Wie man eine Informationsarchitektur zur Unterstützung der neuesten KI-gestützten Projekte aufbaut
Die Technologie, die uns zur Verfügung steht, um Menschen mit Informationen zu versorgen, wird immer größer. Chatbots und virtuelle Assistenten sind eines der wichtigsten Portale für den Zugang zu Wissen als Verbraucher, Mitarbeiter, Patient und mehr. Die effektivsten Chatbots sind mit maschinellem Lernen und einer intuitiven Benutzeroberfläche ausgestattet, die Fragen in natürlicher Sprache zulässt. Sie können eines der nützlichsten Portale für Benutzer sein, um auf die Wissensdatenbank eines Unternehmens zuzugreifen.
Das heißt, wenn das Fundament solide ist.
Fortschrittliche Technologie ist nur ein Teil des Puzzles. Bei Factor rufen uns viele Kunden an, denen es nicht gelungen ist, diese Art von fortschrittlichen Technologien einzusetzen, obwohl sie über hervorragende Entwickler verfügen. Das Fehlen einer Informationsstrategie – die Grundlage – ist das, was sie zurückhält.
Anhand von Taxonomien, künstlicher Intelligenz und Chatbots erkläre ich, wie wichtig eine Informationsstrategie in Taxonomien und Ontologien ist, damit KI-gestützte Chatbots mit Höchstleistung funktionieren.
Wie Taxonomien beste KI-Praktiken unterstützen
Es gibt eine natürliche Beziehung zwischen KI, Chatbots und Taxonomien. Taxonomien sind die grundlegende Ebene der Datenorganisation:
„Wenn die Informationen in einer Taxonomie strukturiert und indiziert sind, können die Benutzer das Gesuchte finden, indem sie sich nach unten zu spezifischeren Kategorien, nach oben zu einem umfassenderen Thema oder seitwärts zu verwandten Themen durcharbeiten.“
Was gut für die Benutzer ist, ist auch gut für die KI. Strukturierte Daten verkürzen die Time-to-Value für viele KI-Projekte, so dass Sie so schnell wie möglich das Beste aus Ihrer Technologieinvestition herausholen können.
Taxonomien und ihre komplexeren Verwandten, die Ontologien, interagieren in vielerlei Hinsicht mit Technologien der künstlichen Intelligenz (KI), unterstützen diese und treiben sie voran. Die Automatisierung und die Vorteile, die Unternehmen aus KI-gesteuerten Chatbot-Anwendungen ziehen, sind nur so gut oder schlecht wie die Qualität der verwendeten Daten. Je besser die Informationen organisiert sind, je besser die Datenqualität ist, je besser sie auf die Geschäfts- und Endbenutzerziele abgestimmt sind, desto einfacher ist es für die KI, die Informationen zu nutzen. Unvollständige, fehlerhafte oder verzerrte Daten wirken sich sowohl auf das Benutzererlebnis als auch auf Ihre Marke negativ aus.
Wenn Ihr Traumzustand ein gut funktionierendes System ist, das den Menschen die relevantesten Informationen liefert (leichter gesagt als getan), sollten Sie die Beziehung zwischen Taxonomien, Chatbots und künstlicher Intelligenz bedenken.
Kurze Geschichte zu Taxonomien: Beerenpflücker-Modell
Im Jahr 1989 veröffentlichte Marcia Bates ihr Modell des „Beerenpflückens“, das sich seitdem als grundlegend für die Arbeit mit Problemen bei der Informationssuche erwiesen hat.

Bates beschrieb Schlüsselelemente des Verhaltens bei der Informationssuche, die den Hintergrund für das Parsen und die Umwandlung einer Äußerung in eine Abfrage bilden. Dies erforderte einen ziemlich großen Denkanstoß für die Entwickler. Die Ontologie bietet die Möglichkeit, diesen Prozess zu unterstützen, aber die Schnittstelle und die Interaktionen müssen noch integriert werden.
Bates hat das entdeckt:
- Typische Suchanfragen sind nicht statisch, sondern entwickeln sich weiter.
- Suchende sammeln Informationen häufig häppchenweise, anstatt sie in einem einzigen großen Satz abzurufen.
- Suchende verwenden eine Vielzahl von Suchtechniken, die über die üblicherweise mit bibliografischen Datenbanken verbundenen Techniken hinausgehen.
- Die Suchenden nutzen eine Vielzahl anderer Quellen als bibliografische Datenbanken.
- Eine Abfrage wird nicht nur verfeinert, sondern kann sich auch erheblich ändern und von einer Modalität zur anderen wechseln, wenn sich das Verständnis des Benutzers für die Informationen weiterentwickelt.
Praktische Anwendung und Umsetzung
Je mehr sich die Dinge ändern… desto mehr bleiben sie gleich
Factor hat kürzlich mit einem großen Team von Entwicklern und KI-Ingenieuren zusammengearbeitet, um neue Chatbots zu entwickeln und zu implementieren – Taxonomen lieben es, an Projekten von Grund auf zu arbeiten! Wir waren gespannt darauf, wie sich das Projekt von unseren Standardprojekten für Informationsarchitektur unterscheiden würde. Das Factor-Team hat einen langjährigen und methodischen Ansatz für E-Commerce, Portale, Analysen, Wissensmanagement und andere ähnliche Projekte entwickelt. Aber ein KI-basiertes Projekt war entmutigend. Wir waren darauf vorbereitet, unseren gesamten Ansatz für Chatbots zu überdenken, aber wir waren überrascht, wie beständig unsere Methodik war!
Unser Ansatz umfasst eine umfassende Betrachtung der Informationsumgebung und wir erfassen die Anforderungen entsprechend. Dieses Projekt erforderte zwar ein tiefes Eintauchen in die Technologie und ihre Implementierung, aber auch alle anderen Bereiche unseres Standardbewertungsansatzes waren notwendig. Das Verständnis der Benutzerbedürfnisse, der verfügbaren Inhalte, der rechtlichen und sicherheitsrelevanten Fragen und der Geschäftsziele des Chatbots waren allesamt wichtige Inputs für das von uns entwickelte Ontologiemodell.
Wir haben festgestellt, dass ein KI-Chatbot eigentlich nur ein weiteres System ist, eine weitere Reihe von Anforderungen, die gut in unseren Ansatz passen.
5 Dinge, die jeder Chatbot berücksichtigen sollte
|
![]() |
Mit den oben genannten Kernfähigkeiten im Hinterkopf traten wir in die Bewertungsphase ein, um die notwendigen Domänen, die Rolle von Varianten, Beziehungen, die Notwendigkeit der Ontologie für die Interaktion mit den Inhalten usw. zu bestimmen. Als Ergebnis unserer Bewertung waren wir in der Lage, Anforderungen zu sammeln und dem Team, das den Chatbot entwerfen und bauen sollte, zur Verfügung zu stellen. Jeder der unten aufgeführten Anforderungsbereiche (fett gedruckt) hatte eine direkte Auswirkung auf das gesamte Ontologiemodell.
Erfassen von Anforderungen
Eingaben zur Erstellung einer Taxonomie
Nach der Bewertung konzentrierten wir uns darauf, welche Art von Quellen der Chatbot benötigen würde. Ein Unternehmenstaxonomieprojekt hat viele Komponenten, darunter Governance, Wartung, Systemintegrationen usw. Für abfrageorientierte Projekte wie einen Chatbot gibt es eine Reihe von Quellen, die verwendet werden können, darunter:
- Ergebnisse der Entitätsextraktion aus Online- und Dokumentationsinhalten
- Überprüfung der Suchprotokolle
- Vom Support-Team dokumentierte Benutzerfragen
- Branchenübliche Taxonomien und Terminologie
- Öffentlich verfügbare Support-Dokumentation
- Benutzerforschung
- Schulung und Dokumentation für Ontologie-Tools
Beschaffung der Taxonomie
Es gibt so viele Fähigkeiten für einen Chatbot, aber wir haben uns auf diejenigen konzentriert, die mit Taxonomien/Ontologien unterstützt werden können. Als wir die Listen der Chatbot- und Ontologie-Fähigkeiten nebeneinander stellten, wurde klar, dass die Chatbot-Fähigkeiten bei fast allen Findability-Projekten gleich sind. Diese Erkenntnis hat uns darin bestärkt, bei den Grundlagen zu bleiben.
Gemeinsame Chatbot-Funktionen |
Chatbot Ontologie Anforderungen |
|
|
Möglichkeiten der Taxonomie für einen Chatbot
![]() |
|
Factor hat die Möglichkeit, mit Teams extrem intelligenter und informationsorientierter Ingenieure zusammenzuarbeiten, was die Komponente der künstlichen Intelligenz etwas weniger entmutigend machte. Wir mussten nicht viel Überzeugungsarbeit leisten, um die Leute vom Wert der verschiedenen Arten von Eingangsbegriffen (Synonyme, Antonyme, Spitznamen usw.) zu überzeugen. Wenn die Entwickler mit dem besten Weg ringen, mit Verben zu interagieren, können wir ihnen eine „Verb“-Taxonomie erstellen.
Unten sehen Sie, wo die Fähigkeiten (in gelb), die von der Ontologie abhängig sind.
Final Thoughts
Auf der Makroebene wird geschätzt, dass schlechte Datenqualität die US-Industrie jährlich Billionen von Dollar und das durchschnittliche Unternehmen viele Millionen kostet. Schlechte Praktiken können digitale Initiativen verlangsamen, Mitarbeiter frustrieren und Kunden möglicherweise zu Websites von Konkurrenten treiben, die ihre Bedürfnisse besser erfüllen können. Um all diese Unkenrufe zu vermeiden, sollten Sie die folgenden Punkte beachten.
- Berücksichtigen Sie immer die Ziele des Endbenutzers. Die von uns erstellte Ontologie wurde direkt von der Inhaltsdomäne und der Inhaltsstruktur beeinflusst. Indem wir die Ziele der Endbenutzer als unseren Leitstern beibehielten, konnten wir die grundlegende Taxonomie so gestalten, dass sie den verschiedenen Chatbot-Funktionen in Bezug auf Technologie, Inhalt, Geschäftsziele und Ressourcen gerecht wird.
- Betrachten Sie die KI-gestützte Suchinfrastruktur als ein Mehrzweckwerkzeug. Die intelligente Suche nutzt nicht nur Wissen aus allen Datensilos und Wissensquellen des Unternehmens, sondern setzt auch fortschrittliche KI, NLP und Deep Learning ein, um die Time-to-Value für KI-gesteuerte Chatbots zu verkürzen, die Mitarbeiter, Kunden, Support-Agenten und mehr bedienen.
- Investieren Sie in eine robuste Informationsarchitektur. Verlassen Sie sich bei Ihren Projekten nicht ausschließlich auf KI, Deep Learning und NLP. Eine gute Taxonomie und Informationsarchitektur ist entscheidend für die besten Ergebnisse. Nur mit einer gut konzipierten Informationsarchitektur und einer starken Governance-Methodik können Sie die hohe Qualität der Daten sicherstellen, die für großartige KI-Projekte wie intelligente Chatbots benötigt werden.
- Vertrauen Sie dem Prozess. Der Standardprozess und die Bewertung von Factor für das Ontologie-/Taxonomie-Design sind bemerkenswert langlebig. KI-gesteuerte Chatbots mögen abschreckend wirken, aber die Behandlung des Bewertungsprozesses wie bei jedem anderen Taxonomieprojekt hat uns geholfen, das Problem auf einer grundlegenden Ebene zu definieren und zu lösen und mit den Entwicklern und Ingenieuren zusammenzuarbeiten, um die Auffindbarkeit und die Benutzerzufriedenheit zu verbessern.
Mehr erfahren
Sind Sie an einem Gespräch mit einem Mitarbeiter von Factor oder Lucidworks interessiert? Füllen Sie das untenstehende Formular aus, um mehr darüber zu erfahren, wie Informationsarchitektur Ihre Datenqualität, KI-gestützte Chatbot-Implementierungen und die Zufriedenheit der Benutzer verbessern kann. Vielleicht interessiert Sie auch, wie es um Ihren Reifegrad der Informationsarchitektur bestellt ist. Fragen Sie uns nach dem Factor Information Architecture Maturity Model, das Ihnen hilft, den Fortschritt Ihres Unternehmens selbst zu bewerten.