{"id":1772,"date":"2018-07-12T02:37:38","date_gmt":"2018-07-12T00:37:38","guid":{"rendered":"http:\/\/blogs.gm.fh-koeln.de\/bente\/?p=1772"},"modified":"2019-07-12T02:46:16","modified_gmt":"2019-07-12T00:46:16","slug":"ws18_b06-chatbot-as-a-service-mittels-rasa-ai","status":"publish","type":"post","link":"https:\/\/blogs.gm.fh-koeln.de\/bente\/2018\/07\/12\/ws18_b06-chatbot-as-a-service-mittels-rasa-ai\/","title":{"rendered":"GP WS18_B06: ChatBot-as-a-Service mittels rasa.ai"},"content":{"rendered":"

Problembeschreibung<\/h3>\n

Machine Learning und Deep Learning haben sich in den letzten Jahren rasant entwickelt. Insbesondere im Bereich der nat\u00fcrlichen Sprachverarbeitung (Natural Language Processing, NLP) sind ChatBots konkrete Anwendungsbeispiele dieser Technologien. Sie bilden f\u00fcr den Menschen erlebbare Schnittstellen, um direkt mit \u201eder Maschine\u201c zu kommunizieren.<\/p>\n

In der Zurich Gruppe Deutschland wird derzeit schon an einem ChatBot f\u00fcr Schadenmeldungen geforscht. Dieser nutzt ML Methoden des NLP, um die Klassifizierung des Gesagten vorzunehmen und Entit\u00e4ten aus dem Text zu extrahieren. Der Nutzer wird dann abh\u00e4ngig von dem so gebildeten Kontext intelligent durch einen Entscheidungsbaum gef\u00fchrt. Zurzeit wird hierzu eine kommerzielle Software genutzt.<\/p>\n

Die Nutzung eines Entscheidungsbaums in Kombination mit einem Kontext erm\u00f6glicht die Entwicklung von komplexen und genau definierten State Machines. Und genau das ist die Herausforderung dabei: Kleine \u00c4nderung in der Abfragelogik ziehen z.T. umfassende \u00c4nderungen in der gesamten Entscheidungslogik mit sich. Die Skalierung eines solchen Vorhabens ist kaum m\u00f6glich, da es schwierig (unm\u00f6glich) ist, alle m\u00f6glichen Konversationen explizit zu modellieren.<\/p>\n

Projektdefinition<\/h3>\n

Eine m\u00f6gliche L\u00f6sung dieses Problems besteht darin, ein probabilistisches Modell basierend auf historischen Konversationen zu entwickeln. Dies beruht auf der Idee, dass es einfach ist, innerhalb einer Konversation zu spezifizieren, ob eine Antwort richtig oder falsch ist. Ein solches Modell kann mit Hilfe von Supervised, Reinforcement oder Interactive Learning Methoden entwickelt werden.<\/p>\n

Die Projektarbeit gliedert sich in zwei Ziele:<\/p>\n

    \n
  1. Eine Weiterentwicklung der aktuellen State Machine in ein probabilistisches Modell mit Hilfe des Open Source Stacks ai<\/strong>. Dazu z\u00e4hlen u.a. die \u00dcberf\u00fchrung der (aktuell in der kommerziellen Software erstellten) \u201eDialogflows\u201c nach Rasa.<\/li>\n
  2. Die Entwicklung einer Zielarchitektur zur Einbindung des ChatBots in die bestehende Systemlandschaft einer gro\u00dfen Versicherung. Eingehende Chats sollen von verschiedenen Endpoints m\u00f6glich sein (z.B. FB, Webchat, Alexa, Telegram,\u2026). Die Einbindung erm\u00f6glicht eine Integration bestehender Backendsystem, wie z.B. Kundendatenbanken, ausgehend von einer lokal integrierten Cloud Server Architektur.Weiterhin soll die Zukunftsf\u00e4higkeit der Plattform sichergestellt werden um weitere Use Cases, wie z.B. die Klassifizierung von Emails oder transkribierter (oder text-to-speech) Telefonate mittels der Rasa NLP Engine zu realisieren.<\/li>\n<\/ol>\n

    Projektform<\/h3>\n

    Der Projektpartner Zurich wird das Projekt sehr aktiv begleiten und bei der Einarbeitung in Konzepte und Technologien unterst\u00fctzen.<\/p>\n