{"id":30182,"date":"2017-11-30T12:08:02","date_gmt":"2017-11-30T11:08:02","guid":{"rendered":"http:\/\/cms.stage.munich-startup.gmbh\/?p=30182"},"modified":"2020-10-07T14:05:04","modified_gmt":"2020-10-07T12:05:04","slug":"portraet-e-bot7","status":"publish","type":"post","link":"https:\/\/cms.stage.munich-startup.gmbh\/en\/30182\/portraet-e-bot7\/","title":{"rendered":"K\u00fcnstliche Intelligenz bei Bots – E-Bot7 im Portr\u00e4t"},"content":{"rendered":"

Das M\u00fcnchner Startup E-Bot7<\/a> entwickelt und integriert k\u00fcnstliche Intelligenz in den bestehenden Kundenservice von Unternehmen. Das System analysiert eingehende Nachrichten, leitet sie an die richtige Abteilung weiter und stattet Support-Agenten w\u00e4hrend des operativen Gesch\u00e4fts mit smarten Antwortvorschl\u00e4gen aus. Dadurch sinkt die Bearbeitungszeit um bis zu 80% und wiederkehrende Anfragen werden automatisiert. Wir haben mit Xaver Lehmann, einem der Gr\u00fcnder, gesprochen.
\n<\/strong><\/p>\n

E-Bot7 verbindet zwei Trendthemen — Bots und K\u00fcnstliche Intelligenz (KI). Wie seht Ihr das Marktpotential f\u00fcr diesen Bereich?<\/strong><\/p>\n

Das Marktpotential f\u00fcr k\u00fcnstliche Intelligenz-L\u00f6sungen im Bereich des Kundendienstes ist enorm. Heutzutage sind die meisten CRM-Systeme vollkommen veraltet. Kundenservicemitarbeiter verbringen die meiste Zeit damit, repetitive Fragen zu beantworten, anstatt sich auf anspruchsvolle Fragen zu konzentrieren. Diese Ineffizienz kann mit Hilfe von KI und Chatbots behoben werden.<\/p>\n

Auch das Marktpotenzial f\u00fcr virtuelle Chatbot-Assistenten ist enorm. Forrester geht von einer Vertausendfachung des Marktvolumens bis 2020 aus. Unsere ersten Zielm\u00e4rkte sind die Telekommunikations-Industrie, Versicherungen sowie Banken. Dabei entspricht das Marktvolumen ca. 25 Milliarden Euro.<\/p>\n

Kannst Du kurz einen \u00dcberblick zu den verschiedenen Bot-L\u00f6sungen geben?<\/strong><\/p>\n

Es gibt verschiedene technische L\u00f6sungsans\u00e4tze wie man einen Bot aufbauen kann. Die meisten Bots, die man auf Facebook Messenger oder als Chat-Fenster auf Webseiten findet, sind so genannte „Rule-Based Bots“. Diese werden meistens aus existierenden Frameworks gebaut und manuell mit Daten — Fragen & Antworten — gef\u00fcttert. Diese Daten bilden eine so genannte statische Datenbank, da sich die eingesetzten Fragen & Antworten nicht ver\u00e4ndern. Diese Bots funktionieren gut, solange der Kunde eine in der Datenbank existierende Frage stellt.<\/p>\n

Wenn jedoch eine Frage gestellt wird, die nicht in der Datenbank existiert, dann bekommt der Kunde eine Fehlermeldung. Am Ende des Tages m\u00fcssen die Service Mitarbeiter noch einmal ins System gehen, um die Fehlermeldungen auszulesen und die passenden Antworten manuell einzuf\u00fcgen. Erstens ist es unm\u00f6glich, mit einer statischen Datenbank alle m\u00f6glichen Fragen der Kunden abzudecken und zweitens m\u00f6chte kein Unternehmen weitere Ressourcen aufbringen, um den Bot am Ende des Tages zu trainieren.<\/p>\n

\"\"<\/a>
Die drei Gr\u00fcnder von E-Bot7: Fabian Beringer, Xaver Lehmann und Maximilian Gerer (v.l.n.r.)<\/figcaption><\/figure>\n

Was k\u00f6nnt Ihr also besser als andere Bots?<\/strong><\/p>\n

Wir bei E-Bot7 haben genau diese Probleme gel\u00f6st, da wir mit Hilfe k\u00fcnstlicher Intelligenz und neuronalen Netzen die Bedeutung der einkommenden Frage verstehen. Um zu garantieren, dass unsere k\u00fcnstliche Intelligenz keine falschen Antworten an den Kunden weiterleitet bieten wir eine hybride Agent- und KI-L\u00f6sung an.<\/p>\n

Hybride Agent- und KI-L\u00f6sung<\/h3>\n

Was hei\u00dft das genau?<\/strong><\/p>\n

Das Unternehmen w\u00e4hlt am Anfang eine n\u00f6tige Sicherheit aus, z.B. 98%, mit der das Unternehmen bestimmen kann, wie sicher sich die KI sein muss, bevor diese automatisiert eine Antwort versendet. Sobald eine Kundenfrage gestellt wird, gibt die KI einen Antwortvorschlag.<\/p>\n

Falls sich die KI \u00fcber 98% sicher ist, dass die vorgeschlagene Antwort zur Frage passt, dann schickt die KI diese automatisiert an den Kunden weiter. Falls sich die KI jedoch z.B. nur zu 95% sicher ist, dann sendet die KI den Antwortvorschlag an einen Agenten weiter, der den Antwortvorschlag \u00fcberpr\u00fcft.<\/p>\n

Der Agent kann nun drei Aktionen ausl\u00f6sen. Erstens kann der Agent den Antwortvorschlag abschicken und die Intelligenz weiter trainieren. D.h. wenn die Frage nochmals gestellt wird, hat die Antwort eine h\u00f6here Wahrscheinlichkeit. Zweitens kann er den Vorschlag selber bearbeiten und abschicken und dadurch das System weiter trainieren, indem es die bearbeitete Antwort in die Wissensbank hinzuf\u00fcgt. Drittens, falls eine komplett neue Frage gestellt wird, kann der Agent eine neue Antwort verfassen, speichern und abschicken. Durch diesen Prozess wird eine Datenbank aufgebaut, die sich im operativen Prozess des Agenten kontinuierlich anpasst und dazulernt. So kann die KI bei jeder Interaktion des Agenten neues Wissen akkumulieren. Gleichzeitig wird die KI „supervised learning“ vom Agenten kontrolliert.<\/p>\n

„Die Ergebnisse haben uns selber \u00fcberrascht“<\/h3>\n

Eure KI scheint recht schnell zu lernen. Kannst Du dazu ein paar Zahlen nennen?<\/strong><\/p>\n

Man darf beim Thema KI und Machine Learning nicht vergessen, dass das System Daten und Zeit braucht, um schnell und effektiv zu lernen. Dementsprechend lernt die KI bei 10.000 Anfragen pro Tag schneller als bei 100. Die Ergebnisse unserer Technologie haben uns selber \u00fcberrascht.<\/p>\n

In einer unserer Case Studies mit einer gro\u00dfen Telekommunikationsfirma hat unser Bot nach zwei Monaten bereits mehr Anfragen verschickt (61%) als der Agent. Unser Fokus auf deutscher Sprache hilft uns dabei, dass wir relativ z\u00fcgig, n\u00e4mlich innerhalb von vier Wochen, weitere europ\u00e4ische Sprachen auftrainieren k\u00f6nnen.<\/p>\n

Was sind Eure drei Zutaten f\u00fcr Erfolg?<\/strong><\/p>\n