Kritische Funktionen für Ihre nächsten Conversational Apps

Vier Standard- und vier entscheidende Funktionen für Ihre nächste konversationelle Anwendung.

Vor einiger Zeit haben wir in den Spiegel geschaut und uns eingestanden, dass jeder unsere Chatbots hasst (und wir auch) , und dann haben wir uns auf den Weg zu etwas Besserem gemacht.

Wenn Sie sich nach einer Plattform umsehen, die Ihre nächste (oder erste!) Conversational App betreiben soll, gibt es eine ganze Reihe wichtiger Funktionen und Möglichkeiten, die Sie auf Ihre Einkaufsliste setzen sollten – zusammen mit einigen fortgeschrittenen Funktionen, die Sie in der Anfangsphase vielleicht nicht in Betracht ziehen.

Top 4 Standardfunktionen

Da die Chatbot-Technologie inzwischen ausgereift ist, bieten die meisten Anbieter einen Standard-Funktionssatz an:

Integration mit bestehenden Systemen wie CRM-, Marketing- und Kundensupportsystemen, so dass die Aktivitäten im gesamten Unternehmen verfolgt werden können.

Vorgefertigte Modelle , damit eine App die Terminologie und Konzepte einer bestimmten Marke oder Branche leicht versteht.

Schneller Einsatz mit ein wenig Code, so dass das Frage-Antwort-System auf einer Website, in einer App, in einem Einkaufswagen oder in einem Kundensupport-Portal verwendet werden kann.

Regelbasierte Abläufe für allgemeine Fragen und Aufgaben, die Entscheidungsbäume verwenden, um Anfragen an die richtigen Stellen im Unternehmen weiterzuleiten.

Der Fall für Middleware

Je mehr Geschäftsbereiche innerhalb eines Unternehmens mit Conversational Apps experimentieren, desto mehr Teams bringen ihre eigenen Anbieter ins Spiel. Nach einer Weile werden die CTOs feststellen, dass sich die Funktionen vieler dieser Anbieter überschneiden. Die meisten Unternehmen werden eine gemeinsame Plattform für die App-Entwicklung im gesamten Unternehmen standardisieren wollen, um schneller und effizienter Lösungen zu entwickeln. Diese Middleware-Plattformen, die zwischen der Endbenutzeroberfläche und den Backend-Dokumenten angesiedelt sind, minimieren die Unterbrechung bestehender Systeme und machen sie gleichzeitig intelligenter, nützlicher und wertvoller. Middleware ermöglicht es den Teams, Code und Workflows wiederzuverwenden, um die Orchestrierung zwischen konversationellen Anwendungen und den anderen Teilen des Tech-Stacks zu vertiefen. Die meisten Unternehmen haben bereits sorgfältige Entscheidungen über Front-End-UI-Frameworks und Back-End-Systeme getroffen. Ein Middleware-Plattform-Ansatz sorgt dafür, dass diese Entscheidungen intakt bleiben. So können alle Beteiligten das Beste aus den vorhandenen Investitionen herausholen und den Wert von Conversational Applications gemeinsam nutzen.

Vergessen Sie es nicht: Das Kaltstartproblem

Sie haben Ihre Chabot- oder Conversational-App in die Produktion gebracht. Aber sie hat noch nie echte Fragen von echten Benutzern beantwortet. Sie hat keine Verhaltensdaten, auf die sie sich stützen könnte. Es ist, als würde Sie jemand auf der Straße ansprechen und fragen: „Was ist meine Lieblingseissorte?!“ Sie können diese Frage nicht einmal ansatzweise beantworten, da Sie nicht einmal etwas über diese Person wissen.

Das nennt man das Kaltstartproblem. Wenn Systeme so entwickelt werden, dass sie sich bei der Beantwortung von Fragen oder der Abgabe von Empfehlungen kompetent fühlen, brauchen sie Wissen. Deep Learning-Funktionen werden dem System helfen, zu lernen, aber das braucht Zeit. Am ersten Tag wird die App nicht genügend Informationen über den Benutzer haben, um relevante Empfehlungen zu geben. Sie riskieren eine schlechte Erfahrung und dass die App von Anfang an auf die Nase fällt.

Eine Möglichkeit, diesen „Sprint zur Weisheit“ ohne fertige FAQs zu minimieren, besteht darin, den Bot mit öffentlich verfügbaren Inhalten zu trainieren, die sich auf die Bereiche beziehen, in denen er kompetent sein soll. Es wird immer einige Frage-Antwort-Paare geben, die den VAs oder Chatbots zur Verfügung gestellt werden können, damit sie mit dem Lernen beginnen können. Wenn es keine vorhandenen Inhalte gibt, um Frage-Antwort-Paare zu finden, können Online-Datensätze als Grundlage für das Training von KI-Modellen verwendet werden. Während die Benutzer mit dem System interagieren, bilden sich die KI-Modelle selbst weiter, um die relevantesten Antworten zu geben.

Vergewissern Sie sich, dass Ihr Anbieter von Konversationsanwendungen einen gut durchdachten Ansatz zur Vermeidung des Kaltstartproblems hat, damit Sie Ihre Anwendungen mit Zuversicht starten und den Benutzern von der ersten Minute an ein großartiges Erlebnis bieten können.

Die 4 wichtigsten Merkmale

Neben der Möglichkeit, das Kaltstartproblem zu umgehen, und den oben aufgeführten Standardfunktionen gibt es fünf erweiterte Funktionen, die Sie bei der Suche nach einer Plattform für Konversationsanwendungen unbedingt berücksichtigen sollten:

Robuste ML- und Deep-Learning-Funktionen sind eine Voraussetzung dafür, dass Ihre Anwendung über die traditionelle Chatbot-Schnittstelle hinausgeht und die natürliche menschliche Sprache versteht. Vorgefertigte ML-Modelle für die semantische Suche verwenden mathematische Logik, um die Ähnlichkeit einer Frage – die auf viele verschiedene Arten gestellt werden kann – mit der relevantesten Antwort abzugleichen. Diese und andere vorgefertigte ML-Modelle helfen dabei, die Absicht des Benutzers zu interpretieren, so dass die App hilfreiche Antworten mit oder ohne vorhandene FAQ-Daten liefern kann. Dies beschleunigt die Time-to-Value, indem es relevantere, personalisierte Antworten auf Benutzerfragen liefert.

APIs und Standardintegrationen sind auch für die Anbindung an bestehende Systeme entscheidend: Chatbots, virtuelle Assistenten, Sprachdienste und Wissensdatenbanken. Ein SDK für die Verbindung mit jeder Datenquelle stellt sicher, dass Ihr Team alle relevanten Inhalte der Wissensdatenbank in Ihre Anwendung einbinden kann. Und ein Plug-in-Framework für KI ermöglicht es Ihnen, Ihre eigenen ML-Modelle in die Plattform zu importieren.

Eine operative Pipeline-Architektur ermöglicht die Anwendung von Algorithmen des maschinellen Lernens auf Daten und Dokumente, wenn diese eingehen, um zu verstehen, was sie enthalten. Dann wird die KI erneut angewandt, wenn der Benutzer eine Frage stellt, um die Absicht der Frage vorherzusagen und sie mit der besten Antwort abzugleichen. Deep Learning überwacht diese Rückkopplungsschleifen zwischen Daten, Frage und Antwort, um die Ergebnisse kontinuierlich zu optimieren und das Gesamterlebnis zu verbessern.

Eine Low-Code-Benutzeroberfläche stellt sicher, dass nicht nur fortgeschrittene Ingenieure und Datenwissenschaftler ML-Modelle trainieren, abstimmen und implementieren können. Administratoren und Geschäftsinhaber sollten auch einen Blick unter die Haube werfen können, damit sie wissen, wann das System bessere Daten oder eine Feinabstimmung durch die Experten benötigt, die das Geschäft verstehen (dies wird üblicherweise als „erklärbare KI“ bezeichnet). Wenn Sie maschinelles Lernen zu einem alltäglichen Bestandteil Ihres Tech-Stacks machen, werden Sie eine schnellere Wertschöpfung und ein Self-Service-Modelltraining erleben.

Einkaufen beginnen

Wenn Sie Ihr Engagement für konversationelle Apps über die Standardfunktionen hinaus auf fortschrittliche ML- und Deep Learning-Technologien ausdehnen, können Sie sicher sein, dass Ihr Unternehmen in der Lage sein wird, leistungsstarke Apps zu entwickeln, die die Benutzer begeistern. Stellen Sie außerdem sicher, dass Sie einen Middleware-Ansatz in Betracht ziehen, um die App-Entwicklung und -Bereitstellung zu standardisieren, so dass Sie überflüssige Anbieter eliminieren, Kosten senken und die Time-to-Value beschleunigen können.