So hilft Ihnen KI beim First Level Support

mindsquare » Fachartikel » Künstliche Intelligenz

Sie wissen wahrscheinlich schon, dass Sie den First Level Support automatisieren können. Doch in welchen Bereichen ist das überhaupt möglich und welche Technologien stecken dahinter? Ich möchte in diesem Beitrag einmal auf das Beispiel der Bearbeitung von E-Mails eingehen und erklären, wie Sie Künstliche Intelligenz in diesem Bereich nutzen können.

E-Mail-Bearbeitung leicht gemacht

Der First Level Support erhält in der Regel jeden Tag eine beträchtliche Menge an Mails von Anwendern – das können bis zu mehrere Tausend Anfragen im Monat sein. Allerdings ist es keinesfalls so, dass diese Mails der Reihe nach einfach abgearbeitet werden können, weil es sich um ganz verschiedene Arten von Anfragen handelt. Ein Anwender könnte etwa eine Störung melden oder Informationen erfragen. Beides kommt per Mail im Postfach des First Level Supports an, allerdings handelt es sich um zwei grundverschiedene Arten von Anfragen, die ganz unterschiedlich gehandhabt werden.

Es liegt also auf der Hand, dass eine derart hohe Anzahl von Mails aktiv verwaltet werden muss. Dies geschieht z. B. dadurch, dass die Mails in verschiedene Unterordner sortiert werden, wobei das Selektionskriterium die Art der Anfrage ist. Störungsmeldungen kommen bspw. alle in einen Ordner, während ein anderer Ordner alle Anfragen nach spezifischen Informationen enthält. Doch wie geschieht diese Sortierung?

Technisch gesehen enthalten Mails Informationen in natürlichsprachlicher Form. Das heißt, die Informationen liegen in Form einer Zeichenkette vor, deren Inhalt wir als Menschen aufgrund unserer Sprachkenntnisse verstehen können. Für einen Computer sind es allerdings zunächst nichts weiter als aneinandergereihte Zeichen ohne tiefere Bedeutung. Eine Anfrage von einer Störungsmeldung zu unterscheiden, ist eine Aufgabe, die jedem Menschen leichtfällt, selbst wenn er fachlich nicht weiß, worum es geht.

Künstliche Intelligenz ist der Schlüssel

Doch woran erkennen Sie, ob ein geschriebener Text eine Störungsmeldung oder eine Anfrage enthält? Vermutlich können Sie das gar nicht so einfach sagen. Sprache ist ein komplexes Konstrukt, das sich im Laufe der Menschheitsgeschichte verändert und weiterentwickelt. Anders als die Daten, mit denen Computer arbeiten, ist Sprache nicht eindeutig. Es gibt unendlich viele Möglichkeiten, ein und dasselbe zu sagen. Gleichzeitig können zwei identische Sätze in unterschiedlichen Zusammenhängen ganz verschiedene Bedeutungen haben. Einfache Routing-Regeln, wie man sie in Outlook einstellen kann, helfen daher nicht dabei, die Unmengen an Mails zu sortieren.

An dieser Stelle kommt die Künstliche Intelligenz ins Spiel. Das Sortieren von Mails lässt sich technisch als Klassifizierung begreifen, was wiederum mithilfe des sogenannten überwachten Lernens abgebildet werden kann. Dabei wird ein Algorithmus mit Daten gefüttert, die sich aus Merkmalen und Klassen zusammensetzen. Im Fall von Mails werden die Merkmale aus den Texten, die sich in den Mails befinden, mithilfe von Natural Language Processing (NLP) extrahiert. Dabei kann es sich um ganz verschiedene Arten von Informationen handeln – ein mögliches Merkmal wäre z. B. die Länge des Textes. In der Praxis werden selbstverständlich viele weitere Merkmale, die deutlich komplexer sind, verwendet.

Der Mensch wird zum Lehrer der KI

Neben den Merkmalen enthalten die Daten, mit denen die KI lernt, die Klasse. Dabei handelt es sich um die Information darüber, was für eine Art von Mail vorliegt. Im oben genannten Beispiel existieren die Klassen „Störungsmeldung“ und „Anfrage“. Diese Information wird nicht von einem Computer, sondern von den Mitarbeitern des Service Desks geliefert. Diese klassifizieren ja ohnehin täglich die Mails, die ins Postfach kommen, daher stellt dies keinen Mehraufwand dar. Die Mitarbeiter des First Level Supports fungieren somit als Lehrer der KI, indem sie ihr sagen, welche Klassen zu welchen Merkmalen gehören.

Anhand von Merkmalen und Klassen kann die KI nun anfangen zu lernen. Der Vorteil daran ist, dass wir uns als Menschen keine Gedanken darüber machen müssen, welche Merkmale besonders gut dazu geeignet sind, um die zugehörige Klasse vorherzusagen. Diese Aufgabe übernimmt der Computer und berechnet, nach welchen Entscheidungskriterien die Klassifizierung erfolgt. Der Mensch wählt am Ende nur noch die Variante, die er als die beste erachtet. Dabei unterscheiden sich die Varianten vor allem anhand der Modelle, auf denen sie aufbauen.

Webinar: Künstliche Intelligenz – Grundlagen und Best Practices

Sie möchten gerne mehr zum Thema Künstliche Intelligenz erfahren und wie Ihr Unternehmen davon profitieren kann? In unserem Webinar fassen wir Ihnen die wichtigsten Aspekte zusammen!

Wählen Sie das richtige Modell

Es gibt ganz verschiedene Modelle, die dazu geeignet sind, solche Aufgaben umzusetzen. Alle Modelle haben eigene Vor- und Nachteile, die je nach Anwendungsfall mehr oder weniger ins Gewicht fallen. Derzeit sind z. B. neuronale Netze in aller Munde. Dabei wird häufig vergessen, dass diese sehr lange Trainingszeiten und viel Rechenleistung benötigen, bis sie überhaupt eingesetzt werden können. Häufig sind weniger aufwändige Modelle, wie z. B. Random Forests, viel besser für die Aufgaben des Alltags geeignet, da sie schon nach kurzer Trainingszeit verwendet werden können und in der Anwendung wenig Ressourcen benötigen.

Random Forests und andere weniger aufwändige Algorithmen sind dabei keineswegs als „KI light“ zu verstehen, sondern sind für ihren Einsatzbereich schlichtweg besser geeignet. Stellen Sie sich neuronale Netze wie einen Ferrari vor, dessen Motor und Fahrwerk perfekt für den makellosen Asphalt einer Rennstrecke ausgelegt sind. Wenn Sie mit Ihrem Fahrzeug jedoch durch unebenes Gelände fahren wollen, ist ein Landrover, bzw. im übertragenen Sinne ein Random Forest, vermutlich besser geeignet.

Die einfachere Handhabung von Algorithmen, wie dem Random Forest gegenüber neuronalen Netzen, resultiert nicht nur in den oben genannten technischen Vorteilen, die sich positiv aufs Business auswirken, sondern schont auch Ihren Geldbeutel, da bei geringer Entwicklungszeit brauchbare Ergebnisse realisierbar sind. Der Einsatz von KI ist damit nicht allein Großkonzernen vorbehalten, sondern auch für mittelständische Unternehmen erschwinglich.

Die Arbeit wird dem First Level Support abgenommen

Zusammenfassend lässt sich sagen, dass der First Level Support schon durch einfache Maßnahmen, wie etwa durch das automatische Klassifizieren von Mails, signifikant durch Künstliche Intelligenz unterstützt werden kann. Die dafür notwendigen Daten generiert der Help Desk selbst, sodass hier kein Mehraufwand entsteht. Mithilfe von Natural Language Processing können Merkmale aus den Mails extrahiert werden. Aus diesen wählt die KI dann diejenigen aus, die am aussagekräftigsten dabei helfen, die Klassifizierung durchzuführen. Dafür sind einfachere KI-Lösungen, wie z. B. Random Forests, häufig ideal geeignet und erlauben zudem eine günstige und zeitnahe Realisierung.

Haben Sie noch Fragen zu dem Beispiel oder wollen Sie mehr über andere Anwendungsmöglichkeiten erfahren. Melden Sie sich gerne bei mir!