Chatbot mit Wissensgraph
»Covid Q&A«

Der Chatbot führt die Funktionsweise eines Online-Dialogsystems vor, welches die Stärken eines Wissensgraphen nutzt.

Wo bietet die KI-Anwendung den größten Nutzen?

Ein KI-unterstützter Chatbot bietet vielfältige Anwendungsmöglichkeiten und kann Unternehmen branchenunabhängig in jeglichen Bereichen der Kommunikation mit der Belegschaft oder Kund*innen unterstützen. Ein klassisches Beispiel sind kundenorientierte Dienstleistungsangebote, die rund um die Uhr zur Verfügung gestellt werden. Unternehmen setzen sie auf Internetseiten, in Onlineshops, auf Support-Seiten, in Apps oder in Instant-Messaging-Systemen ein, um die Navigation auf Internetseiten zu vereinfachen, konkrete Anfragen von Kunden zu beantworten oder den Zugang zu Service und Kundendienst zu strukturieren.

Doch nicht nur in der externen, auch in der internen Unternehmenskommunikation können Chatbots erfolgreich eingesetzt werden. Anwendungsbeispiele ergeben sich beim Onboarding neuer Mitarbeitender, in HR- oder Verwaltungsprozessen wie Fragen zu Urlaubsanträgen oder Lohnsteuerabrechnungen sowie auch in der Begleitung komplexer Montageanweisungen in der Produktion.

Werden Chatbots um die Komponente der akustischen Spracherkennung sowie der akustischen Sprachsynthese ergänzt, sprechen wir in dieser erweiterten Form von Sprachassistenten (Voicebot), ähnlich Siri oder Alexa.

Was sind die Qualitätsmerkmale bei solchen KI-Anwendungen?

Texte verstehen mit Natural Language Understanding (NLU)

NLU-Methoden basieren auf semantischen Repräsentationen von Texten. Diese können Zusammenhänge zwischen Wörtern verstehen und abbilden. Diese semantischen Repräsentationen übersteigen die Möglichkeiten der klassisch regelbasierten Verfahren des Text Minings.

Auf Informationen zurückgreifen und Dialoge vorbereiten mit Dialog Management (DM) und Knowledge Graph (KG)

Wissensgraphen strukturieren Daten und Wissen, ermöglichen eine semantische Verknüpfung und sind in vielen Fällen die Basis dafür, dass Anwendungen der Künstlichen Intelligenz erklärbar werden und für den Menschen nachvollziehbare Ergebnisse liefern.

Texte generieren mit Natural Language Generation (NLG)

Die Textsynthese ist das Gegenstück zum Textverstehen. Hier wird automatisiert Text generiert, der anschließend in Sprachsignale verwandelt werden kann.

„Wissensgraphen, die verschiedene Datenquellen integrieren,
bilden die Grundlage für viele KI-Anwendungen und -Assistenten.“
Prof. Dr. rer. nat Jens Lehmann
Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS

Was zeigt der KI.NRW-Demonstrator?

Ein KI-basiertes Dialogsystem (»question answering system«) gestaltet die Suche nach Informationen effizienter und komfortabler für den Nutzenden. Der KI.NRW-Demonstrator zeigt einen solchen KI-gestützten Chatbot zur Abfrage von Corona Fallzahlen weltweit. Die Animationen erläutern Ihnen schrittweise seine Funktionsweise.

Schritt 1: Natürliche Sprache verstehen

Durch den Einsatz von KI ist die Spracherkennung an realen Unterhaltungen von Menschen und der so genannten natürlichen Sprache orientiert (»natural language understanding NLU«). Die eingesetzten Verfahren extrahieren aus dem Text Informationen, die sie intern so darstellen, dass sie weiterverarbeitet werden können. Das System kann dadurch auch weniger gängige Begriffe, Dialekte oder Umgangssprache verstehen. Auch Assoziationen und Zusammenhänge zwischen Wörtern werden angemessen berücksichtigt, also beispielsweise, dass das Wort Rechnung mit dem Wort Zahlung inhaltlich verwandt ist.

Schritt 2: Daten und Wissen strukturieren

Wissensgraphen strukturieren Daten und Wissen, ermöglichen eine semantische Verknüpfung und sind in vielen Fällen die Basis dafür, dass Anwendungen der Künstlichen Intelligenz erklärbar Ein Wissensgraph (»knowledge graph«) ist in der Lage, unterschiedlichste Informationsquellen zu einer dynamischen Wissensbasis zusammen zu führen. Im Fall des KI.NRW-Demonstrators werden die Corona Fallzahlen von der Johns Hopkins University und vom Robert-Koch Institut einbezogen. Sie werden mit Stand vom Vortag über einen Wissensgraphen zugänglich gemacht.

Schritt 3: Antwort erzeugen

Zuletzt wird eine Antwort passend zur gestellten Frage erzeugt. Dadurch ist dieser Vorgang das passende Gegenstück zum ersten Schritt, dem Verstehen von Sprache. Die strukturierten Daten werden nun in Text umgewandelt und ausgegeben. Auch die Ausgabe als akustisches Signal kann hier anschließen (so beispielsweise bei den so genannten Voicebots).

Der KI-Chatbot in Aktion

Probieren Sie den KI-Chatbot selbst aus: Der Chatbot wurde beispielhaft auf Daten aufgesetzt, die die weltweiten Fallzahlen rund um die Corona-Pandemie abbilden. Wer über das Chatfenster eine entsprechende Frage auf Englisch stellt, erhält unmittelbar Antwort.

Testfragen für die Wissensabfrage können folgende sein:

  • »Are there new cases in Mexico?«
  • »How many cases were there in total in Germany until 25th October 2020?«
  • »How many new cases were found in Argentina on 10th November 2020?«
  • »Which country had the highest number of cases on 8th November 2020?«

Wo sind weitere Informationen zu finden?

KI-Anbieter aus NRW

Unsere KI-Landkarte zeigt Ihnen, wer die KI-Schwerpunkte »Wissen und Inferenz« in seinem Portfolio hat

KI-Methoden rund um Wissen und Schlussfolgerung

Viele Good-Practice-Beispiele als Inspiration für die Anwendungsmöglichkeiten dieser KI

KI-Produkte »made in NRW«

Filtern Sie unsere KI-Landkarte nach dem Schwerpunkt »Wissen und Inferenz«

Kontakt rund um den Demonstrator

Roman Teucher

Research Engineer

Fraunhofer IAIS
Zwickauer Str. 46
01069 Dresden

Telefon +49 351 85477961

E-Mail senden

Dr. Diego Collarana Vargas

Senior Research Engineer

Fraunhofer IAIS
Zwickauer Str. 46
01069 Dresden

Telefon +49 351 85477960

E-Mail senden

Bildbasierte Qualitätskontrolle »Damage Detection«

Automatisierte Inspektion von Schäden und Fehlern durch eine KI-gestützte Qualitätskontrolle von reflektierenden Oberflächen.

Wo bietet die KI-Anwendung den größten Nutzen?

Die Prüfung von reflektierenden Oberflächen, beispielsweise von Qualitätsmängeln in der Produktion oder Schäden an Fahrzeugen, werden häufig noch manuell durchgeführt und fallen daher zeitaufwändig aus und benötigen einen hohen Sachverstand der betrauten Personen. Um die Produktivität der Prozesse zu steigern, wurde mit »Damage Detection« ein KI-System zur Qualitätskontrolle glänzender oder diffus reflektierender Oberflächen entwickelt. Es eignet sich für ein breites Spektrum von Anwendungsmöglichkeiten: von der industriellen Produktion, zum Beispiel in der Automobilbranche, über die Leasing- und Versicherungsbranche bis hin zu KFZ-Gutachten. Das Damage Detection System arbeitet automatisiert und braucht für die Oberflächeninspektion weniger als eine Minute. Es kategorisiert die gefundenen Qualitätsdefekte mit Hilfe von Deep Learning. Die Kombination von Deflektometrie, also der berührungsfreien Erfassung reflektierender Oberflächen, herkömmlichen Bilderkennungsverfahren und Methoden der Künstlichen Intelligenz machen das System einzigartig.

Was sind die Qualitätsmerkmale bei solchen KI-Anwendungen?

  • »Damage Detection« bietet als Lösung geringe Hardware- und Wartungskosten. Die KI-Anwendung ist flexibel einsetzbar und in bestehende Produktionen nachrüstbar. Die Lösung ist u.a. in der Lage, unter dem Einfluss von Streulicht (z.B. Deckenbeleuchtung in einer Halle) zu arbeiten.
  • Das System liefert eine 100%ige Testabdeckung. Es vereint eine hohe Genauigkeit mit geringem Hardwareaufwand. Derzeit können Fehler von einer Größe von 0.1 mm auf 1 m Bauteilgröße erkannt werden.
  • Durch den Einsatz der Künstlichen Intelligenz können im System verschiedene Fehlermerkmale der Oberflächen trainiert werden.
  • Zusätzlich zu hochreflektierenden Oberflächen können durch neuste Entwicklungen auch diffus reflektierende Oberflächen auf ihre Qualität geprüft werden.
»Die Kombination aus herkömmlichen Bilderkennungsverfahren,
KI-Methoden und der Erfassung reflektierender Oberflächen
ist einzigartig.«
Dr. rer. nat. Theresa Bick
Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS

Welche KI-Technologie steckt im KI.NRW-Demonstrator?

Computer Vision

Die Lösung setzt auf Convolutional Neural Networks (CNNs) zur Detektion und Klassifikation der Oberflächenanomalien. Das CNN-Modell gehört zu den Künstlichen Neuronalen Netzen, welche für Bilderkennung und -verstehen geeignet sind.

Informed Machine Learning

Durch das Einbinden von Expertenwissen ist das System in der Lage, die datenhungrigen neuronalen Netze für die industrielle Produktion praktikabel zu machen. Die Trainingsdatenmenge und der Annotationsaufwand können vergleichsweise gering gehalten werden.

Kombination mit klassischer Bildverarbeitung

Die KI ist mit klassischer Bildverarbeitung gekoppelt. Das System verwendet dabei die Vorteile aus beiden Welten – schnelle, approximative Algorithmen aus der klassischen Bildverarbeitung und die mächtigen Verfahren des Deep Learnings.

Was zeigt der KI-Demonstrator?

Qualitätskontrolle glänzender oder diffus reflektierender Oberflächen zeichnet sich durch einen einfachen, mobilen Hardwareaufbau aus. Es arbeitet unabhängig vom Umgebungslicht und arbeitet vollständig automatisiert. Für die Oberflächeninspektion braucht es weniger als eine Minute.

Wo sind weitere Informationen zu finden?

Bilderkennung und -verstehen im Einsatz

Viele Good-Practice-Beispiele als Inspiration für die Anwendungsmöglichkeiten dieser KI

KI-Produkte »made in NRW«

Filtern Sie unsere KI-Landkarte nach dem Schwerpunkt »Bilderkennung und -verstehen«

KI-Anbieter aus NRW

Unsere KI-Landkarte zeigt Ihnen, wer KI-Methoden rund um die Bilderkennung in seinem Portfolio hat

Kontakt rund um den Demonstrator

Dr. rer. nat. Theresa Bick

Data Scientist – Computer Vision

Fraunhofer IAIS
Schloss Birlinghoven
53757 Sankt Augustin

Telefon +49 2241 142136

E-Mail senden

Dr.-Ing. Stefan Eickeler

Senior Research Engineer

Fraunhofer IAIS
Schloss Birlinghoven
53757 Sankt Augustin

Telefon +49 2241 141969

E-Mail senden

Zum Seitenanfang