KI für die Kundenkommunikation

Connected Customer 360°, Hamburg – 22. Juni 2017
KI für die Kunden-
kommunikation
Georg Rehm
Forschungsbereich Sprachtechnologie
DFKI GmbH, Berlin
georg.rehm@dfki.de

• 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 und
Deep
Learning
Big Data,
große
Daten-
mengen
Schnelle
Rechner,
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 Media
Analytics für BI
Beispiel 3:
Automatisches
Storytelling

Kundenkommunikation
Beispiel: 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-driven
Chatbots
Non-goal-driven
Chatbots
Interaktive
Chatbots:
Persönliche
Assistenten
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 Text
2. Parsing, Erkennung von Entitäten und Relationen
3. Erkennung des Kommando- bzw. Fragetyps
4. Semantische Verarbeitung
5. Antwort-Retrieval (z.B. per Wissensgraph, Faktenwissen)
6. Adäquate Formulierung der Antwort
7. 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 und
User-Generated Content
UGC
Kundenkommunikation
Beispiel: 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 ist
algorithmisch nicht nutzbar
Erst die Extraktion strukturierter,
mobilitätsspezifischer Informationen
macht 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 Buch
und Blankenburg Schienenersatzverkehr.”
db/route/6974149 db/stop/5244243
wikipedia/Buch
db/stop/5247896
osm/town/Blankenburg_(Harz)
Entity Anzahl
Berlin 3
S2 18
Buch 5
Blankenburg 4

Wissensgraphen
Company
Facility
Place
Event
Product
Resource
Person
has
located_in
managed_by
utilizes
involved_in
involved_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.
Kundenkommunikation
Beispiel: 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
Branchentechnologien Plattformtechnologie
Branchenlösungen

Storytelling
Wunschfunktionalität 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 documentcollection
• 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
differenttext 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-outformats 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 MovementAction Events out of the set of
identified events (filtering)
Experimental
Storytelling Dashboard
Beispiel: Die Mendelsohn-Briefe
Mit Dank an:
35
Experiment:
Überführung einer
Sammlung von Briefen
in 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

Europäische
Herausforderungen

• 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 Basque
q Bulgarian*
q Catalan
q Croatian*
q Czech*
q Danish*
q Dutch*
q English*
q Estonian*
q Finnish*
q French*
q Galician
q German*
q Greek*
q Hungarian*
q Icelandic
q Irish*
q Italian*
q Latvian*
q Lithuanian*
q Maltese*
q Norwegian
q Polish*
q Portuguese*
q Romanian*
q Serbian
q 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
Romanian
Norwegian
Greek
Galician
Danish
Bulgarian
Basque
Swedish
Portuguese
Finnish
Catalan
Polish
Hungarian
Czech
Italian
German
Dutch
Spanish
French
English
Levelofsupport
Languages with names in red
have 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
Multilingual
capabilities

q Top Priorität der EU
q Soll zusätzlich mehr als 400B€ zum
europäischen GDP und Hunderttausende
neue Arbeitsplätze generieren
q Leider ist das Thema Mehrsprachigkeit
noch 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 ACHIEVINGTHE MULTILINGUAL DIGITAL SINGLE MARKET
Multilingual access to all digital goods and services across Europe1
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 those
languages are spoken.
English is not the answer
52% of EU customers do not purchase
Adding even a few languages to an SME’s website beyond English
can have a major impact on revenue. Large organizations today
to increase market share.
6x more
likely to
purchase
Site in buyer’s
native language
Site in foreign
language
Likelihoodofpurchasing

• Spezielle Version der strategischen
Agenda – für den mehrsprachigen
digitalen Binnenmarkt
(derzeit: Version 0.9)
• Version 1.0 erscheint im
November 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
Research
Crosslingual
Big Data
Language
Analytics
Meaning,
Semantics,
Knowledge
High-Quality
Machine
Translation
SMEs CEF DSIs IT Integrators Research
provide 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
Conversationa
l 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
Research
Crosslingual
Big Data
Language
Analytics
Meaning,
Semantics,
Knowledge
High-Quality
Machine
Translation
SMEs CEF DSIs IT Integrators Research
provide 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
Conversationa
l Technologies
Multilingual
Strategy
q Crosslingual search, CRM, helpdesks, processes, workflows
q Customer-facing vs. back-office facing (after-market, after-sales)
q Multilingual presales communication and after-sales services
q Crosslingual business intelligence (e.g., based on UGC)
q Semantic, crosslingual product descriptions and catalogues
q 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 Europe
in June 2017
SRIA Editorial Team
Open calls and
upcoming service
contracts
Dec. 2016: EC brainstorming
meeting on future LT priorities
in Horizon 2020 and FP9.
Need for a new strategy paper?
Jan. 2017: STOA workshop
and study on LT for Europe
Dec. 2017: LT Session
at BDVA Summit in
Valencia
2017: MDSM SRIA V1.0
Policy change and initiative
towards a European digital
public sphere enabled by MT/LT
DG CONNECT
DGT and
DG CONNECT
DG CONNECT
WP 2018-20 (incl. IoT,
I4.0, assistants,
robots etc.)
Shared programme
between EU and MS Suggested MLV Programme
SRIA Editorial Team
CEF AT
ELRC

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 Europe
in June 2017
SRIA Editorial Team
Open calls and
upcoming service
contracts
Dec. 2016: EC brainstorming
meeting on future LT priorities
in Horizon 2020 and FP9.
Need for a new strategy paper?
Jan. 2017: STOA workshop
and study on LT for Europe
Dec. 2017: LT Session
at BDVA Summit in
Valencia
2017: MDSM SRIA V1.0
Policy change and initiative
towards a European digital
public sphere enabled by MT/LT
DG CONNECT
DGT and
DG CONNECT
DG CONNECT
WP 2018-20 (incl. IoT,
I4.0, assistants,
robots etc.)
Shared programme
between EU and MS Suggested MLV Programme
SRIA Editorial Team
CEF AT
ELRC
• 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 Intelligenz
Including cognition, perception, vision, cross-modal,
cross-platform, cross-culture, Internet of Things etc.
Maschinelles Lernen
SprachtechnologienWissenstechnologien

13./14. November 2017
Brüssel, Belgien – http://www.meta-forum.eu
Das 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 and
the 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

Schlussfolgerungen
Prognosen
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 Rehm
Forschungsbereich Sprachtechnologie
DFKI GmbH, Berlin
georg.rehm@dfki.de
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

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a KI für die Kundenkommunikation

Semelhante a KI für die Kundenkommunikation (20)

Mais de Georg Rehm

Mais de Georg Rehm (20)

KI für die Kundenkommunikation