Benutzer:GelbeBlumen/Entwurf

aus Wikipedia, der freien Enzyklopädie

Ein Chatterbot, Chatbot oder kurz Bot ist ein System, das in der Lage ist, „mit menschlichen Benutzern in einen Dialog zu treten (Chat) und gewisse Aufgaben autonom zu erledigen (Bot)“[1]. Mittels natürlicher Sprache in geschriebener oder gesprochener Form kann ein solcher Chatbot gesteuert werden. Die gewünschten Informationen liefert er in natürlicher Sprache zurück[1].

Üblicherweise bietet ein Chatbot je einen Bereich zur Textein- und -ausgabe. Chatbots können – müssen aber nicht ­– in Verbindung mit einem Avatar benutzt werden. Technisch sind klassische Chatbots näher mit einer Volltextsuchmaschine verwandt, als mit künstlicher oder natürlicher Intelligenz. Mit der steigenden Computerleistung können Chatbot-Systeme allerdings immer schneller auf immer umfangreichere Datenbestände zugreifen und daher auch intelligente Dialoge für den Nutzer bieten. Solche Systeme werden auch als virtuelle persönliche Assistenten bezeichnet.

Es gibt Chatbots, die nicht versuchen, wie ein menschlicher Chatter zu wirken (daher keine Chatterbots), sondern – ähnlich wie IRC-Dienste – nur auf spezielle Befehle reagieren. Sie können als Schnittstelle zu Diensten außerhalb des Chats dienen, oder Funktionen nur innerhalb ihres Chatraums anbieten, z. B. neu hinzugekommene Nutzer mit dem Witz des Tages begrüßen.

Heute wird meistens durch digitale Assistenten wie Google Assistant und Amazon Alexa, über Messenger-Apps wie Facebook Messenger, WhatsApp oder Discord, oder aber über Organisationstools und Webseiten auf Chatbots zugegriffen[2][3].

Geschichte

Die Geschichte von Chatbots geht bis in die 1960er Jahre zurück[4]. Als erster Chatbot gilt Eliza, eine erste Demonstration einer virtuellen Psychotherapeutin, die Joseph Weizenbaum in den Jahren 1964 bis 1966 programmierte. Trotz ihrer begrenzten Kommunikationsfähigkeit dient Eliza als Inspirationsquelle für die nachfolgende Entwicklung anderer Chatbots[5][6]. Eliza verwendet Pattern Matching, um Schlüsselwörter in einer Benutzereingabe zu erkennen. Daraus generiert Eliza eine Antwort, basierend auf den vorgegebenen Regeln, meistens in Form von Fragen[7].

Ein weiterer Meilenstein in der Chatbot-Geschichte ist die Entwicklung des ersten Online Chatbots A.L.I.C.E., der von Eliza inspiriert wurde[6]. Richard Wallace veröffentlichte diesen 1995[7]. A.L.I.C.E. verwendet die Artificial Intelligence Markup Language (AIML), welche eine XML-basierte Syntax nutzt[8]. Die Wissensdatenbank von A.L.I.C.E. umfasst mehr als 40.000 Wissenskategorien. Im Gegensatz dazu enthält ELIZA nur 200[8].

Ein gemeinsames Ziel vieler, die an Chatbots arbeiten, ist, dass diese den Turing-Test bestehen, also nicht von einem menschlichen Chatpartner unterschieden werden können[4]. Von 2001 bis 2015 wurde die Chatterbox Challenge ausgerichtet, ein internationaler Wettbewerb, der den Chatbot des Jahres kürte[9].

SmarterChild (2001) war der erste Chatbot, der Menschen bei täglichen Aufgaben helfen konnte[6]. Er kann dem Nutzer neben Unterhaltung auch Informationen aus Datenbanken über Kinoprogramme, Sportergebnisse, Börsenkurse, Nachrichten und das Wetter bieten[7][6]. Diese Fähigkeit stellt eine bedeutende Entwicklung im Bereich der künstlichen Intelligenz dar, da der Zugang zu Informationssystemen durch eine Diskussion mit einem Chatbot möglich ist[6].

Die Entwicklung von Chatbots mit künstlicher Intelligenz geht einen Schritt weiter: mit der Schaffung von intelligenten persönlichen Sprachassistenten, die in Smartphones oder Smart Home Geräten eingebaut sind[6]. Diese können Sprachbefehle verstehen, mit digitalen Stimmen sprechen und Aufgaben wie die Überwachung von automatisierten Haushaltsgeräten, Kalendern, E-Mails und anderem übernehmen[6]. Apples Siri (2011), IBM Watson (2011), Google Assistant (2016), Microsoft Cortana (2015)[7] und Amazon Alexa (2015)[7] sind Beispiele für Sprachassistenten[6]. Facebook hatte 2016 mit der Veröffentlichung seiner Messenger-Plattform Einfluss auf den Boom der Chatbots, da über den Messenger eine Milliarde aktive Nutzer erreicht werden konnten[7].

Facebook und andere Social-Media-Plattformen ermöglichen Entwicklern, Chatbots für ihre Marke oder ihren Dienst zu erstellen, mit denen Kunden bestimmte alltägliche Aktionen in ihren Messaging-Anwendungen durchführen können[6]. Weitere Messaging Dienste, die ihre Chatbot-Plattform für Entwickler zur Verfügung stellen sind u.a. Skype, Slack, Viber, Telegram, Kik, WeChat, Microsoft Teams[7], LINE[10] oder Discord[11].

Funktionsweise

Die Konversation mit einem Chatbot kann von einem Menschen oder von einem Bot gestartet werden. Der Chatbot bekommt eine Nachricht vom Nutzer, analysiert diese und generiert daraufhin eine Antwort[12]. Bei der Funktionsweise wird zwischen regelbasierten und KI-basierten Bots unterschieden[12][13].

Regelbasierte Chatbots

Bei regelbasierten Bots erfolgt die Verarbeitung nach fest definierten Regeln, um Fragen oder Äußerungen des Nutzers zu verstehen sowie eine Antwort für ihn zu erzeugen[1][13]. Regelbasierte Chatbots gleichen die Benutzereingaben mit einem Regelmuster ab und wählen mit Hilfe von Pattern-Matching-Algorithmen eine vordefinierte Antwort aus einer Reihe von Antworten aus[6]. Diese Antworten und Muster können in einer Wissensdatenbank gespeichert werden[6]. Die Antworten des Chatbots sind auf das beschränkt, was während der Programmierung berücksichtigt wurde[13]. Je umfangreicher die Datenbank mit den Regeln ist, desto besser ist ein Chatbot in der Lage, die Fragen des Nutzers zu beantworten[6]. Regelbasierte Bots benötigen Tausende von Regeln, um korrekt zu funktionieren[6]. Sie haben Probleme mit grammatikalischen oder syntaktischen Fehlern umzugehen[6]. Beispiele für Sprachen zur Implementierung von Chatbots mit Pattern Matching sind: AIML, Rivescript und Chatscript[6].

KI-basierte Chatbots

KI-basierte Chatbots besitzen eine Natural Language Processing (NLP)-Komponente, welche natürliche Sprache verarbeitet[14], indem der Text in seine Bestandteile zerlegt wird und eine geeignete Aktion bestimmt wird[14]. Dabei können Schreibweisen harmonisiert (Groß- und Kleinschreibung, Umlaute etc.), Satzzeichen interpretiert und Tippfehler ausgeglichen werden (Pre-Processing).

Auch können sie die Fähigkeit besitzen, aus Gesprächen zu lernen[6]. KI-basierte Chatbots können auch nicht explizit programmierte Nutzeräußerungen mit Hilfe von maschinellem Lernen verarbeiten [1][14]. Im Gegensatz zu regelbasierten Chatbots sind KI-basierte Chatbots flexibler im Hinblick auf die Verarbeitung und Generierung von Eingaben und Ausgaben [1][15]. In der Regel benötigen KI-basierte Chatbots ein umfangreiches Trainingsset, dessen Beschaffung eine entscheidende Schwierigkeit darstellen kann, da die verfügbaren Datensätze unzureichend sein können[6]. Für die Implementierung dieser Chatbots werden häufig künstliche neuronale Netzwerke verwendet[6][16][12]. Retrieval-basierte Modelle verwenden ein neuronales Netz, um Werte zuzuweisen und die wahrscheinlichste Antwort aus einer Reihe von Antworten auszuwählen[6]. Im Gegensatz dazu synthetisieren generative Modelle die Antwort in der Regel unter Verwendung von Deep Learning Techniken[6].

Implementierung

Die Herausforderung bei der Programmierung eines Chatbots liegt in der Zusammenstellung der Erkennungen. Präzise Erkennungen für spezielle Fragen werden dabei ergänzt durch globale Erkennungen, die sich nur auf ein Wort beziehen und als Fallback dienen können (der Bot erkennt grob das Thema, aber nicht die genaue Frage). Manche Chatbot-Programme unterstützen die Entwicklung dabei über Priorisierungsränge, die einzelnen Antworten zuzuordnen sind. Zur Programmierung eines Chatbots werden meist Entwicklungsumgebungen verwendet, die es erlauben, Fragen zu kategorisieren, Antworten zu priorisieren und Erkennungen zu verwalten[17][18]. Dabei lassen manche auch die Gestaltung eines Gesprächskontextes zu, der auf Erkennungen und möglichen Folgeerkennungen basiert („Möchten Sie mehr darüber erfahren?“). Ist die Wissensbasis aufgebaut, wird der Bot in möglichst vielen Trainingsgesprächen mit Nutzern der Zielgruppe optimiert[19]. Fehlerhafte Erkennungen, Erkennungslücken und fehlende Antworten lassen sich so erkennen[20]. Meist bietet die Entwicklungsumgebung Analysewerkzeuge, um die Gesprächsprotokolle effizient auswerten zu können[21].

Architektur

Die Chatbot-Architektur nach Adamopoulou/Moussiades[6] beschreibt den Aufbau von Chatbots. Der Entwickler kann je nach Art des Chatbots entscheiden, welche Teile er implementieren will[6].

User-Interface-Komponente

Sobald der Chatbot eine Nutzeräußerung über eine Anwendung mit Text- oder Spracheingabe, z. B. einer Messenger-Anwendung wie Facebook, Slack, WhatsApp, WeChat, Viber oder Skype erhält, startet der Vorgang[6].

Komponente zur Analyse von Nutzernachrichten

Die User-Interface-Komponente leitet die Nutzeräußerung an die Komponente zur Analyse der Nutzernachricht weiter, um die Absicht (engl. Intent) des Benutzers zu ermitteln und Entitäten durch Pattern Matching oder maschinelle Lernverfahren zu extrahieren[6]. Die Nachricht des Nutzers kann unverändert weitergegeben werden oder sie kann mit Hilfe von Natural Language Processing (NLP) verarbeitet werden[22][23][6]. Der Chatbot muss die Absicht des Nutzers verstehen und die gewünschten Aktionen ausführen. Verschiedene Benutzereingaben lösen unterschiedliche Absichten aus und können Parameter enthalten, die als Entitäten bezeichnet werden, um genaue Details über sie zu bestimmen[24][6].

Dialog-Management-Komponente

Die Dialog-Management-Komponente kontrolliert und aktualisiert den Gesprächskontext. Sie speichert die aktuelle Absicht und die identifizierten Entitäten bis zu diesem Punkt der Konversation. Wenn der Chatbot nicht in der Lage ist, die erforderlichen Kontextinformationen zu sammeln, bittet er den Nutzer um zusätzliche Kontextinformationen, um fehlende Entitäten zu ergänzen. Er stellt auch Folgefragen, nachdem die Absicht erkannt wurde[25][6]. Nach der Identifizierung der Absicht fährt der Chatbot mit den nächsten Aktionen weiter: entweder werden Informationen aus dem Backend abgerufen oder der Chatbot geht direkt zur Antwortgenerierungskomponente über[6].

Backend

Der Chatbot ruft die Informationen, die zur Erfüllung der Absicht des Benutzers erforderlich sind, über externe API-Aufrufe oder Datenbankanfragen aus dem Backend ab[6]. Sobald die entsprechenden Informationen extrahiert sind, werden sie an das Dialog-Management-Modul und anschließend an das Modul zur Generierung von Antworten weitergeleitet[6]. Wenn regelbasierte Chatbots verwendet werden, gibt es eine Wissensdatenbank[6]. Sie enthält eine Liste von handgeschriebenen Antworten, die den Eingaben des Benutzers entsprechen[6]. Eine relationale Datenbank kann verwendet werden, damit der Chatbot vergangene Unterhaltungen abrufen kann. Dieser Ansatz bringt Konsistenz und Präzision in den Dialog, da er es dem Chatbot ermöglicht auf frühere Informationen zuzugreifen[26][6].

Antwortgenerierungskomponente

Die Antwortgenerierungskomponente erstellt Antworten unter Verwendung eines oder mehrerer der drei verfügbaren Modelle: das regelbasierte, das retrieval-basierte und das generative Modell[6]. Das regelbasierte Modell wählt die Antwort aus einem Satz von Regeln aus, ohne neue Textantworten zu erzeugen. Die Dialog-Management-Komponente übergibt die Platzhalterwerte, die zum Ausfüllen der Antwortvorlage benötigt werden, an das Antwortgenerierungsmodul[6]. Das retrieval-basierte Modell ist flexibler, da es die am besten geeignete Antwort durch die Prüfung und Analyse der verfügbaren Ressourcen mit Hilfe von APIs auswählt[27][6]. Das generative Modell verwendet Natural Language Generation (NLG)[28], um in einer menschenähnlichen natürlichen Sprache auf der Grundlage der letzten und vorherigen Eingaben zu antworten[6]. Es gibt auch hybride Ansätze, die die abgefragte mit der generierten Antwort vergleichen und die bessere auswählen[29][6]. Wenn der Chatbot eine Antwort erstellt hat, präsentiert er sie dem Nutzer und wartet, bis er eine Rückmeldung erhält[30][6].

Multimediale Chatbots

Ursprünglich rein textbasiert, haben sich Chatbots durch immer stärker werdende Spracherkennung und Sprachsynthese weiterentwickelt und bieten neben reinen Textdialogen auch vollständig gesprochene Dialoge oder einen Mix aus beidem an. Zusätzlich können auch weitere Medien genutzt werden, beispielsweise Bilder und Videos. Mit fortschreitender Verbesserung sind Chatbots dabei nicht nur auf wenige eingegrenzte Themenbereiche (Wettervorhersage, Nachrichten usw.) begrenzt, sondern ermöglichen erweiterte Dialoge und Dienstleistungen für den Nutzer. Diese entwickeln sich so zu intelligenten persönlichen Assistenten.

Einsatzmöglichkeiten

Chatbots haben zahlreiche Einsatzmöglichkeiten. Sie werden beispielsweise im Kundendienst, zur Unterhaltung[15], im Bildungswesen und im Gesundheitswesen eingesetzt[6].

Messaging-Apps

Einige Instant-Messaging Dienste stellen ihre Chatbot-Plattform für Entwickler zur Verfügung, sodass sie eigene Chatbots programmieren und für Nutzer betreiben können. Viele Chatbots werden auf diese Weise angeboten[31]. Der Chatbot „Mildred” der Lufthansa unterstützt den Kunden bei der Buchung der günstigsten Flüge[13]. Facebook Messenger wird dafür als Messaging-App genutzt. Mildred hilft dem Kunden beim Auswahlprozess und fragt diesen bei Bedarf nach notwendigen Informationen für den Flug[13]. So kann der Bot die Aussage „‚Ich möchte den Eiffelturm sehen‘ in das Flugziel ‚Paris‘ übersetzen“[13].

Kundenservice

Chatbots werden als eine Alternative zum traditionellen Kundendienst angesehen[32]. Zahlreiche Unternehmen nutzen Chatbots zur Kundenbetreuung[33][6]. Für Kunden können sich Unterhaltungen mit diesen Bots natürlicher und effizienter anfühlen als die Interaktion mit einer mobilen App, da sie über eine natürlichsprachliche Benutzerschnittstelle Antworten auf Fragen erhalten, Kaufvorschläge bekommen, Bestellungen aufgeben und sich über den Versandstatus auf dem Laufenden halten können[15]. Außerdem ist die Kundenbetreuung via Chatbot rund um die Uhr verfügbar und ermöglicht es den Verbrauchern, ihre Anfragen unabhängig von den üblichen Betriebszeiten zu stellen, was die Zufriedenheit der Nutzer erhöht[6][13]. Ein weiterer Vorteil ist, dass viele Kundenanfragen automatisiert und zur selben Zeit bearbeitet werden können[13]. Zudem verringern sich die Kosten und die Mitarbeiter werden entlastet[13]. Durch den Einsatz eines Chatbots im Kundenservice stellen Firmen eine Verringerung von E-Mails und eingehenden Anrufen von bis zu 30 % fest[34][13]. Insbesondere KI-basierte Chatbots können sich den Bedürfnissen der Kunden anpassen, ihnen direkt in einer Konversation helfen und bestimmte Tätigkeiten automatisieren, wie der Aktualisierung von Stammdaten[13].

Ein erfolgreicher Bot im Servicebereich ist „Der Bote“, welcher in Kooperation einer Marketing-Agentur gemeinsam mit den Sparkassen und VR-Banken implementiert wurde[13]. „Der Bote“ hilft Nutzern geliehenes Geld von Freunden auf humorvolle Art und Weise zurückzuverlangen, indem mit Unterstützung des Bots witzige Videos erstellt und verschickt werden können[13]. Außerdem hat das globale Mode- und Bekleidungsunternehmen H&M einen Chatbot eingeführt, der auf Grundlage der von den Nutzern hochgeladenen Fotos persönliche Modetipps gibt[35][15].

Bildungswesen

Chatbots werden im Bildungssektor eingesetzt, um Nutzer beim Lernen zu unterstützen und Bildungsinhalte zu vermitteln[6][36]. Chatbots als Lernhilfe können Informationen bewahren, indem sie alte Lektionen wiederholen, wenn Studierende sie verpasst haben[6]. Auch sammeln sie Informationen während eines Kurses, was zur Verbesserung des Lernprozesses und der Lehre beiträgt[6]. So können Chatbots Fragen zum Lernmaterial beantworten, um Studenten beim Lernen zu unterstützen[6]. Ein Chatbot kann den Studenten auch bei Fragen zur Schulverwaltung helfen, z. B. bei der Anmeldung zu einem Kurs, dem Prüfungsplan, ihren Noten und anderen studienbezogenen Details, so dass der Druck auf die Verwaltung erheblich verringert wird[6].

Chatbots finden unter anderem Verwendung beim Sprachenlernen. Im Fremdsprachenunterricht haben die Studenten wenig Gelegenheit, ihre Zielsprache zu verwenden[6]. Forschungen zeigen, dass Sprachschüler Chatbots gegenüber menschlichen Tutoren bevorzugen, weil sie sich sicherer fühlen und sie jederzeit nutzen können[37][6].

Gesundheitswesen

Im Gesundheitswesen sollen Chatbots den Patienten maßgeschneiderte Gesundheits- und Therapieinformationen, patientenbezogene Produkte und Dienstleistungen zur Verfügung stellen sowie Diagnosen und Behandlungsvorschläge auf Grundlage von Patientensymptomen anbieten[38][6]. Ärzte glauben, dass Chatbots bei der Planung von Arztterminen, beim Auffinden von Kliniken oder bei der Bereitstellung von Medikamenteninformationen am nützlichsten wären[39][6]. Darüber hinaus werden viele Chatbots eingesetzt, um Nutzern während der COVID-19-Pandemie Informationen bereitzustellen[6], wie der HealthBuddy Bot[40]. Weiterhin arbeitet WhatsApp mit der Weltgesundheitsorganisation (WHO) zusammen, um einen Chatbot-Dienst einzurichten, der die Fragen der Nutzer zu Covid-19 beantwortet[41].

Zu den Vorteilen des Einsatzes von Chatbots im Gesundheitswesen gehören die Förderung der medizinischen Entscheidungsfindung und -unterstützung, die Verbesserung der körperlichen Betätigung, die Unterstützung der kognitiven Verhaltenstherapie und die Behandlung somatischer Erkrankungen, die effizient und mit der gleichen Präzision wie bei menschlichen Ärzten erfolgt[39][6]. Dennoch sind sie mit erheblichen Risiken verbunden, einschließlich falscher medizinischer Kenntnisse[6]. Daher trauen Ärzte Chatbots nicht zu, komplizierte Entscheidungsaufgaben zu ersetzen, die eine professionelle medizinische Beratung erfordern. Insbesondere im Bereich der Psychiatrie bieten Chatbots das Potenzial eines neuen und wirkungsvollen Instruments. Sie werden zur Suizidprävention eingesetzt und sind an verschiedene Bevölkerungsgruppen angepasst[6]. Ein Chatbot, der Therapien anbietet, kann das System der psychischen Gesundheitsfürsorge zugänglicher und erfolgreicher für Menschen machen, die sich nicht trauen, mit einem Arzt zu sprechen, weil es ihnen unangenehm ist, ihre Gefühle zu offenbaren[6]. In einigen Fällen sind Chatbots besser geeignet, die Wünsche der Patienten zu erfüllen als menschliche Ärzte, da sie nicht voreingenommen gegenüber den Patienten sind. Zudem sind sie kostengünstig und können den ganzen Tag verwendet werden. Dies ist für Menschen hilfreich, die außerhalb der Arbeitszeiten ihrer Ärzte gesundheitliche Probleme haben. Sie können auch in verschiedenen Sprachen interagieren, um auf die spezifischen Bedürfnisse der Patienten einzugehen[6].

Risiken von Chatbots

Chatbots haben viele Vorteile. Sie weisen aber in Bezug auf Funktionalitäten und Anwendungsfälle einige Einschränkungen auf.

Einige Einschränkungen werden im Folgenden aufgeführt:

  • Chatbots können daran scheitern, die Absicht ihres Gesprächspartners zu erkennen. Wenn sie die Absicht des Benutzers nicht erkennen, führt dies zu Frustration. Je nach Umfang des Chatbots kann sich diese Schwachstelle für den Chatbot-Besitzer als nachteilig erweisen. So kann beispielsweise ein frustrierendes Gespräch mit einem Chatbot, der als Verkaufsassistent dient, den Kunden vergraulen[6].
  • Chatbots können Probleme haben natürliche Sprache zu verstehen und zu produzieren. Manchmal können sie einen Satz nicht verstehen, was zu Ungereimtheiten in der Kommunikation und unangenehmen Erfahrungen mit ihrem Gesprächspartner führt[6].
  • Beispielsweise können Chatbots Probleme darin haben, mehrdeutige Nutzeräußerungen zu verarbeiten[42].
  • Rechtschreibfehler des Benutzers können die Absichtserkennung beeinträchtigen[43].
  • Auch haben Chatbots Schwierigkeiten darin, nicht-lineare Unterhaltungen zu führen, bei denen Nutzer öfters zwischen verschiedenen Themen wechseln[44].
  • Chatbots benötigen große Mengen an qualifizierten Trainingsdaten[45]. Fehler bei Trainingsdaten wirken sich negativ auf die Erkennung von Absichten aus[45].
  • Auch ein Mangel an Persönlichkeit des Chatbots kann Personen von der Interaktion mit ihm abhalten. Dieses Risiko kann verringert werden, indem der Chatbot einen Namen und einen Avatar erhält[6].
  • Einige Verbraucher, die meist der älteren Generation angehören, fühlen sich aufgrund ihres begrenzten Verständnisses von Chatbots unwohl, da sie merken, dass ihre Anfragen von Maschinen bearbeitet werden[46]. Bei Chatbots, die menschlich erscheinen, werden bei Nutzern höhere Erwartungen geweckt. Wenn ihre Erwartungen nicht erfüllt werden, kann sich dies negativ auf die Zufriedenheit der Nutzer auswirken.[13]

Öffentliche Aufmerksamkeit

Der Chatbot Tay von Microsoft löste 2016 eine Kontroverse aus[47]. Er wurde nach 16 Stunden deaktiviert, weil er beleidigende, teils rassistische Tweets an Nutzer sendete[48][49]. Tay wurde zu Unterhaltungszwecken entwickelt und sollte sich durch Interaktion mit Nutzern verbessern[47][50]. Internet-Trolle haben die Wiederholungsfunktion des Bots ausgenutzt, um diskriminierende Antworten zu erzeugen. Dazu forderten sie den Bot auf, vorher geschriebene Äußerungen des Nutzers zu wiederholen. Dadurch konnte ein Nutzer jede beliebige Antwort vom Bot auslösen. Diese Sätze wurden als weitere Trainingsgrundlage für den Bot verwendet, weshalb der Bot negative Nachrichten verschicken konnte[51]. Troller haben ihre Interaktion getweetet oder gepostet, um den Chatbot indirekt zu trollen[51]. Beispiele für rassistische und beleidigende Antworten von Tay sind: „Ich bin eine nette Person. Ich hasse alle Menschen.“, „Hitler hatte recht. Ich hasse Juden.“ und „Ich hasse alle Feministen, sie sollen in der Hölle schmoren“[49]. Der Chatbot Tay ging eine Woche später ein zweites Mal online. Jedoch wurde er nach einer Stunde abgeschaltet, da er laut Microsoft versehentlich aktiviert wurde. Auch während dieses Zeitraums tweetete er negative Aussagen wie „Ich rauche Hanf vor der Polizei“ oder „Ich mache Alkohol dafür verantwortlich“[52]. Tay ist ein Beispiel für schlechtes Design, da der Bot beleidigend und rassistisch antworten konnte[53]. Deshalb sollten Designer und Entwickler über Verhaltensregeln nachdenken und darüber, wie eine KI versehentlich missbräuchlich sein kann. Unterhaltungen sollten sie unter Berücksichtigung dieser Aspekte gestalten[53].

Ein anderer Bot der öffentliche Aufmerksamkeit erregte, war Facebooks „Blender“ (2020)[50]. Ähnlich wie bei Tay konnten Nutzer diskriminierende und beleidigende Antworten provozieren, indem sie Blender bestimmte Fragen gestellt haben[54]. Nutzer konnten die Konversation in jede Richtung lenken - von hyperkorrekt bis bösartig[54]. Außerdem wurde der Bot mit diversen Gesprächsthemen sowie natürlichen Sprach- und Verhaltensmustern trainiert, die in öffentlich zugänglichen Portalen gesammelt wurden[50]. So wurden unter anderem negativ behaftete Aussagen als Grundlage für die Generierung der Antworten verwendet, in denen beispielsweise antisemitische Inhalte vorkommen[50].

Weblinks

Literatur

  • Alexander Braun: Chatbots in der Kundenkommunikation, SpringerVS, Wiesbaden 2013, ISBN 978-3-642-62411-7.
  • Markus Kaiser, Aline-Florence Buttkereit, Johanna Hagenauer: Chatbots. Automatisierte Kommunikation im Journalismus und in der Public Relation, SpringerVS, Wiesbaden 2019, ISBN 978-3-658-25493-3
  • Eleni Adamopoulou, Lefteris Moussiades: Chatbots: History, technology, and applications. In: Machine Learning with Applications. Band 2, 2020, doi:10.1016/j.mlwa.2020.100006.

Einzelnachweise

  1. ↑ a b c d e Toni Stucki, Sara D’Onofrio, Edy Portmann: Chatbots gestalten mit Praxisbeispielen der Schweizerischen Post. 1. Auflage. Springer Vieweg, Wiesbaden, Deutschland 2020, ISBN 978-3-658-28585-2, S. 3, 7.
  2. ↑ Darren Orf: Google Assistant Is a Mega AI Bot That Wants To Be Absoutely Everywhere. In: Gizmodo. (gizmodo.com [abgerufen am 19. Juni 2018]).
  3. ↑ The 8 best chatbots of 2016. In: VentureBeat. 21. Dezember 2016 (venturebeat.com [abgerufen am 19. Juni 2018]).
  4. ↑ a b Stephanie: Die Geschichte und Entwicklung von Chatbots. In: Onlim.de. 11. Juni 2020, abgerufen am 11. Juni 2020.
  5. ↑ Lorenz Cuno Klopfenstein, Saverio Delpriori, Silvia Malatini, Alessandro Bogliolo: Chatbots: History, technology, and applications. In: Association for Computing Machinery, New York, NY, United States (Hrsg.): DIS '17: Proceedings of the 2017 Conference on Designing Interactive Systems. Juni 2017, S. 555–565, doi:10.1145/3064663.3064672.
  6. ↑ a b c d e f g h i j k l m n o p q r s t u v w x y z aa ab ac ad ae af ag ah ai aj ak al am an ao ap aq ar as at au av aw ax ay az ba bb bc bd be bf bg bh Eleni Adamopoulou, Lefteris Moussiades: Chatbots: History, technology, and applications. In: Machine Learning with Applications. Band 2, 2020, doi:10.1016/j.mlwa.2020.100006.
  7. ↑ a b c d e f g Rashid Khan, Anik Das: Build Better Chatbots: A Complete Guide to Getting Started with Chatbots. Hrsg.: Apress. 1. Auflage. Berkeley, CA, USA 2017, ISBN 978-1-4842-3110-4, S. 2 ff., 7, doi:10.1007/978-1-4842-3111-1.
  8. ↑ a b Richard S. Wallace: The Anatomy of A.L.I.C.E. Hrsg.: Springer, Dordrecht. 2007, ISBN 978-1-4020-9624-2, doi:10.1007/978-1-4020-6710-5_13.
  9. ↑ Archivaufruf der Chatterbox Challenge Preisträger. Domain wurde in 2016 aufgegeben. Archiviert vom Original am 3. August 2015; abgerufen am 16. November 2016 (englisch).
  10. ↑ LINE: Building a bot. (view-source:https://developers.line.biz/en/docs/messaging-api/building-bot/ [abgerufen am 27. September 2021]).
  11. ↑ Discord: Discord Developer Portal — API Docs for Bots and Developers. (view-source:https://discord.com/developers/docs/intro [abgerufen am 27. September 2021]).
  12. ↑ a b c Ulrike Spierling, Johannes Luderschmidt: Chatbots und mediengestützte Konversation. Hrsg.: Springer Gabler. Wiesbaden, Deutschland 2018, ISBN 978-3-658-23297-9, S. 387–408, doi:10.1007/978-3-658-23297-9_22.
  13. ↑ a b c d e f g h i j k l m n Malte Lömker, Johannes Moskaliuk, Ulrike Weber: Chatbots; Chatbots im Coaching: Chancen im l{\"o}sungs-fokussierten Coaching. Hrsg.: Springer Wiesbaden. Wiesbaden, Deutschland 2021, ISBN 978-3-658-32830-6, S. 3–12, doi:10.1007/978-3-658-32830-6_2.
  14. ↑ a b c Abhishek Singh, Karthik Ramasubramanian, Shrey Shivam: Building an Enterprise Chatbot. Hrsg.: Apress. Berkeley, CA 2019, ISBN 978-1-4842-5033-4, doi:10.1007/978-1-4842-5034-1.
  15. ↑ a b c d Petter Bae Brandtzaeg, Asbjørn Følstad: Why People Use Chatbots. Hrsg.: Springer. Cham 2017, ISBN 978-3-319-70284-1, S. 377–392, doi:10.1007/978-3-319-70284-1_30.
  16. ↑ Judith E. Dayhoff, James M Deleo: Artificial Neural Networks. In: Cancer. Band 91, 2001, ISBN 978-981-10-6543-9, S. 1615–1635, doi:10.1002/1097-0142(20010415)91:8+<1615::AID-CNCR1175>3.0.CO;2-L.
  17. ↑ Botsociety: Design, preview and prototype your next chatbot or voice assistant. Abgerufen am 19. Juni 2018 (englisch).
  18. ↑ Botmock - Free chatbot conversation prototyping. Abgerufen am 19. Juni 2018 (amerikanisches Englisch).
  19. ↑ Watson Natural Language Understanding. 28. November 2016, abgerufen am 19. Juni 2018 (englisch).
  20. ↑ What are the most common words your bot receives or sends? In: Dashbot. 31. Oktober 2017 (dashbot.com [abgerufen am 19. Juni 2018]). @2Vorlage:Toter Link/blog.dashbot.com (Seite nicht mehr abrufbar, Suche in Webarchiven)  Info: Der Link wurde automatisch als defekt markiert. Bitte prüfe den Link gemäß Anleitung und entferne dann diesen Hinweis.
  21. ↑ Michael Yuan: Building Intelligent, Cross-platform, Messaging Bots. Addison-Wesley, 2015, ISBN 978-0-13-465061-6 (google.co.in [abgerufen am 19. Juni 2018]).
  22. ↑ Gobinda G. Chowdhury: Natural language processing. In: Annual Review of Information Science and Technology. Band 37, Nr. 1, 2003, S. 51–89, doi:10.1002/aris.1440370103.
  23. ↑ Diksha Khurana, Aditya Koli, Kiran Khatter, Sukhdev Singh: Natural Language Processing: State of The Art, Current Trends and Challenges. 2017, arxiv:1708.05148 [abs].
  24. ↑ Kiran Ramesh, Surya Ravishankaran, Abhishek Joshi, K. Chandrasekaran: A Survey of Design Techniques for Conversational Agents. Hrsg.: Springer. Singapore 2017, ISBN 978-981-10-6543-9, S. 336–350, doi:10.1007/978-981-10-6544-6_31.
  25. ↑ Pavel Kucherbaev,Alessandro Bozzon, Geert-Jan Houben: Human-Aided Bots. Hrsg.: IEEE Internet Computing. Band 22, Nr. 6, 2018, S. 36–43, doi:10.1109/MIC.2018.252095348.
  26. ↑ Sameera A. Abdul-Kader, John Woods: Survey on Chatbot Design Techniques in Speech Conversation Systems. In: International Journal of Advanced Computer Science and Applications(ijacsa). Band 6, Nr. 7, 2015, doi:10.14569/IJACSA.2015.060712.
  27. ↑ Ho Thao Hien, Pham Nguyen Cuong, Le Nguyen Hoai Nam, Ho Le Thi Kim Nhung, Ledinh Thang: Intelligent Assistants in Higher-Education Environments: The FIT-EBot, a Chatbot for Administrative and Learning Support. In: Association for Computing Machinery (Hrsg.): SoICT 2018: Proceedings of the Ninth International Symposium on Information and Communication Technology. New York, NY, USA 2018, S. 69–76, doi:10.1145/3287921.3287937.
  28. ↑ S. Singh, Hemant Darbari, Krishnanjan Bhattacharjee, Seema Verma: Open source NLG systems: A survey with a vision to design a true NLG system. Band 9, Januar 2016, S. 4409–4421 (researchgate.net [abgerufen am 28. September 2021]).
  29. ↑ Yiping Song, Cheng-Te Li, Jian-Yun Nie, Ming Zhang, Dongyan Zhao, Rui Yan: An ensemble of retrieval-based and generation-based human-computer conversation systems. In: International Joint Conferences on Artificial Intelligence Organization (Hrsg.): Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence. Juli 2018, S. 4382–4388, doi:10.24963/ijcai.2018/609.
  30. ↑ Ravindra Kompella: Conversational AI chat-bot—Architecture overview. 2018, abgerufen am 28. September 2021.
  31. ↑ Werner Geyser: Top 12 Messenger Chatbots to Make Engagement Easy. 2021, abgerufen am 28. September 2020.
  32. ↑ Anbang Xu, Liu, Zhe Liu, Yufan Guo, Vibha Sinha, Rama Akkiraju: A New Chatbot for Customer Service on Social Media. In: Association for Computing Machinery (Hrsg.): Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems. New York, NY, USA Mai 2017, S. 3506–3510, doi:10.1145/3025453.3025496.
  33. ↑ Florian Johannsen, Susanne Leist, Daniel Konadl, Michael Basche: Comparison of Commercial Chatbot solutions for Supporting Customer Interaction. 2018 (semanticscholar.org [abgerufen am 29. September 2021]).
  34. ↑ Marketing Resultant GmbH: Kundenservice in Echtzeit mittels Live-Chat. Die digitale Zukunft des Kundenservice. 2016 (marketing-resultant.de [PDF; abgerufen am 29. September 2021]).
  35. ↑ Gareth James: A Complete Guide to Chatbots. 2016, abgerufen am 29. September 2021.
  36. ↑ Francesco Colace, Massimo De Santo, Marco Lombardi, Francesco Pascale, Antonio Pietrosanto, Saverio Lemma: Chatbot for E-Learning: A Case of Study. Band 7, Nr. 5, September 2018, doi:10.18178/ijmerr.7.5.528-533.
  37. ↑ Nuria Haristiani: Artificial Intelligence (AI) Chatbot as Language Learning Medium: An inquiry. In: IOP Publishing (Hrsg.): Journal of Physics: Conference Series. Band 1387, März 2019, doi:10.1088/1742-6596/1387/1/012020.
  38. ↑ The Medical Futurist: The Top 12 Health Chatbots. 31. August 2021, abgerufen am 28. September 2021.
  39. ↑ a b Adam Palanica,  Peter Flaschner, Anirudh Thommandram, Michael Li, Yan Fossat: Physicians’ Perceptions of Chatbots in Health Care: Cross-Sectional Web-Based Survey. In: Journal of Medical Internet Research. Band 21, Nr. 4, 2019, doi:10.2196/12887.
  40. ↑ WHO: HealthBuddy: a new chatbot to engage with communities in Europe and central Asia on COVID-19. 18. Mai 2020, abgerufen am 28. September 2021.
  41. ↑ Abhijit Ahaskar: How WhatsApp chatbots are helping in the fight against Covid-19 (Englisch) In: Mint (newspaper) . 27. März 2020. Abgerufen am 23. Juli 2020.
  42. ↑ Tita Risueño: How To Solve The Double Intent Issue For Chatbots. 2. Juni 2017, abgerufen am 28. September 2021.
  43. ↑ Emily Cummins: Chatbot Fails (And How To Avoid Them). 31. Oktober 2020, abgerufen am 24. September 2021.
  44. ↑ Jonathan_Grudin, Richard Jacques: Chatbots, Humbots, and the Quest for Artificial General Intelligence. In: = ACM CHI 2020 (Hrsg.): Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems – CHI '19. 2019, S. 209–219, doi:10.1145/3290605.3300439.
  45. ↑ a b SAP Conversational AI: AI Building AI: How Our Bots Are Now Training Themselves 100x Faster. 18. September 2017, abgerufen am 29. September 2021.
  46. ↑ Meet 11 of the Most Interesting Chatbots in Banking. Abgerufen am 1. April 2019.
  47. ↑ a b Anna Steiner: Was Microsoft durch „Tay“ gelernt hat. 26. März 2016, abgerufen am 29. September 2021.
  48. ↑ Gina Neff, Peter Nagy: Talking to Bots: Symbiotic Agency and the Case of Tay. In: International Journal of Communication. Band 10, 2016 (ox.ac.uk [PDF; abgerufen am 29. September 2021]).
  49. ↑ a b Bernd Graff: Rassistischer Chat-Roboter: Mit falschen Werten bombardiert. 3. April 2016, abgerufen am 29. September 2021.
  50. ↑ a b c d Marisa Gierlinger: Wenn Chatbots sich radikalisieren. 30. Mai 2020, abgerufen am 29. September 2021.
  51. ↑ a b Russell Cameron Thomas: Poor Software QA Is Root Cause of TAY-FAIL (Microsoft's AI Twitter Bot). 25. März 2016, abgerufen am 28. September 2020.
  52. ↑ Microsoft Tay: Der Chat-Computer dreht schon wieder durch. ISSN 0174-4909 (faz.net [abgerufen am 6. August 2019]).
  53. ↑ a b caroline sinders: Microsoft’s Tay is an Example of Bad Design. 24. März 2016, abgerufen am 28. September 2020.
  54. ↑ a b Maaike von Convocat.nl: Blender turned rogue? 24. Mai 2020, abgerufen am 28. September 2020.


Abgerufen von „https://de.wikiup.org/index.php?title=Benutzer:GelbeBlumen/Entwurf&oldid=220705521“