Potential von Suchmaschinen und Chatbots für Unternehmen

Suchmaschinen und Chatbots sind heute omnipräsent. Für die Suche im Web nutzen wir täglich Web- Suchmaschinen wie Google, Bing oder Wolfram Alpha. Geschäftlich setzen wir Unternehmenssuchmaschinen ein. Diese unterscheiden sich von den Web-Suchmaschinen punkto Sicherheit, Ranking, Quellen und Inhalte. Smartphones unterstützten uns mit virtuellen Assistenten wie Siri von Apple, Alexa von Amazon, Assistant von Google oder Cortana von Microsoft. Mit diesen dialogorientierten Systemen können Termine erstellt oder Kurzmitteilungen versandt werden. Sie dienen dem Abruf der Wettervorhersage oder für einen Smalltalk mit dem Smartphone. Immer häufiger werden Chatbots in neuen Anwendungsfeldern eingesetzt. So unterstützt der Chatbot Amelia der Credit Suisse den IT Service Desk. Auf der Webseite der Postfinance unterstützt ein Chatbot als digitaler Assistent den Kunden. Bea als digitale Assistentin, aufbauend auf dem Facebook Messenger, gibt Auskunft zur Tourismus Destination Davos Klosters.

Grundlage dieser Systeme ist immer eine Suchanfrage. Diese kann mit Schlüsselwörtern, Satzfragmenten, als kompletter Satz in Form einer Frage oder eine formale Abfragesprache (SQL, SPARQL, XQuery) sein. Abhängig vom Anwendungsfall und System wird die Anfrage in gesprochener oder geschriebener Sprache gestellt.

Information Retrieval vs. Question Answering

Suchmaschinen und Chatbots setzen Methoden des Information Retrieval ein. Information Retrieval definiert Manning, Raghavan, & Schütze (2010) als «…finding material (usually documents) of an unstructured nature (usually text) that satisfies an information need from within large collections (usually stored on computers)». Abhängig vom Fachgebiet beinhalten Definitionen zum Information Retrieval nicht nur das Finden, sondern auch die Aufbereitung und Speicherung des Wissens. Als Datenbasis nutzen die Retrieval Systeme einen Index der durch das Crawling und Aufbereiten von Unternehmens- oder Web-Daten erstellt wurde. Ergänzend oder als Alternative werden (semantische) Wissensdatenbanken als Datenbasis eingesetzt. So nutzt Google die semantische Datenbank «Knowledge Graph» seit der Einführung des Hummingbird-Algorithmus. In klassischen Information Retrieval Systemen wird das Informationsbedürfnis mit Schlüsselwörtern formuliert. Als Resultat werden die als relevant identifizierten Webseiten returniert. Im Gegenzug dient bei Question Answering Systemen eine natürlichsprachliche Frage (e.g. What country is Chur in?) als Anfrage und als Resultat wird eine präzise Information (e.g. Switzerland) returniert.

Relevanz für Unternehmen

Die jährlich weltweit digital generierte Datenmenge explodiert regelrecht und wird von 33 Zettabyte im Jahr 2018 auf prognostizierte 175 Zettabyte im 2025 anwachsen (Reinsel, Gantz, & Rydning, 2018). Es entsteht ein Information Overload. Wissensarbeiter verwenden zwischen 15-25% der Arbeitszeit für die Informationssuche (Feldman & Sherman, 2001).

Durch den gezielten Einsatz von Suchmaschinen kann die Effizienz als auch die Effektivität gesteigert werden (Bahrs, 2009):

  • Verkürzung der Suchzeit (Effizienz)
  • Wiederverwendung vorhandener Information (Effizienz)
  • Gesteigerte Auskunfts- und damit Handlungsfähigkeit (Effektivität)

Fazit

Web- und Unternehmens-Suchmaschinen sind schon weit verbreitet und die technologische Basis ist ausgereift. Viele Benutzerschnittstellen nutzen primär Schlüsselwörter als Form der Anfrage. Chatbots und virtuelle Assistenten-Systeme werden schon heute eingesetzt und bieten vielversprechendes Potential für neue Anwendungsfelder. Grundsätzliche Probleme beim Einsatz entsprechender Technologien und Methoden gelten als gelöst. Welche Form der Anfrage durch den Benutzer zukünftig bevorzugt wird, bleibt zu klären. Prof. Corsin Capol forscht in diesem Bereich.

Autor Prof. Corsin Capol
Corsin Capol doziert an der Fernfachhochschule Schweiz (FFHS) im Fachbereich Data Science. Er ist Professor für Informatik an der Hochschule für Technik und Wirtschaft HTW Chur. Als Gründer und CEO ist er für die strategische Führung des Startups muncca verantwortlich. Seine Forschungsinteressen umfassen Natural Language Processing, Information Retrieval und Information Search and Behavior.

Literatur

  • Reinsel, D., Gantz, J., & Rydning, J. (2018). The digitization of the world: from edge to core.
  • Feldman, S., & Sherman, C. (2001). High Cost of Not Finding Information Information: An IDC White Paper. IDC Technical Report.
  • Manning, C., Raghavan, P., & Schütze, H. (2010). Introduction to information retrieval. Natural Language Engineering.
  • Bahrs, J. (2009). Enterprise Search – Suchmaschinen für Inhalte im Unternehmen. Handbuch Internet-Suchmaschinen.

Bilder : Fotos von Unsplash