Intelligente Dialogsysteme? Wie künstliche Intelligenz dem Menschen nutzen kann

Die Künstliche Intelligenz befasst sich im weitesten Sinne mit der Automatisierung und Nutzbarmachung intelligenten Verhaltens. Um ein Maß zu haben, ab wann eine Maschine eine dem Menschen gleichwertige Intelligenz simuliert, wurde von Alan Turing der nach ihm benannte Turing-Test vorgeschlagen. Dabei stellt ein Mensch per Terminal beliebige Fragen an einen anderen Menschen bzw. eine KI, ohne dabei zu wissen, wer jeweils antwortet. Der Fragesteller muss danach entscheiden, ob es sich beim Interviewpartner um eine Maschine oder einen Menschen handelte. Ist die Maschine nicht von dem Menschen zu unterscheiden, so ist laut Turing die Maschine intelligent. Bisher konnte keine Maschine den Turing-Test zweifelsfrei bestehen.

Folgt man der Logik Turings, so sind Sprache und Verstehen die in besonderem Maße Intelligenz definierenden Faktoren. Die Interpretation menschlicher Sprache durch Maschinen besitzt bei der KI-Forschung eine entscheidende Rolle, denn etwaige Ergebnisse des Turing-Tests ergeben sich vor allem in Dialogsituationen, die von der Maschine zur Zufriedenheit des Menschen bewältigt werden müssen.

Die Computerlinguistik ist demnach eine Basiswissenschaft für die Künstliche-Intelligenz-Forschung: Sprachwissenschaft liefert mit ihren Grammatikmodellen und psycholinguistischen Semantikmodellen Grundlagen für das maschinelle „Verstehen“ komplexer natürlichsprachlicher Phrasen. Zentral ist dabei die Frage, wie Sprachzeichen eine tatsächliche Bedeutung für eine künstliche Intelligenz haben können. Die Bedeutung in der KI bezieht sich nicht nur auf die einzelnen Wörter sondern auch Kontexte: Externe Einflüsse, wie zum Beispiel die Situation, in der gesprochen wird, oder das für die Maschine vorhandene Wissen müssen berücksichtigt werden. Des Weiteren müssen die auf die Person selbst zugeschnittenen Komponenten, zum Beispiel die Präferenzen des Sprechers oder die aus dem Gesagten resultierenden mögliche Handlungen, richtig interpretiert und verarbeitet werden, um ein intelligentes Systemverhalten zu erzielen.

odps3_intelligenz_880pSemVox arbeitet an Lösungen, die Teile menschlichen Verhaltens über Software für Maschinen und Assistenzsysteme nutzbar machen.

Im Konkreten befasst SemVox sich mit möglichst menschenähnlichem Kommunikationsverhalten, das auf gesprochener Sprache basiert und anderen Modalitäten wie zum Beispiel Gesten, Berührungen oder Blocke als Faktoren zusätzlich beinhaltet.

Ein solches System besteht ganz grundsätzlich aus mehreren Komponenten. So ist es nötig, einen geschriebenen Text in Sprache umzuwandeln (Sprachsynthese) und umgekehrt einen gesprochenen Text schriftlich zu erfassen (Spracherkennung). Diese automatische Sprachverarbeitung baut SemVox mit seiner ODP S3 Software durch semantische Analyse so aus, dass Worten und Texten Bedeutung beigemessen werden kann.

Eine Aufgabe der Künstlichen Intelligenz auf diesem Gebiet ist die Erstellung von Wissensrepräsentationen, die dann für automatisches logisches Schließen (Reasoning) benutzt werden können. Menschliches Wissen wird dabei – soweit möglich – formalisiert, um es in eine maschinenlesbare Form zu bringen. Diesem Ziel dienen Ontologien. Je besser diese Ontologien sind, desto effektiver können Bedeutungen aus gesprochener Sprache extrahiert werden. Formuliert nämlich ein Sprecher Sätze frei in natürlicher Sprache, wird die Problematik der Relationsfindung in einer semantischen Analyse sehr aufwändig.

Mit ODP S3 erlaubt SemVox es dem Programmierer, auf eine sehr effiziente Art extrem mächtige Ontologien zu nutzen. So ermöglichen auf ODP S3 basierende Interaktionssysteme dem Nutzer, wirklich natürlichsprachlich zu interagieren und einen echten Mehrwert in mannigfaltigen Anwendungssituationen zu erzielen – sei es im Auto, bei der Steuerung von Smart-Home-Funktionen oder im beruflichen Umfeld (Steuerung medizinischer Geräte, Assistenz im Produktionsumfeld, etc.)

Die Forschung macht aber hier nicht halt sondern entwickelt sich rasant hin zu Machine-Learning-Methoden und Cognitive Computing. Eine effiziente KI lernt aus dem Kontext und dem Nutzerverhalten, um die Systemreaktion entsprechend anzupassen und auf den Nutzer zugeschnitten zu aktivieren.

Der modulare Aufbau von ODP S3 erlaubt es, alle Interaktionsphänomenen durch die Aufgabenverteilung in dedizierten Modulen abzudecken und zu kontrollieren.

ODP S3 verfügt über Schnittstellen, die einerseits die Kommunikation über verschiedene Kanäle und beliebige Geräte ermöglichen (Onboard Data & Services) und andererseits die Anreicherung der zur Verfügung stehenden Kontexte flexibel und dynamisch gewährleisten (Online Data & Services). Hierbei werden Informationen beispielsweise aus Navigations- oder Telefongeräten im System eingebunden und stehen zur Interpretation von Anfragen in semantischer Form bereit. Der Zugriff auf unterschiedliche externe Dienste liefert dann die zusätzlichen Informationen, die zur Ausführung von Aufgaben notwendig sind – so zum Beispiel Anfragen zum Wetter oder die Buchung eines Restaurants.

User Model: in einem Profil repräsentiert ODP S3 die Präferenzen und Eigenschaften der Benutzer so, dass die interne Aufgabenplanung diese Informationen direkt integrieren kann und so Lösungen individueller Aufgaben auf die persönlichen Anforderungen zuschneiden kann. Es entsteht ein sehr leistungsfähiges Assistenzsystem, das zum Beispiel für die Restaurantsuche direkt die persönlichen Vorlieben des Benutzers berücksichtigt.

Semantic Reasoning: Ein intelligentes System kann Zusammenhänge zwischen Anfragen erkennen und entsprechende Schlussfolgerungen ziehen.

Service Composition: Diese Komponente ermöglicht es dem System, die Informationen aus unterschiedlichen Quellen (Apps,…) zusammenzuführen, um dem Benutzer auf möglichst einfache und intuitive Weise umfassende Informationen zur Aufgabenbewältigung bereitzustellen. Auf diese Weise wird zum Beispiel die Suche nach einem Restaurant in einer fremden Stadt durch eine möglichst intuitive und schnell zielführende Bedienung entscheidend vereinfacht.

Automated Planning: Mit der Planung von Terminen und der Integration externer Faktoren in die Planung hat sich wahrscheinlich jeder schon einmal befasst, zum Beispiel beider Suche nach Reiserouten, bei der kaum noch jemand ohne die Dienste eines Navigationsservices auskommt. Um über dieses Beispiel hinausgehend den Benutzer auch in anderen Bereichen – wie dem Einplanen eines Restaurantbesuchs in den Terminkalender – durch einen Assistenten zu entlasten, bietet diese Komponente von ODP S3 die Möglichkeit, flexibel auf die Wünsche des Anwenders zu reagieren.

Machine Learning: Diese Komponente von ODP S3 dient dazu, die personalisierten Anpassung des Systems an den Benutzer noch weiter zu entwickeln. Indem das Interaktionssystem persönliche Vorlieben „erlernt“, wird die Qualität des Assistenzsystems gesteigert und dem Benutzer ein leicht verständliches, intuitiv zu handhabendes Bedienkonzept bereitgestellt.