Advertisement

HMD Praxis der Wirtschaftsinformatik

, Volume 55, Issue 4, pp 725–747 | Cite as

Chatbot – Der digitale Helfer im Unternehmen: Praxisbeispiele der Schweizerischen Post

  • Toni Stucki
  • Sara D’OnofrioEmail author
  • Edy Portmann
Schwerpunkt
  • 2.1k Downloads

Zusammenfassung

Chatbots gewinnen an Bedeutung. Sie ermöglichen uns Menschen, in natürlicher Sprache mit Computersystemen zu kommunizieren. Im einfachsten Fall extrahiert der Chatbot aus der Äusserung eines Benutzers dessen Intention, fragt fehlende Informationen in einer Wissensbank ab und bereitet dem Benutzer eine Antwort auf. Somit stellen Chatbots eine Schnittstelle zwischen Informationen und Nutzern dar. In einem Unternehmen können dadurch mehrere Vorteile generiert werden. Der Wissensfluss kann sowohl innerhalb des Unternehmens als auch in der Interaktion mit dem Kunden optimiert werden. Benutzer, seien es nun Mitarbeiter oder Kunden, erhalten von Chatbots schnell und in gleichbleibend hoher Qualität die gesuchten Informationen. Damit der menschliche Benutzer den sprechenden oder schreibenden Chatbot akzeptiert, sollte dieser angemessen kommunizieren. Was dies bedeutet, wie dies möglich wird und welche Potentiale Chatbots bieten, soll dieser Artikel anhand Praxisbeispielen der Schweizerischen Post diskutieren. Die kritische Reflexion der gewonnenen Erkenntnisse runden den Artikel ab.

Schlüsselwörter

Chatbot Dialogsystem Intent-Matching Künstliche Intelligenz Natürliche Sprache Schweizerische Post Sprachverarbeitung Wissensmanagement 

Chatbot—The Digital Assistant in the Company: Practical Examples of Swiss Post

Abstract

Chatbots are becoming increasingly important. They enable us humans to communicate with computer systems in natural language. In the simplest case, the chatbot extracts a user’s intention from his or her expression, asks for missing information in a knowledge base and prepares an answer for the user. Chatbots represent an interface between information and users. Several advantages can thus be generated in a company. The knowledge flow can be optimized within the company and in interaction with the customers. Users, whether they are employees or customers, quickly receive the information they are looking for from chatbots in consistently high quality. To accept the talking or writing chatbot, it should communicate appropriately. This article will discuss what this means, how this becomes possible and what potentials chatbots can offer, based on practical examples from Swiss Post. The article ends with a critical reflection on the lessons learned.

Keywords

Artificial intelligence Chatbot Dialogue system Intent matching Knowledge management Natural language Natural language processing Swiss Post 

Notes

Danksagung

Die Autoren dieses Kapitels danken den Kolleginnen und Kollegen bei der Schweizerischen Post, insbesondere Daniel Bammert, Nikolay Borissov, Thomas Brezing, René Eggenschwiler, Jan Jambor, Christa Jehle, Michael Jost, Robert Käppeli, Friedrich Klopfenstein, Sandro Kolly, Frank Liebermann, Julie Mackmood, Lukas Melliger, Simon Oswald und Markus Tschabold für ihre wertvollen Inputs. Ohne sie hätte dieser Artikel in dieser Form nicht geschrieben werden können. Vielen Dank!

Literatur

  1. Barrière C (2016) Natural language understanding in a semantic web context. Springer, ChamCrossRefGoogle Scholar
  2. Bürgel HD (2013) Wissensmanagement: Schritte zum intelligenten Unternehmen. Springer, Berlin, HeidelbergGoogle Scholar
  3. Colby K (1973) Simulation of belief systems. In: Schank R, Colby K (Hrsg) Computer models of thought and language. Freeman, San Francisco, S 251–286Google Scholar
  4. Dale R (2016) Industry watch. The return of the chatbots. Nat Lang Eng 22(5):811–817CrossRefGoogle Scholar
  5. D’Onofrio S, Portmann E, Franzelli M, Bürki C (2018) Cognitive Computing: Theoretische Grundlagen und Praxisbeispiele der Schweizeischen Post. Inform Spektrum.  https://doi.org/10.1007/s00287-018-1095-0 Google Scholar
  6. Fryer LK, Carpenter R (2006) Bots as language learning tools. Lang Learn Technol 10(3):8–14Google Scholar
  7. Gätjens M (2014) Die Assistenz im Management: Leitfaden für den professionellen Management Support. Springer, WiesbadenCrossRefGoogle Scholar
  8. Kassibgi G (2017) Soul oft he machine: how chatbots work. Medium. https://medium.com/@gk_/how-chat-bots-work-dfff656a35e2 (Erstellt: 6. Jan. 2017). Zugegriffen: 22. Febr. 2018Google Scholar
  9. Malone TW, Bernstein MS (2015) Handbook of collective intelligence, 1. Aufl. MIT Press, CambridgeGoogle Scholar
  10. Mason M (2017) 3 types of business chatbots you can build. IBM. https://www.ibm.com/blogs/watson/2017/12/3-types-of-business-chatbots-you-can-build (Erstellt: 12. Dez. 2017). Zugegriffen: 12. Febr. 2018Google Scholar
  11. Nath K, Dhar S, Basishtha S (2014) Web 1.0 to Web 3.0 – evolution of the Web and its various challenges. International Conference on Reliability, Optimization and Information Technology (ICROIT), Faridabad.Google Scholar
  12. Picard RW (1995) Affective computing. Massachusetts Institute of Technology, CambridgeGoogle Scholar
  13. Ramesh K, Ravishankaran S, Joshi A, Chandrasekaran K (2017) A survey of design techniques for conversational agents. In: Kaushik S, Gupta D, Kharb L, Chahal D (Hrsg) Information, Communication and Computing Technology: Second International Conference. Springer, New DelhiGoogle Scholar
  14. Ruddock D (2016) Google Now is dead: Latest beta of Search erases references to Google Now. https://www.androidpolice.com/2016/09/20/google-now-is-dead-latest-beta-of-search-app-erases-all-references-to-google-now/ (Erstellt: 20. Sept. 2016). Zugegriffen: 26. März 2018Google Scholar
  15. Siemens G (2005) Connectivism: a learning theory for the digital age. Int J Instr Technol Distance Learn 2(1):3–10Google Scholar
  16. Torres M (2017) Clippy, the office assistant, has become an icon. Ladders. https://www.theladders.com/career-advice/clippy-office-assistant-become-icon (Erstellt: 27. Apr. 2017). Zugegriffen: 11. Febr. 2018Google Scholar
  17. Wallace RS (2003) The Elements of AIML Style. A.L.I.C.E. Artificial Intelligence Foundation, IncGoogle Scholar
  18. Weizenbaum J (1966) ELIZA – a computer program for the study of natural language communication between man and machine. Commun ACM 9(1):36–45.  https://doi.org/10.1145/365153.365168 CrossRefGoogle Scholar
  19. West J (2016) Microsoft’s disastrous Tay experiment shows the hidden dangers of AI. Quartz Media. https://qz.com/653084/microsofts-disastrous-tay-experiment-shows-the-hidden-dangers-of-ai/ (Erstellt: 2. Apr. 2016). Zugegriffen: 26. März 2018Google Scholar
  20. Zadeh LA (2006) From search engines to question answering systems – the problems of world knowledge, relevance, deduction and precision. In: Sanchez E (Hrsg) Fuzzy logic and the semantic web. Elsevier, Amsterdam, S 163–210CrossRefGoogle Scholar
  21. Zadeh LA (2008) Toward human level machine intelligence – is it achievable? The need for a paradigm shift. IEEE Comput Intell Mag 3(3):11–22CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2018

Authors and Affiliations

  1. 1.Schweizerische Post AGBernSchweiz
  2. 2.Human-IST InstitutUniversität FribourgFribourgSchweiz

Personalised recommendations