Rasa

Rasa im Start-up Pitch – Mit Künstlicher Intelligenz die Schnittstellen der Welt vereinfachen

Die menschliche Intelligenz imitieren, Entscheidungen treffen und den Fokus auf Sprache legen – das ist die Sicht des Start-ups Rasa auf das Thema Künstliche Intelligenz. Das junge Unternehmen aus Berlin wendet sogenannte Open Source Conversational AI (Artificial Intelligence) an und beschränkt sich damit nicht auf eine Branche, sondern bietet ein Grundgerüst („Framework“) zur Entwicklung verschiedener Arten von Bots für vielfältige Anwendungsgebiete an.

Rasa wurde vor zwei Jahren von Dr. Alan Nichol (CTO) und Alexander Weidauer (CEO) mit dem Ziel gegründet, einen datengetriebenen Bot zu bauen. Dieser sollte konversationsbasiert und unternehmensspezifisch agieren. Die Gründer mussten jedoch erkennen, dass die Technologie 2015 noch nicht marktreif war und machten sich daran, diese unterliegende Technologie zu entwickeln. Heute zählt das Rasa-Team 16 Mitarbeiter. Der Schwerpunkt liegt auf der Erforschung von Prozessen der Künstlichen Intelligenz und der Optimierung der Technologie, speziell der Struktur von Chatbots. Rasa geht diesbezüglich von zwei Annahmen aus:  zum einen, dass Machine Learning den Umgang mit Big Data verändert und zum anderen, dass neuronale Netzwerke große Rechenleistungen vollbringen können. „Künstliche Intelligenz ist immer noch eine Blackbox und ein großes Forschungsfeld“, sagt Philipp Wolf, Head of Business Development bei Rasa in seinem Start-up-Pitch. „Um diese komplexe Technologie erforschen zu können, sind Daten der wichtigste Bestandteil.“

Künstliche Intelligenz liefert vielseitige Anwendungen für die Assekuranz

Nutzer gehen heutzutage immer mehr weg von Websites oder Apps, hin zu konversationsbasierten Interfaces. Diese wiederum können die Art verändern, wie Unternehmen mit ihren Kunden kommunizieren. Gerade in der Assekuranz ist es oftmals so, dass Kunden eher selten mit den Versicherungen in Kontakt treten. Zu den häufigsten Gründen zählen das Erfragen von Kontaktdaten wie Telefonnummern und E-Mail-Adressen oder das Einreichen von Rechnungen. „Wir haben festgestellt, dass sehr viele Anfragen sehr einfach sind.“ Chatbots sind in der Lage hierauf Antworten zu geben und die Kundenerfahrung so zu verbessern. Sie können unter anderem im Marketing, zur Beratung und bei Fragen zu Policen eingesetzt werden und die komplette Wertschöpfungskette abdecken:

Der Kundenservice kann bei Versicherungen durch den Einsatz von Künstlicher Intelligenz über die komplette Wertschöpfungskette hinweg unterstützt werden (Quelle: Rasa)

Der Kundenservice kann bei Versicherungen durch den Einsatz von Künstlicher Intelligenz über die komplette Wertschöpfungskette hinweg unterstützt werden (Quelle: Rasa)

Rasa arbeitet beispielsweise mit Banken, Versicherungen und Unternehmen der Automobilbranche zusammen.

Für den Einsatz von Bots bei Versicherungen, die von Rasa entwickelt wurden, nennt Philipp Wolf die beiden folgenden Beispiele:

Ein Chatbot für den Kundenservice

Ziel war es, für ein Versicherungsunternehmen einen digitalen Kundenservice zu etablieren, der rund um die Uhr erreichbar ist und einfache Anfragen beantworten und bearbeiten kann. Nach einer dreimonatigen Design- und Trainingsphase und der Qualitätskontrolle durch den Versicherer, ging der Chatbot live und unterstützt seitdem den Kundenservice.

Ein Chatbot für den Sales-Bereich

Ein weiteres Beispiel ist die Zusammenarbeit mit einem Versicherer, der Chatbots im Sales-Bereich einsetzt. Kunden, deren Policen ausgelaufen waren und die seit fünf bis zehn Jahren nicht mehr angeschrieben wurden, sollten per SMS und mit dem Ziel der Verlängerung der Police kontaktiert werden. Die Ansprache der Kunden wurde dabei zum Beispiel auch auf deren Alter angepasst. Durch den Einsatz von Chatbots konnte die Rate der Verlängerung der Versicherungsverträge signifikant gesteigert werden.

Ein Chatbot lernt nie aus

Im Mittelpunkt der Arbeit von Rasa steht das sogenannte Deep Learning, der Prozess des Selbstlernens des Chatbots. Als Beispiel nennt Philipp Wolf den Musik-Streaming Anbieter Spotify, der auf Basis der gehörten Musik dem Nutzer Lieder vorschlägt. Deep Learning bedeutet, dass Algorithmen so geschrieben werden, dass sie zum Beispiel die Nutzung eines Produkts oder einen typischen Ablauf verstehen.

Folgende Schritte setzt Rasa dazu ein:

  1. Sammeln der Daten
  2. Zuordnen und Kategorisieren der Daten
  3. Das Lernen trainieren
  4. Neue Beispiele hinzufügen

Das Framework von Rasa ist komplett auf Deep Learning aufgebaut. Das heißt, statistische Modelle können die Anfragen der Kunden und den Dialog intelligent erkennen und über die Zeit erfolgt eine Verbesserung durch mehr Konversationsdaten. Das folgende Bild zeigt das Framework von Rasa auf einem abstrakten Level und die Funktionsweise der Technologie.

Rasa ist die einzige Lösung auf dem Markt, die einen menschenähnlichen Dialog durch das Nutzen von interaktivem und überwachtem maschinellen Lernen ermöglicht. (Quelle: Rasa)

Rasa ist die einzige Lösung auf dem Markt, die einen menschenähnlichen Dialog durch das Nutzen von interaktivem und überwachtem maschinellen Lernen ermöglicht. (Quelle: Rasa)

Eine Herausforderung beim Trainieren eines Bots ist es, dass es sehr viele verschiedene Möglichkeiten gibt, wie etwas gesagt oder gefragt werden kann. „Ich bin umgezogen“ meint das gleiche wie „Ich möchte meine Adresse ändern“ – das zu verstehen, muss einem Chatbot jedoch erst beigebracht werden. Rasa versucht, in die Grundstruktur eines Chatbots möglichst viele dieser Varianten zu integrieren. Je mehr Layer, Neuronen und Datenpunkte vorhanden sind, desto besser ist die Struktur und die Leistung eines Chatbots. Der Algorithmus strukturiert die Daten aber agiert nicht nach vorab festgelegten Regeln. Andere Anbieter im Markt nutzen diese zwar, aber „sie zu bestimmen sei eine große Herausforderung“, erklärte Philipp Wolf. Denn schon für den einfachen Fall einer Adressänderung werden schnell etwa 500 Regeln bestimmt. Damit ein Bot Zusammenhänge erkennen kann, greift er bei Rasa aber auf Machine Learning zurück.

Kenntnisse und Fähigkeiten des Bots

„Die Fähigkeiten eines Bots muss man sich vorstellen, wie die eines Servicemitarbeiters am ersten Arbeitstag“, so Philipp Wolf. „Das Grundwissen ist vorhanden, aber die zusätzlichen Kenntnisse müssen erst trainiert werden.“ Dieses Training stetig voranzutreiben, ist in erster Linie Aufgabe der Kunden von Rasa, denn ein Bot kann nur so schlau sein, wie dessen Trainingsumfang. Philipp Wolf betont deshalb abschließend, dass Chatbots einen großen Vorteil für Versicherer bieten können – die Bereitschaft für stetiges Training und Weiterentwicklung ist jedoch die Grundvoraussetzung für dessen erfolgreichen Einsatz. Im Markt ist zu sehen, dass immer mehr Versicherungen und Banken das verstanden haben und Chatbots innerhalb ihres Unternehmens aufbauen sowie etablierte Frameworks benutzen.

Hinterlasse einen Kommentar

86 + = 91

*