledge representa-tion and the semantic web

“Semantification” of the web: tight integration with the Semantic Web and Linked Open Data

Mapping large, heterogeneous, unstructured volumes of online content to structured, actionable

representations

Unleashing social intelligence by detecting and monitoring opinions,

demands, needs and problems

Target groups: European citizen, European institutions, discussion

participants, companies

Make use of the wisdom of the

crowds

Improved efficiency and

quality of decision processes

Understanding influence diffusion across social media

especially social media, comments, blogs, forums

decision-relevant information

support

sentiment analysis and opinion mining including the temporal dimension)

cues

from arbitrary online content

visualising discussions and opinion statements

Services and Technologies:

collective deliberation and e-participation

-wide deliberation on pressing issues

and processes; modeling evolution of opinions

analysis technologies

Applications:

Priority Research Theme 3: Socially-Aware Interactive Assistants

Interacting naturally

with and in groups

Learning and

forgetting information

Adaptable to the user’s needs and preferences and the environment

Include human-computer, human-artificial agent and

computer-mediated human-human communication

Proactive, self-aware,

user-adaptable

Interacts naturally with humans, in any

language and modality

Can be personalised to individual communication

abilities including special needs

Can learn incrementally from all interactions and

other sources of information

recognition

and synthesis, providing expressive voices

understanding

incremental conversational speech

models of human communication

inter-dependencies

priority themes

Services and Technologies:

Applications:

dialogue systems

environment

modalities (visual, tactile, haptic) verbal/non-verbal behaviour, social context

ments, any

vocabulary

recovery,self-

assessment

Multilingualcapabilities

q Top Priorität der EUq Soll zusätzlich mehr als 400B€ zum

europäischen GDP und Hunderttausendeneue Arbeitsplätze generieren

q Leider ist das Thema Mehrsprachigkeitnoch kein zentraler Bestandteil der der Digital Single Market Strategy der EC (publiziert im Mai 2015)

Das mehrsprachige Europa• E-Commerce: Wachstum nur etwa die Hälfte des US-Marktes

– das liegt u.a. auch an der Sprachabdeckung.• Weniger als 5% (!) der europäischen KMUs vertreiben ihre

Produkte oder Services über Sprachgrenzen hinweg.• Es wird Unterstützung durch Sprachtechnologien benötigt!


THREE PRIORITY AREAS FOR ACHIEVING THE MULTILINGUAL DIGITAL SINGLE MARKET

Multilingual access to all digital goods and services across Europe1

Geo-blocking:

due to nationality, location, or residence

customers

Language-blocking:

languages they do not speak

however, current online translation is insufficienttrying to conduct

common languages

Geo-blocking and language-blocking are barriers to access

Both geo-blocking and language-blocking aredaily problems for tens of millions of EU citizens.

Customers are six times more likely to buy from sites in their native language.

Most EU languages address less than 3% of the market, fundamentally limiting SMEs operating in countries where thoselanguages are spoken.

Lack of language technology support (automatic translation, tools to assist human translators, and multilingual support in

European businesses.

Language can be expensive for SMEs

Online businesses face around €5,000 in up-front costs for each new language they translate their websites into, plus similar

and marketing costs.

Even when sites are translated, the vast majority of SMEs cannot respond to support requests or customer feedback in other languages. Such responsiveness is needed to achieve customer satisfaction and build brand loyalty.

English is not the answer52% of EU customers do not purchase

Adding even a few languages to an SME’s website beyond Englishcan have a major impact on revenue. Large organizations today

to increase market share.

6x morelikely to

purchase

Site in buyer’snative language

Site in foreignlanguage

Likel

ihoo

d of p

urch

asin

g

• Spezielle Version der strategischen Agenda – für den mehrsprachigen digitalen Binnenmarkt(derzeit: Version 0.9)

• Version 1.0 erscheint imNovember 2017


Strategic Research and Innovation Agenda

Language as a Data Type and Key Challenge for Big Data

Enabling the Multilingual Digital Single Market through technologies for translating, analysing, processing

and curating natural language content

SRIA Editorial Team

Version 0.9 – July 2016

Multilingual Digital Single Market

Automated Translation

E-Commerce Content, Media, Verticals

Translation, Language, Knowledge, Data

Knowledge and Data Repositories

Multilingual Applications

Multilingual Services

ResearchCrosslingual

Big Data Language Analytics

Meaning, Semantics, Knowledge

High-Quality Machine

Translation

SMEs CEF DSIs IT Integrators Researchprovide innovative

applications

fills gaps

H2020 RIAs

H2020 CSAs, IAs, RIAs

H2020 CSAs, RAs, national funding

Multimodal Interaction

Language Processing, Analysis and Production – Language Resources

Citizens Public Business

interoperable and standardised

collaboration with member states

Conversational Technologies

Multilingual Strategy

Multilingual Digital Single Market

Automated Translation

E-Commerce Content, Media, Verticals

Translation, Language, Knowledge, Data

Knowledge and Data Repositories

Multilingual Applications

Multilingual Services

ResearchCrosslingual

Big Data Language Analytics

Meaning, Semantics, Knowledge

High-Quality Machine

Translation

SMEs CEF DSIs IT Integrators Researchprovide innovative

applications

fills gaps

H2020 RIAs

H2020 CSAs, IAs, RIAs

H2020 CSAs, RAs, national funding

Multimodal Interaction

Language Processing, Analysis and Production – Language Resources

Citizens Public Business

interoperable and standardised

collaboration with member states

Conversational Technologies

Multilingual Strategy

q Crosslingual search, CRM, helpdesks, processes, workflowsq Customer-facing vs. back-office facing (after-market, after-sales)q Multilingual presales communication and after-sales servicesq Crosslingual business intelligence (e.g., based on UGC)q Semantic, crosslingual product descriptions and cataloguesq Crosslingual communication for SMEs

Multilingual Europe through

Technology

Multilingual Strategy of the EU: more tech

support for multilingualism

Language Technologies for Europe's digital public

services

Technologies for the

Multilingual Digital Single

Market

Language Technologies for Big Data text analytics

The Human Language

Project – long-term R&D&I, post-H2020

Language Technologies

R&D&I (H2020, WP

2018-20)

Multilingual Europein June 2017





SRIA Editorial Team


Open calls andupcoming servicecontracts

Dec. 2016: EC brainstormingmeeting on future LT prioritiesin Horizon 2020 and FP9.Need for a new strategy paper?

Jan. 2017: STOA workshop and study on LT for Europe

Dec. 2017: LT Sessionat BDVA Summit inValencia

2017: MDSM SRIA V1.0

Policy change and initiative towards a European digital public sphere enabled by MT/LT

DG CONNECT

DGT andDG CONNECT

DG CONNECT

WP 2018-20 (incl. IoT, I4.0, assistants, robots etc.)

Shared programmebetween EU and MS Suggested MLV Programme





SRIA Editorial Team


CEF ATELRC

Multilingual Europe through

Technology

Multilingual Strategy of the EU: more tech

support for multilingualism

Language Technologies for Europe's digital public

services

Technologies for the

Multilingual Digital Single

Market

Language Technologies for Big Data text analytics

The Human Language

Project – long-term R&D&I, post-H2020

Language Technologies

R&D&I (H2020, WP

2018-20)

Multilingual Europein June 2017





SRIA Editorial Team


Open calls andupcoming servicecontracts

Dec. 2016: EC brainstormingmeeting on future LT prioritiesin Horizon 2020 and FP9.Need for a new strategy paper?

Jan. 2017: STOA workshop and study on LT for Europe

Dec. 2017: LT Sessionat BDVA Summit inValencia

2017: MDSM SRIA V1.0

Policy change and initiative towards a European digital public sphere enabled by MT/LT

DG CONNECT

DGT andDG CONNECT

DG CONNECT

WP 2018-20 (incl. IoT, I4.0, assistants, robots etc.)

Shared programmebetween EU and MS Suggested MLV Programme





SRIA Editorial Team


CEF ATELRC

• Aktuelle Initiativen sind unbalanciert und zu klein.

• Europa benötigt dringend einen koordinierten und gemeinsamen Schub für Forschung und Innovation!

Human Language Project• Ziel: Deep Natural Language Understanding by 2030

• Neueste KI für Next Generation Language Technology!

• Großes EU-Forschungsprogramm – 10 Jahre Laufzeit

• Neue Durchbrüche und Impulse für Forschung, Wirtschaft, Gesellschaft, Innovation erzielen.

54KI für die Kundenkommunikation – Georg Rehm (DFKI GmbH)

Künstliche IntelligenzIncluding cognition, perception, vision, cross-modal,cross-platform, cross-culture, Internet of Things etc.

Maschinelles Lernen

SprachtechnologienWissenstechnologien

13./14. November 2017Brüssel, Belgien – http://www.meta-forum.euDas 7. META-FORUM nach Stationen in Brüssel (2x), Berlin, Riga, Budapest, Lissabon

Machen Sie mit!• Aktuelle Umfrage:

– „Language Technology for Multilingual Europe“– http://www.cracking-the-language-barrier.eu/survey/

• SRIA for the Multilingual Digital Single Market andthe Human Language Project – Version 1.0– http://www.cracking-the-language-barrier.eu/sria

•– 13./14. November 2017, Brüssel, Belgien– http://www.meta-forum.eu– http://www.meta-forum.eu/registration



SchlussfolgerungenPrognosen

Offene Fragen

Schlussfolgerungen• Connected wird der Customer erst durch KI und

Sprachtechnologie!• KI revolutioniert alle Ebenen der Kommunikation• Kommunikation wird immer digitaler stattfinden• Die drei Beispiele zeigen Trends und Möglichkeiten• Sprachtechnologie „made in Europe for Europe“ wird

schon bald sehr stark nachgefragt werden• Human Language Project als EU-Forschungsprogramm

wird – so es klappt – spannende Technologien liefern!


Prognosen• Nächste IT-Generation wird Nutzern besser angepasst

sein: Verarbeitung von Sprache, Wissen, Emotion• Überwindung von Kommunikationsbarrieren: Zwischen

Mensch und Maschine und auch zwischen Menschen.• IoT: Immer mehr Sensoren und somit immer mehr

sozialer, situativer Kontext für persönliche Assistenten• Multimodalität: Erkennung von Gesten und non-verbalen

Signalen – Detaillierte Erkennung von Intentionen • Adaptivität an Umgebungen, Situationen, Kontexte, Ziele• KI wird dem Nutzer folgen – von Raum zu Raum, von Ort

zu Ort, sowohl physikalisch als auch virtuell


Offene Fragen• Werden wir viele verschiedene persönliche Assistenten

benutzen – oder doch eher nur einen?• Werden Echo, Siri, Cortana und Co. verschmelzen,

z.B. über Standards, die Interoperabilität herstellen?• Web-Chatbots sind derzeit populär wie Suchmaschinen*

auf der eigenen Website 1996/1997. Wird sich der aktuelle Trend dauerhaft halten können?

• Echo und Co. werden kontinuierlich verbessert: Sterben simple Web-Chatbots wieder aus, weil Nutzer mit ihnen schon bald nicht mehr zufrieden sein werden?


* musste man irgendwie haben, haben sich dann aber schnell als fragil und aufwendig in der Wartung herausgestellt und daher in vielen Fällen schon nach kurzer Zeit nicht mehr so richtig funktioniert.

Herzlichen Dank!


Georg RehmForschungsbereich Sprachtechnologie

DFKI GmbH, Berlin

[email protected]

Mit Dank an u.a. Aljoscha Burchardt, Peter Bourgonje, Stefanie Hegele, Leonard Hennig, Julian Moreno Schneider, Jan Nehring, Nieves Sande, Stefan Schaffer, Sven Schmeier, Ankit Srivastava, Philippe Thomas, Hans Uszkoreit, Feiyu Xu.

KI für die Kundenkommunikation

Technology

Transcript of KI für die Kundenkommunikation