DE112019000206T5 - Dynamisches Erstellen und Konfigurieren eines Lernmodells für Dialogagenten - Google Patents

Dynamisches Erstellen und Konfigurieren eines Lernmodells für Dialogagenten Download PDF

Info

Publication number
DE112019000206T5
DE112019000206T5 DE112019000206.6T DE112019000206T DE112019000206T5 DE 112019000206 T5 DE112019000206 T5 DE 112019000206T5 DE 112019000206 T DE112019000206 T DE 112019000206T DE 112019000206 T5 DE112019000206 T5 DE 112019000206T5
Authority
DE
Germany
Prior art keywords
dialog
data
learning model
model
agents
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE112019000206.6T
Other languages
English (en)
Inventor
Giuseppe Ciano
Luigi Pichetti
Pietro Marella
Leonardo Modeo
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of DE112019000206T5 publication Critical patent/DE112019000206T5/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/55—Rule-based translation
    • G06F40/56—Natural language generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/21—Monitoring or handling of messages
    • H04L51/216—Handling conversation history, e.g. grouping of messages in sessions or threads

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Ein Ansatz wird im Hinblick auf ein dynamisches Erstellen und Konfigurieren eines Lernmodells für Dialogagenten beschrieben. Verschiedene Aspekte des Lernmodells für Dialogagenten können ohne fortlaufendes Eingreifen eines Domänenadministrators erstellt und aktualisiert werden. Ein Verfahren, das einen solchen Ansatz betrifft, kann ein Abrufen eines Korpus von Daten betreffen. Das Korpus von Daten kann Datensätze aus einem Satz von Datenablagen und externe Daten enthalten, die Daten aus sozialen Netzwerken oder Anwendungen enthalten. Das Verfahren kann des Weiteren ein Konfigurieren des Lernmodells für Dialogagenten auf Grundlage des abgerufenen Korpus von Daten enthalten. Das Verfahren kann des Weiteren ein Bereitstellen des Lernmodells für Dialogagenten durch Erleichtern einer Interaktion zwischen dem Lernmodell für Dialogagenten und einer Mehrzahl von Kunden enthalten. Das Verfahren kann des Weiteren ein Aktualisieren des Lernmodells für Dialogagenten enthalten, um jegliche Modifizierung des Korpus von Daten zu behandeln.

Description

  • HINTERGRUND
  • Die verschiedenen hierin beschriebenen Ausführungsformen beziehen sich allgemein auf ein Lernmodell für Dialogagenten (z.B. ein Bot-Modell, ein Chatbot-Modell oder ein Dialogmodell). Genauer gesagt, die verschiedenen Ausführungsformen beschreiben Techniken zum dynamischen Erstellen und Konfigurieren eines Lernmodells für Dialogagenten.
  • Kognitive Datenverarbeitungstechniken werden immer häufiger eingesetzt, um eine Kundeninteraktion zu erleichtern. Eine Wissensdatenbank, die die Aspekte von Problembereichen eines kognitiven Datenverarbeitungsmodells herkömmlich untermauert, ist statisch und erfordert konstante Überwachung und Eingreifen durch einen Administrator. Des Weiteren erfordern Mängel im Hinblick auf das kognitive Datenverarbeitungsmodell herkömmlich ein direktes manuelles Eingreifen.
  • KURZDARSTELLUNG
  • Die verschiedenen hierin beschriebenen Ausführungsformen stellen Techniken zum dynamischen Erstellen und Konfigurieren eines Lernmodells für Dialogagenten bereit. Ein zugehöriges Verfahren kann ein Abrufen eines Korpus von Daten enthalten. Das Korpus von Daten kann Datensätze aus einem Satz von Datenablagen und externe Daten enthalten, die Daten aus sozialen Netzwerken oder Anwendungen enthalten. Das Verfahren kann des Weiteren ein Konfigurieren des Lernmodells für Dialogagenten auf Grundlage des abgerufenen Korpus von Daten enthalten. Das Verfahren kann des Weiteren ein Bereitstellen des Lernmodells für Dialogagenten durch Erleichtern einer Interaktion zwischen dem Lernmodell für Dialogagenten und einer Mehrzahl von Kunden enthalten. Das Verfahren kann des Weiteren ein Aktualisieren des Lernmodells für Dialogagenten enthalten, um jegliche Modifizierung des Korpus von Daten zu behandeln.
  • Gemäß einer Ausführungsform kann das Verfahren des Weiteren ein Erkennen zumindest eines Mangels in dem Lernmodell für Dialogagenten und ein Aktualisieren des Lernmodells für Dialogagenten auf Grundlage von Daten enthalten, die infolge der Interaktion zwischen dem Lernmodell für Dialogagenten und der Mehrzahl von Kunden empfangen werden, um den zumindest einen Mangel zu behandeln. Bei einer zusätzlichen Ausführungsform kann das Verfahren des Weiteren ein Empfangen einer Eingabe von einem Domänenadministrator enthalten, um die Interaktion zwischen dem Lernmodell für Dialogagenten und der Mehrzahl von Kunden zu verfeinern. Bei einer weiteren Ausführungsform kann der Schritt zum Aktualisieren des Lernmodells für Dialogagenten, um jegliche Modifizierung des Korpus von Daten zu behandeln, ein dynamisches Anpassen zumindest eines Aspekts des Lernmodells für Dialogagenten auf Grundlage neuer sozialer Entwicklungen enthalten. Bei einer weiteren Ausführungsform kann der Schritt zum Aktualisieren des Lernmodells für Dialogagenten, um jegliche Modifizierung des Korpus von Daten zu behandeln, ein dynamisches Anpassen zumindest eines Aspekts des Lernmodells für Dialogagenten auf Grundlage einer Einführung einer neuen Technologie enthalten.
  • Gemäß einer Ausführungsform kann der Schritt zum Abrufen des Korpus von Daten ein Erkennen einer Mehrzahl von Problemen und ein Erkennen einer Mehrzahl von Lösungen enthalten, die jeweils der Mehrzahl von Problemen entsprechen. Der Schritt zum Abrufen des Korpus von Daten kann des Weiteren ein Erkennen von Kundeninhalt, der der Mehrzahl von Problemen oder der Mehrzahl von Lösungen zugehörig ist, und ein Erkennen jeglicher Einstufungen enthalten, die der Mehrzahl von Lösungen zugehörig sind. Bei einer weiteren Ausführungsform kann der Schritt zum Konfigurieren des Lernmodells für Dialogagenten ein Ableiten einer Mehrzahl von Absichten auf Grundlage der Mehrzahl von Problemen enthalten. Jede der Mehrzahl von Absichten kann einen Zweck oder ein Ziel angeben. Der Schritt zum Konfigurieren des Lernmodells für Dialogagenten kann des Weiteren ein Ableiten einer Mehrzahl von Entitäten enthalten. Bei jeder der Mehrzahl von Entitäten kann es sich um eine Objektklasse oder einen Datentyp handeln, die/der eine Auswahl zumindest einer Aktion auf Grundlage der Mehrzahl von Lösungen ermöglicht, um eine oder mehrere der Mehrzahl von Absichten zu behandeln. Der Schritt zum Konfigurieren des Lernmodells für Dialogagenten kann des Weiteren ein Ermitteln einer Mehrzahl von Dialogabschnitten enthalten. Jeder der Mehrzahl von Dialogabschnitten kann Dialogtext enthalten, um eine oder mehrere der Mehrzahl von Absichten infolge eines Anwendens der zumindest einen Aktion auf eine oder mehrere der Mehrzahl von Entitäten zu behandeln. Bei einer weiteren Ausführungsform kann der Schritt zum Aktualisieren des Lernmodells für Dialogagenten, um den zumindest einen Mangel zu behandeln, ein Aufnehmen zumindest einer neuen Absicht in die Mehrzahl von Absichten oder ein Aufnehmen zumindest einer neuen Entität in die Mehrzahl von Entitäten enthalten.
  • Gemäß einer weiteren Ausführungsform kann der Schritt zum Bereitstellen des Lernmodells für Dialogagenten ein Initialisieren zumindest einer Modellinstanz enthalten. Die zumindest eine Modellinstanz kann zumindest eine Dialogschnittstelle enthalten, die zumindest einem der Mehrzahl von Kunden zugänglich ist. Der Schritt zum Bereitstellen des Lernmodells für Dialogagenten kann des Weiteren ein Klassifizieren von Dialoginhalt, der über die zumindest eine Dialogschnittstelle empfangen wird, der zumindest eine Absicht, die aus dem Dialoginhalt abgeleitet worden ist, und zumindest eine Entität enthält, die aus dem Dialoginhalt abgeleitet worden ist, auf Grundlage von Aspekten des Lernmodells für Dialogagenten enthalten. Der Schritt zum Bereitstellen des Lernmodells für Dialogagenten kann des Weiteren ein Ermitteln einer Dialogausgabe, die zumindest einen Dialogabschnitt aus der Mehrzahl von Dialogabschnitten enthält, auf Grundlage der Klassifizierung des Dialoginhalts enthalten. Bei einer weiteren Ausführungsform kann die Dialogausgabe einen unstrukturierten Dialog enthalten. Bei einer weiteren Ausführungsform kann der Schritt zum Bereitstellen des Lernmodells für Dialogagenten des Weiteren in Reaktion auf zumindest eine Modifizierung des Dialoginhalts ein Aktualisieren der zumindest einen Absicht, die aus dem Dialoginhalt abgeleitet worden ist, und ein Aktualisieren des zumindest einen Dialogabschnitts auf Grundlage der aktualisierten zumindest einen Absicht enthalten.
  • Gemäß einer weiteren Ausführungsform kann die Dialogausgabe Dialogtext zum Behandeln der zumindest einen Absicht, die aus dem Dialoginhalt abgeleitet worden ist, durch Anwenden zumindest einer Aktion auf die zumindest eine Entität enthalten, die aus dem Dialoginhalt abgeleitet worden ist. Bei einer weiteren Ausführungsform kann der Schritt zum Klassifizieren des Dialoginhalts ein Zuordnen der zumindest einen Absicht, die aus dem Dialoginhalt abgeleitet worden ist, zu zumindest einer Absicht aus der Mehrzahl von Absichten und ein Zuordnen der zumindest einen Entität, die aus dem Dialoginhalt abgeleitet worden ist, zu zumindest einer Entität aus der Mehrzahl von Entitäten enthalten. Bei einer weiteren Ausführungsform kann der Schritt zum Klassifizieren des Dialoginhalts ein Anwenden zumindest einer Erkennungstechnik in Reaktion auf das Ermitteln, dass der Dialoginhalt unstrukturierten Inhalt enthält, auf den unstrukturierten Inhalt, um ein Artefakt auf Grundlage von einheitlichem Text zu erzeugen, und ein Ausführen einer semantischen Analyse des Artefakts auf Grundlage von einheitlichem Text durch ein System zur Datenverarbeitung mit künstlicher Intelligenz zum Klassifizieren des unstrukturierten Inhalts enthalten.
  • Gemäß einer weiteren Ausführungsform kann der Schritt zum Konfigurieren des Lernmodells für Dialogagenten ein Anwenden zumindest einer Erkennungstechnik in Reaktion auf das Ermitteln, dass das Korpus von Daten unstrukturierten Inhalt enthält, auf den unstrukturierten Inhalt, um ein Artefakt auf Grundlage von einheitlichem Text zu erzeugen, ein Ausführen einer semantischen Analyse des Artefakts auf Grundlage von einheitlichem Text durch ein System zur Datenverarbeitung mit künstlicher Intelligenz zum Klassifizieren des unstrukturierten Inhalts und ein Aktualisieren des Lernmodells für Dialogagenten auf Grundlage der Klassifizierung des unstrukturierten Inhalts enthalten.
  • Eine zusätzliche Ausführungsform enthält ein Computerprogrammprodukt, das ein durch einen Computer lesbares Speichermedium enthält, in dem Programmanweisungen verkörpert sind. Gemäß einer solchen Ausführungsform können die Programmanweisungen durch eine Datenverarbeitungseinheit ausführbar sein, um zu bewirken, dass die Datenverarbeitungseinheit einen oder mehrere Schritte des oben genannten Verfahrens durchführt. Eine weitere Ausführungsform enthält ein System, das einen Prozessor und einen Hauptspeicher enthält, der ein Anwendungsprogramm speichert, das, wenn es in dem Prozessor ausgeführt wird, einen oder mehrere Schritte des oben genannten Verfahrens durchführt.
  • Figurenliste
  • Damit die Weise, in der die oben genannten Aspekte erreicht werden, genau zu verstehen ist, kann eine genauere Beschreibung von Ausführungsformen, die oben kurz dargestellt wurden, den beigefügten Zeichnungen entnommen werden.
  • Es ist jedoch zu beachten, dass die beigefügten Zeichnungen lediglich typische Ausführungsformen dieser Erfindung veranschaulichen und daher nicht als deren Umfang beschränkend zu betrachten sind, da die Erfindung sonstige gleichermaßen wirksame Ausführungsformen beinhalten kann.
    • 1A veranschaulicht eine Datenverarbeitungs-Infrastruktur, die eine Client-Server-Konfiguration im Hinblick auf ein Lernmodell für Dialogagenten gemäß einer Ausführungsform darstellt.
    • 1B veranschaulicht eine schematische Ansicht im Hinblick auf ein Lernmodell für Dialogagenten gemäß einer Ausführungsform.
    • 2 veranschaulicht ein Verfahren zum Erstellen eines Lernmodells für Dialogagenten gemäß einer Ausführungsform.
    • 3 veranschaulicht ein Verfahren zum Abrufen eines Korpus von Daten gemäß einer Ausführungsform.
    • 4 veranschaulicht ein Verfahren zum Konfigurieren eines Lernmodells für Dialogagenten gemäß einer Ausführungsform.
    • 5 veranschaulicht ein Verfahren zum Bereitstellen eines Lernmodells für Dialogagenten gemäß einer Ausführungsform.
    • 6 veranschaulicht ein Verfahren zum Klassifizieren von Dialoginhalt gemäß einer Ausführungsform.
    • 7 veranschaulicht ein Verfahren zum Klassifizieren von Dialoginhalt gemäß einer weiteren Ausführungsform.
    • 8 veranschaulicht ein Verfahren zum Konfigurieren eines Lernmodells für Dialogagenten gemäß einer weiteren Ausführungsform.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Die verschiedenen hierin beschriebenen Ausführungsformen beschreiben Techniken zum dynamischen Erstellen und Konfigurieren eines Lernmodells für Dialogagenten. Gemäß den verschiedenen Ausführungsformen können verschiedene Aspekte des Lernmodells für Dialogagenten ohne fortlaufendes Eingreifen eines Domänenadministrators erstellt und aktualisiert werden. Ein Domänenadministrator kann gegebenenfalls Aspekte des Lernmodells für Dialogagenten verfeinern.
  • Die verschiedenen hierin beschriebenen Ausführungsformen können Vorteile gegenüber herkömmlichen Techniken aufweisen. Im Besonderen durch unabhängiges Abrufen eines Korpus von Daten, der die Aspekte von Problembereichen eines Lernmodells für Dialogagenten untermauert, ermöglichen die verschiedenen Ausführungsformen eine dynamische und unabhängige Konfiguration und Aktualisierung eines solchen Modells. Des Weiteren kann das Korpus von Daten, das zum Konfigurieren des Lernmodells für Dialogagenten gemäß den verschiedenen Ausführungsformen abgerufen wird, mehrere Datenquellen enthalten. Zu solchen Datenquellen können ein Satz von Datenablagen, der eine Wissensdatenbank und Analysedaten enthalten kann, sowie externe Datenquellen zählen, die Social-Networking-Daten enthalten können. Zusätzlich kann die Dialoginteraktion zwischen einer Mehrzahl von Kunden und jeweiligen Instanzen des Lernmodells für Dialogagenten gemäß den verschiedenen Ausführungsformen unstrukturierten Inhalt (z.B. audiovisuelle Aspekte) sowie strukturierten Textinhalt enthalten. Da die enthaltenen Datenquellen Daten enthalten können die für jeden einer Mehrzahl von Kunden spezifisch sind, kann das Lernmodell für Dialogagenten gemäß den verschiedenen Ausführungsformen des Weiteren die kundenspezifischen Daten nutzen, um Modellaspekte auf Kundenbedürfnisse zuzuschneiden. Eine verstärkte Automatisierung und eine größere Fähigkeit zum Anpassen von Aspekten des Lernmodells für Dialogagenten gemäß den verschiedenen Ausführungsformen kann zu einer erhöhten Kundenzufriedenheit und zu einem verbesserten Prozess zur Pflege der Kundenbeziehungen im Verhältnis zu herkömmlichen kognitiven Modellen führen. Einige der verschiedenen Ausführungsformen enthalten möglicherweise nicht alle diese Vorteile, und diese Vorteile werden nicht zwingend von sämtlichen Ausführungsformen benötigt.
  • Im Folgenden wird auf verschiedene Ausführungsformen der Erfindung Bezug genommen. Es versteht sich jedoch, dass die Erfindung nicht auf spezifische beschriebene Ausführungsformen beschränkt ist. Vielmehr wird jede Kombination der folgenden Merkmale und Elemente, unabhängig davon, ob sie sich auf verschiedene Ausführungsformen beziehen, als die Erfindung ausführend und umsetzend betrachtet. Wenngleich Ausführungsformen Vorteile gegenüber sonstigen möglichen Lösungen und/oder gegenüber dem Stand der Technik erzielen können, besteht keine Einschränkung dadurch, ob ein bestimmter Vorteil durch eine bestimmte Ausführungsform erzielt wird. Die folgenden Aspekte, Merkmale, Ausführungsformen und Vorteile dienen folglich nur zur Veranschaulichung und werden nicht als Elemente oder Beschränkungen der beigefügten Ansprüche betrachtet, es sei denn, wo dies ausdrücklich in einem oder mehreren Ansprüchen angegeben wird. Gleichermaßen ist eine Bezugnahme auf „die Erfindung“ nicht als Verallgemeinerung eines beliebigen, hierin offenbarten erfindungsgemäßen Gegenstandes auszulegen und ist nicht als Element oder Beschränkung der beigefügten Ansprüche zu betrachten, es sei denn, wo dies ausdrücklich in einem oder mehreren Ansprüchen angegeben wird.
  • Bei der vorliegenden Erfindung kann es sich um ein System, ein Verfahren und/oder ein Computerprogrammprodukt mit einem beliebigen Integrationsgrad technischer Details handeln. Das Computerprogrammprodukt kann (ein) durch einen Computer lesbare(s) Speichermedium (oder -medien) enthalten, auf dem/denen durch einen Computer lesbare Programmanweisungen gespeichert ist/sind, um einen Prozessor dazu zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen.
  • Bei dem durch einen Computer lesbaren Speichermedium kann es sich um eine physische Einheit handeln, die Anweisungen zur Verwendung durch eine Einheit zur Ausführung von Anweisungen behalten und speichern kann. Bei dem durch einen Computer lesbaren Speichermedium kann es sich zum Beispiel um eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiterspeichereinheit oder jede geeignete Kombination daraus handeln, ohne auf diese beschränkt zu sein. Zu einer nicht erschöpfenden Liste spezifischerer Beispiele des durch einen Computer lesbaren Speichermediums gehören die Folgenden: eine tragbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein Festwertspeicher (ROM), ein löschbarer programmierbarer Festwertspeicher (EPROM bzw. Flash-Speicher), ein statischer Direktzugriffsspeicher (SRAM), ein tragbarer Kompaktspeicherplatten-Festwertspeicher (CD-ROM), eine DVD (digital versatile disc), ein Speicher-Stick, eine Diskette, eine mechanisch codierte Einheit wie zum Beispiel Lochkarten oder erhabene Strukturen in einer Rille, auf denen Anweisungen gespeichert sind, und jede geeignete Kombination daraus. Ein durch einen Computer lesbares Speichermedium soll in der Verwendung hierin nicht als flüchtige Signale an sich aufgefasst werden, wie zum Beispiel Funkwellen oder andere sich frei ausbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder ein anderes Übertragungsmedium ausbreiten (z.B. durch ein Glasfaserkabel geleitete Lichtimpulse) oder durch einen Draht übertragene elektrische Signale.
  • Hierin beschriebene, durch einen Computer lesbare Programmanweisungen können von einem durch einen Computer lesbaren Speichermedium auf jeweilige Datenverarbeitungs-/Verarbeitungseinheiten oder über ein Netzwerk wie zum Beispiel das Internet, ein lokales Netzwerk, ein Weitverkehrsnetz und/oder ein drahtloses Netzwerk auf einen externen Computer oder eine externe Speichereinheit heruntergeladen werden. Das Netzwerk kann Kupferübertragungskabel, Lichtwellenübertragungsleiter, drahtlose Übertragungssysteme, Router, Firewalls, Switches, Gateway-Computer und/oder Edge-Server aufweisen. Eine Netzwerkadapterkarte oder Netzwerkschnittstelle in jeder Datenverarbeitungs-/Verarbeitungseinheit empfängt durch einen Computer lesbare Programmanweisungen aus dem Netzwerk und leitet die durch einen Computer lesbaren Programmanweisungen zur Speicherung in einem durch einen Computer lesbaren Speichermedium innerhalb der entsprechenden Datenverarbeitungs-/Verarbeitungseinheit weiter.
  • Bei durch einen Computer lesbaren Programmanweisungen zum Ausführen von Arbeitsschritten der vorliegenden Erfindung kann es sich um Assembler-Anweisungen, ISA-Anweisungen (Instruction-Set-Architecture), Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, zustandssetzende Daten oder entweder Quellcode oder Objektcode handeln, die in einer beliebigen Kombination aus einer oder mehreren Programmiersprachen geschrieben werden, darunter objektorientierte Programmiersprachen wie Smalltalk, C++ o.ä. sowie herkömmliche prozedurale Programmiersprachen wie die Programmiersprache „C“ oder ähnliche Programmiersprachen. Die durch einen Computer lesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Software-Paket, teilweise auf dem Computer des Benutzers und teilweise auf einem entfernt angeordneten Computer oder vollständig auf dem entfernt angeordneten Computer oder Server ausgeführt werden. In letzterem Fall kann der entfernt angeordnete Computer mit dem Computer des Benutzers durch eine beliebige Art Netzwerk verbunden sein, darunter ein lokales Netzwerk (LAN) oder ein Weitverkehrsnetz (WAN), oder die Verbindung kann mit einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Verwenden eines Internet-Dienstanbieters). In einigen Ausführungsformen können elektronische Schaltungen, darunter zum Beispiel programmierbare Logikschaltungen, im Feld programmierbare Gatter-Anordnungen (FPGA, field programmable gate arrays) oder programmierbare Logikanordnungen (PLA, programmable logic arrays) die durch einen Computer lesbaren Programmanweisungen ausführen, indem sie Zustandsdaten der durch einen Computer lesbaren Programmanweisungen nutzen, um die elektronischen Schaltungen zu personalisieren, um Aspekte der vorliegenden Erfindung durchzuführen.
  • Aspekte der vorliegenden Erfindung sind hierin unter Bezugnahme auf Ablaufpläne und/oder Blockschaubilder von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es wird darauf hingewiesen, dass jeder Block der Ablaufpläne und/oder der Blockschaubilder sowie Kombinationen von Blöcken in den Ablaufplänen und/oder den Blockschaubildern mittels durch einen Computer lesbare Programmanweisungen ausgeführt werden können.
  • Diese durch einen Computer lesbaren Programmanweisungen können einem Prozessor eines Universalcomputers, eines Spezialcomputers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu erzeugen, so dass die über den Prozessor des Computers bzw. der anderen programmierbaren Datenverarbeitungsvorrichtung ausgeführten Anweisungen Mittel zur Umsetzung der in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaubilder festgelegten Funktionen/Schritte erzeugen. Diese durch einen Computer lesbaren Programmanweisungen können auch in einem durch einen Computer lesbaren Speichermedium gespeichert sein, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Art funktionieren, so dass das durch einen Computer lesbare Speichermedium, in dem Anweisungen gespeichert sind, ein Herstellungsprodukt aufweist, darunter Anweisungen, welche Aspekte der/des in dem Block bzw. den Blöcken des Ablaufplans und/oder der Blockschaubilder angegebenen Funktion/Schritts umsetzen.
  • Die durch einen Computer lesbaren Programmanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungsvorrichtung oder eine andere Einheit geladen werden, um das Ausführen einer Reihe von Prozessschritten auf dem Computer bzw. der anderen programmierbaren Vorrichtung oder anderen Einheit zu verursachen, um einen auf einem Computer ausgeführten Prozess zu erzeugen, so dass die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführten Anweisungen die in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaubilder festgelegten Funktionen/Schritte umsetzen.
  • Die Ablaufpläne und die Blockschaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Ausführungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. In diesem Zusammenhang kann jeder Block in den Ablaufplänen oder Blockschaubildern ein Modul, ein Segment oder einen Teil von Anweisungen darstellen, die eine oder mehrere ausführbare Anweisungen zur Ausführung der bestimmten logischen Funktion(en) aufweisen. In einigen alternativen Ausführungen können die in dem Block angegebenen Funktionen in einer anderen Reihenfolge als in den Figuren gezeigt stattfinden. Zwei nacheinander gezeigte Blöcke können zum Beispiel in Wirklichkeit im Wesentlichen gleichzeitig ausgeführt werden, oder die Blöcke können manchmal je nach entsprechender Funktionalität in umgekehrter Reihenfolge ausgeführt werden. Es ist ferner anzumerken, dass jeder Block der Blockschaubilder und/oder der Ablaufpläne sowie Kombinationen aus Blöcken in den Blockschaubildern und/oder den Ablaufplänen durch spezielle auf Hardware beruhende Systeme umgesetzt werden können, welche die festgelegten Funktionen oder Schritte durchführen, oder Kombinationen aus Spezial-Hardware und Computeranweisungen ausführen.
  • Die verschiedenen hierin beschriebenen Ausführungsformen können Endbenutzern durch eine Cloud-Computing-Infrastruktur bereitgestellt werden. Cloud-Computing bezieht sich allgemein auf die Bereitstellung skalierbarer Datenverarbeitungs-Ressourcen als Dienst über ein Netzwerk. Formeller ausgedrückt, kann Cloud-Computing als Datenverarbeitungsfunktionalität definiert werden, die eine Abstraktion zwischen der Datenverarbeitungs-Ressource und ihrer zugrunde liegenden technischen Architektur (z.B. Server, Speicher, Netzwerke) bereitstellt, wodurch ein praktischer, bedarfsgesteuerter Netzwerkzugriff auf einen gemeinsam genutzten Pool von konfigurierbaren Datenverarbeitungs-Ressourcen ermöglicht wird, die schnell mit möglichst geringem Verwaltungsaufwand oder möglichst geringer Interaktion mit einem Dienstanbieter bereitgestellt und freigegeben werden können. Auf diese Weise ermöglicht Cloud-Computing einem Benutzer, auf virtuelle Datenverarbeitungs-Ressourcen (z.B. Speicher, Daten, Anwendungen und sogar vollständige virtualisierte Datenverarbeitungssysteme) in der Cloud zuzugreifen, ohne die zugrunde liegenden physischen Systeme (oder Standorte dieser Systeme) zu behandeln, die zum Bereitstellen der Datenverarbeitungs-Ressourcen verwendet werden.
  • Üblicherweise werden Cloud-Computing-Ressourcen einem Benutzer auf Grundlage einer nutzungsabhängigen Vergütung bereitgestellt, bei der Benutzern lediglich die tatsächlich genutzten Datenverarbeitungs-Ressourcen (z.B. eine Menge an Speicherplatz, die durch einen Benutzer in Anspruch genommen wird, oder eine Anzahl von virtualisierten Systemen, die durch den Benutzer instanziiert werden) in Rechnung gestellt werden. Ein Benutzer kann jederzeit und von jedem Ort aus über das Internet auf beliebige der Ressourcen zugreifen, die sich in der Cloud befinden. Im Rahmen dieser Offenbarung können Verarbeitungsprozesse eines Client-Datenverarbeitungssystems oder eines Server-Systems, auf dem eine Anwendung gemäß den verschiedenen hierin beschriebenen Ausführungsformen ausgeführt wird, in einer Datenverarbeitungs-Cloud bereitgestellt werden. Darüber hinaus können Datenbanksysteme auf Grundlage einer Cloud, virtuelle Maschinen und eine Vielfalt sonstiger Server-Anwendungen zum Verwalten solcher Verarbeitungsprozesse verwendet werden.
  • Jeweilige Ausführungsformen beschreiben Techniken zum Erstellen und Konfigurieren eines Lernmodells für Dialogagenten. Es versteht sich jedoch, dass die hierin beschriebenen Techniken zusätzlich zu den hierin besonders beschriebenen an eine Vielfalt von Zwecken angepasst werden können. Dementsprechend sollen Bezugnahmen auf bestimmte Ausführungsformen der Veranschaulichung dienen und nicht beschränkend sein.
  • 1A veranschaulicht eine Datenverarbeitungs-Infrastruktur 100 gemäß einer Ausführungsform. Wie dargestellt, enthält die Datenverarbeitungs-Infrastruktur 100 ein Client-Datenverarbeitungssystem 105, eine Modellsystem-Schnittstelle 135, ein Modell-Server-System 137, externe Quellen 165 (z.B. soziale Netzwerke und/oder soziale Anwendungen) und externe Dienstanbieter 167 (z.B., Anbieter von externen Chatbot-Diensten in Form von Software as a Service), die jeweils mit einem Datenübertragungs-Netzwerk 175 verbunden sein können. Wenngleich das Client-Datenverarbeitungssystem 105 und das Modell-Server-System 137 in 1A veranschaulicht werden, kann die Datenverarbeitungs-Infrastruktur 100 eine beliebige Anzahl von Datenverarbeitungssystemen enthalten und kann im Besonderen eine beliebige Anzahl von Client-Systemen und/oder Server-Systemen enthalten.
  • Zur Veranschaulichung kann das Client-Datenverarbeitungssystem 105 einen Hauptspeicher 107, einen Speicher 109, eine Schnittstelle 111 für Client-Eingabe-/Ausgabe(E/A)-Einheiten, eine Zentraleinheit (central processing unit, CPU) 113 und eine Client-Netzwerk-Schnittstelle 115 enthalten, die sämtlich über eine Verbindung 117 (z.B. einen Bus) miteinander verbunden sein können. Wenngleich es als einzelnes Datenverarbeitungssystem dargestellt wird, soll das Client-Datenverarbeitungssystem 105 für einen einzelnen Client oder mehrere Clients repräsentativ sein. Bei einer Ausführungsform kann es sich bei dem Client-Datenverarbeitungssystem 105 um einen Thin-Client handeln. Der Hauptspeicher 107 kann eine Client-Anwendung 119 enthalten. Bei der Client-Anwendung 119 kann es sich um eine Online- oder Netzwerkanwendung handeln, die zum Herstellen einer Verbindung mit dem Modell-Server-System 137 und sonstigen Datenverarbeitungssystemen konfiguriert ist. Die Client-Anwendung 119 kann eine Anwendungsschnittstelle 121 enthalten. Die Anwendungsschnittstelle 121 kann eine Modellinstanz 123 (z.B. eine Dialogagenteninstanz, eine Bot-Instanz oder eine Chatbot-Instanz) zum Interagieren mit einem oder mehreren sonstigen Aspekten eines Lernmodells für Dialogagenten enthalten, das über das Modell-Server-System 137 erstellt und konfiguriert ist. Die Modellinstanz 123 kann eine graphische Benutzeroberfläche (graphical user interface, GUI) enthalten, die verschiedene Elemente aufweist, um eine Interaktion zwischen einem Kunden und dem Lernmodell für Dialogagenten zu erleichtern, z.B. Textfelder, Optionsfelder, Drop-down-Menüs usw. Zusätzlich oder alternativ kann die Modellinstanz 123 eine Befehlszeilen-Schnittstelle enthalten, um eine Interaktion zwischen dem Kunden und dem Lernmodell für Dialogagenten zu erleichtern. Der Speicher 109 kann Client-Anwendungsdaten 125 enthalten, die der Client-Anwendung 119 zugehörig sind. Die Client-Anwendungsdaten 125 können Daten im Hinblick auf jegliche Interaktion zwischen dem Kunden und der Modellinstanz 123 enthalten. Die Schnittstelle 111 für Client-E/A-Einheiten kann zur Datenübertragung mit einer oder mehreren Client-E/A-Einheiten 127 verbunden sein. Die CPU 113 soll in 1A eine einzelne CPU, mehrere CPUs, eine einzelne CPU mit mehreren Verarbeitungskernen oder dergleichen darstellen. Die Client-Netzwerk-Schnittstelle 115 kann Daten über das Netzwerk 175 von dem Modell-Server-System 137 empfangen und an dieses senden. Das Client-Datenverarbeitungssystem 105 kann zum Herstellen einer Verbindung mit sonstigen Server-Systemen in der Datenverarbeitungs-Infrastruktur 100 konfiguriert sein und/oder kann zum Herstellen einer Verbindung mit Server-Systemen außerhalb der Datenverarbeitungs-Infrastruktur 100 konfiguriert sein.
  • Die Modellsystem-Schnittstelle 135 kann als Dienstverwaltung oder als Control-Desk-Verwaltung im Hinblick auf das Client-Datenverarbeitungssystem 105 sowie jegliche sonstige Datenverarbeitungssysteme dienen, die eine Verbindung mit dem Modell-Server-System 137 herstellen. Die Modellsystem-Schnittstelle 135 kann eine Datenübertragung über das Netzwerk 175 zu und von dem Modell-Server-System 137 erleichtern. Im Besonderen kann die Modellsystem-Schnittstelle 135 Daten über das Netzwerk 175 von dem Client-Datenverarbeitungssystem 105 empfangen und an dieses senden. Gemäß einer Ausführungsform kann es sich bei der Modellsystem-Schnittstelle 135 um ein von dem Modell-Server-System 137 getrenntes Datenverarbeitungssystem handeln, das einen getrennten Prozessor, einen Hauptspeicher und/oder einen Speicher enthält. Alternativ kann es sich bei der Modellsystem-Schnittstelle 135 um einen Bestandteil (z.B. eine Software-Anwendung und/oder eine Hardware-Entität) des Modell-Server-Systems 137 handeln.
  • Das Modell-Server-System 137 kann einen Hauptspeicher 139, einen Speicher 141, eine Schnittstelle 143 für Server-E/A-Einheiten und eine CPU 145 enthalten, die sämtlich über eine Verbindung 147 (z.B. einen Bus) miteinander verbunden sein können. Wenngleich es als einzelnes Datenverarbeitungssystem dargestellt wird, soll das Modell-Server-System 137 für ein einzelnes Server-System oder mehrere Server-Systeme repräsentativ sein. Bei dem Modell-Server-System 137 kann es sich um ein automatisiertes Dienstverwaltungssystem handeln. Der Hauptspeicher 139 kann eine Modell-Advisor-Funktion 149 und ein Datenbank-Verwaltungssystem (database management system, DBMS) 151 enthalten. Wie hierin des Weiteren beschrieben wird, kann es sich bei der Modell-Advisor-Funktion 149 um eine Anwendung zum Erstellen und Konfigurieren des Lernmodells für Dialogagenten gemäß den verschiedenen hierin beschriebenen Ausführungsformen handeln. Das DBMS 151 soll für ein einzelnes Datenbank-Verwaltungssystem oder für mehrere Datenbank-Verwaltungssysteme repräsentativ sein. Der Speicher 141 kann Daten 153 der Modell-Advisor-Funktion, Modellrichtlinien 155 und einen Satz von Datenablagen 157 enthalten. Die Modell-Advisor-Funktion 149 kann die Daten 153 der Modell-Advisor-Funktion auf Grundlage einer Interaktion mit dem Client-Datenverarbeitungssystem 105 und/oder sonstigen Datenverarbeitungssystemen erzeugen und verarbeiten. Die Daten 153 der Modell-Advisor-Funktion können eine Mehrzahl von Modelldiensten enthalten, die Chatbot-Dienste „vor Ort“ enthalten können. Die Daten 153 der Modell-Advisor-Funktion können einen oder mehrere Verweise auf externe Modelldienste enthalten, die durch externe Dienstanbieter 167 angeboten werden. Die Daten 153 der Modell-Advisor-Funktion können des Weiteren Daten im Hinblick auf solche externen Modelldienste enthalten. Solche externen Modelldienste können in Form von Software as a Service vorliegen. Die Modell-Advisor-Funktion 149 kann eine Datenbank-Abfrageanforderung (z.B. eine von dem Client-Datenverarbeitungssystem 105 empfangene Abfrage) an das DBMS 151 senden, und das DBMS 151 kann eine solche Abfrage z.B. auf Grundlage von Daten in dem Satz von Datenablagen 157 verarbeiten. Das DBMS 151 kann eine Software-Anwendung enthalten, die zum Verwalten des Satzes von Datenablagen 157 konfiguriert ist.
  • Der Satz von Datenablagen 157 kann eine oder mehrere relationale Datenbanken enthalten. Darüber hinaus kann der Satz von Datenablagen 157 eine oder mehrere Ontologiebaumstrukturen oder sonstige ontologische Strukturen enthalten. Wenngleich 1A vier Datenablagen aus dem Satz von Datenablagen 157 veranschaulicht, kann die Datenverarbeitungs-Infrastruktur 100 eine beliebige Anzahl von Datenablagen enthalten. Gemäß einer Ausführungsform kann das DBMS 151 eine oder mehrere Anforderungen über das Netzwerk 175 an (nicht dargestellte) entfernt angeordnete Datenbanken senden. Die Schnittstelle 143 für Server-E/A-Einheiten kann zur Datenübertragung mit einer oder mehreren Server-E/A-Einheiten 159 verbunden sein. Die CPU 145 soll in 1A eine einzelne CPU, mehrere CPUs, eine einzelne CPU mit mehreren Verarbeitungskernen und dergleichen darstellen. Die Modell-Advisor-Funktion 149 kann Anforderungen annehmen, die durch das Client-Datenverarbeitungssystem 105 an das Modell-Server-System 137 gesendet werden, und kann des Weiteren Daten über die Modellsystem-Schnittstelle 135 an das Client-Datenverarbeitungssystem 105 senden. Die externen Quellen 165 und/oder die externen Dienstanbieter 167 können externe Daten über die Modellsystem-Schnittstelle 135 an die Modell-Advisor-Funktion 149 senden oder können auf andere Weise Daten mit dieser austauschen.
  • Bei einer Ausführungsform können eine oder mehrere Funktionen im Zusammenhang mit einem Erstellen und Konfigurieren des Lernmodells für Dialogagenten außerhalb des Modell-Server-Systems 137 ausgeführt werden. Gemäß einer solchen Ausführungsform kann die Modell-Advisor-Funktion 149 Daten mit Anwendungen außerhalb des Modell-Server-Systems 137 austauschen, um Daten oder Ergebnisse im Zusammenhang mit einer Modellkonfiguration zu gewinnen. Des Weiteren können gemäß einer solchen Ausführungsform ein Datenbank-Verwaltungssystem und eine oder mehrere Datenbanken außerhalb des Modell-Server-Systems 137 Daten oder Funktionen, die für eine Modellkonfiguration erforderlich sind, für die Modell-Advisor-Funktion 149 oder für sonstige Komponenten des Modell-Server-Systems 137 bereitstellen.
  • 1B veranschaulicht eine schematische Ansicht 180 im Hinblick auf ein Lernmodell für Dialogagenten gemäß einer Ausführungsform. Wie dargestellt, können Kunden 1851 bis 185n mit Modellinstanzen 1231 bis 123n über Anwendungsschnittstellen 1211 bis 121n interagieren, die über jeweilige Client-Anwendungen in jeweiligen Client-Datenverarbeitungssystemen angeboten werden. Die Modell-Advisor-Funktion 149 kann mit den Kunden 1851 bis 185n über die Modellinstanzen 1231 bis 123n interagieren, indem sie Daten von der Modellsystem-Schnittstelle 135 empfängt und Daten an diese sendet. Dementsprechend kann die Modellsystem-Schnittstelle 135 eine Datenübertragung zwischen den Kunden 1851 bis 185n und der Modell-Advisor-Funktion 149 erleichtern. Des Weiteren kann die Modell-Advisor-Funktion 149 externe Daten über die Modellsystem-Schnittstelle 135 von den externen Quellen 165 gewinnen oder auf andere Weise Daten mit diesen austauschen. Im Besonderen kann die Modell-Advisor-Funktion 149 solche externen Daten über Plug-ins 195 gewinnen, die eine Datenextraktion aus den externen Quellen 165 erleichtern können. Beispielsweise können ein oder mehrere der Plug-ins 195 eine Extraktion von Benutzerinhalt (z.B. Benutzerkommentaren, Photos, usw.) aus einem sozialen Netzwerk oder einer sozialen Anwendung erleichtern, so dass der Inhalt zur Analyse und/oder Verarbeitung an die Modell-Advisor-Funktion 149 gesendet werden kann. Darüber hinaus kann die Modell-Advisor-Funktion 149 über die Modellsystem-Schnittstelle 135 Daten mit den externen Modelldiensten 167 austauschen. Gemäß einer alternativen Ausführungsform kann die Modell-Advisor-Funktion 149 externe Daten direkt von den externen Quellen 165 und/oder den externen Modelldiensten 167 gewinnen.
  • Wie in 1B dargestellt, kann die Modellsystem-Schnittstelle 135 des Weiteren eine Datenübertragung zwischen den Kunden 1851 bis 185n und dem Satz von Datenablagen 157 erleichtern. Darüber hinaus kann die Modell-Advisor-Funktion 149 Daten mit einer oder mehreren des Satzes von Datenablagen 157 austauschen. Im Besonderen kann es sich bei der Datenablage 1571 um eine Kundendatenablage handeln, die Daten enthält, die einem oder mehreren der Kunden 1851 bis 185n zugehörig sind, zum Beispiel vorhergehende Kundeneingaben, -kommentare usw. Bei der Datenablage 1572 kann es sich um eine Wissensdatenbankablage handeln, die eine oder mehrere Wissensdatenbanken enthält. (Eine) solche Wissensdatenbank(en) kann/können Datensätze verschiedener Lösungen entsprechend jeweiligen Problemen (z.B. Kundenanfragen, -problemen, und/oderaufgaben, die möglicherweise von einem oder mehreren Client-Datenverarbeitungssystemen über eine oder mehrere der Modellinstanzen 1231 bis 123n empfangen worden sind) enthalten. (Eine) solche Wissensdatenbank(en) kann/können des Weiteren Analysedaten auf Grundlage eines oder mehrerer Aspekte einer Interaktion zwischen dem Lernmodell für Dialogagenten und einem oder mehreren der Kunden 1851 bis 185n sowie Analysedaten in Bezug auf allgemeine Aspekte des Lernmodells für Dialogagenten einschließlich Datenablagedaten, externen Daten und Kundendaten (z.B. Service-Desk-Analysen) enthalten. Darüber hinaus kann die Modell-Advisor-Funktion 149 (eine) solche Wissensdatenbank(en) während des Prozesses zum Auswählen zumindest eines Modelldienstes in Reaktion auf eine Kundendienstanforderung abfragen. Bei der Datenablage 1573 kann es sich um eine Datenablage von Störungen/Modifizierungen handeln, die eine oder mehrere Datenbanken von Störungen und Modifizierungen enthalten kann. Die Datenbank(en) von Störungen und Modifizierungen kann/können Datensätze sämtlicher offenen Probleme und/oder gelösten Probleme enthalten. Bei der Datenablage 1574 kann es sich um eine Protokolldatenablage handeln, die ein oder mehrere Protokolle enthält. Das eine oder die mehreren Protokolle können jeweils Datensätze von verfolgten Austauschvorgängen von Daten zwischen einem oder mehreren der Kunden 1851 bis 185n und dem Modell-Server-System 137 enthalten. Bei den Datenablagen 1571 bis 1574 aus dem Satz von Datenablagen 157 handelt es sich lediglich um Beispiele. Bei alternativen Ausführungsformen kann der Satz von Datenablagen 157 einen Teilsatz von Datenablagen 1571 bis 1574 und/oder zusätzliche Datenablagen enthalten.
  • Wie in 1B dargestellt, kann die Modell-Advisor-Funktion 149 des Weiteren die Modellrichtlinien 155 abfragen und/oder aktualisieren. Die Modellrichtlinien 155 können einen Satz von Regeln, die angeben, wie und/oder wann eine oder mehrere der Modellinstanzen 1231 bis 123n zu aktualisieren sind, oder sonstige Aspekte des Lernmodells für Dialogagenten wie zum Beispiel Inhalt innerhalb des Satzes von Datenablagen 157 enthalten. Bei einer Ausführungsform können die Modellrichtlinien 155 eine oder mehrere Regeln enthalten, die eine oder mehrere Richtlinien für eine regelmäßige Aktualisierung im Hinblick auf einen oder mehrere Modellaspekte vorgeben. Eine oder mehrere solcher Richtlinien für eine regelmäßige Aktualisierung können eine Aktualisierung eines oder mehrerer Modellaspekte in einem oder mehreren bestimmten regelmäßigen Zeitintervallen steuern. Zusätzlich oder alternativ können eine oder mehrere Richtlinien für eine regelmäßige Aktualisierung eine Aktualisierung eines oder mehrerer Modellaspekte auf Grundlage von Änderungen an (einer) Wissensdatenbank(en) und/oder auf Grundlage von Analysedaten (z.B. Service-Desk-Analysen) steuern. Bei einer weiteren Ausführungsform können die Modellrichtlinien 155 eine oder mehrere Regeln enthalten, die eine oder mehrere administrative Aktualisierungsrichtlinien vorgeben. Eine oder mehrere solcher administrativen Aktualisierungsrichtlinien können eine Aktualisierung eines oder mehrerer Modellaspekte nach dem Ermessen eines Domänenadministrators steuern, der dem Lernmodell für Dialogagenten zugehörig ist.
  • Die Modell-Advisor-Funktion 149, die Modellsystem-Schnittstelle 135, die Modellrichtlinien 155, der Satz von Datenablagen 157 und die Modellinstanzen 1231 bis 123n können Schlüsselkomponenten eines Lernmodells für Dialogagenten gemäß den verschiedenen hierin beschriebenen Ausführungsformen bilden. Die schematische Ansicht 180, wie sie in 1B gezeigt wird, stellt eine beispielhafte Konfiguration von Modellkomponenten dar. Alternative Konfigurationen von Modellkomponenten sollen in den Schutzumfang der verschiedenen Ausführungsformen fallen.
  • 2 veranschaulicht ein Verfahren 200 zum Erstellen eines Lernmodells für Dialogagenten. Einer oder mehrere Schritte, die dem Verfahren 200 und den sonstigen hierin beschriebenen Verfahren zugehörig sind, können in einer Client-Server-Datenverarbeitungsumgebung (z.B. der Datenverarbeitungs-Infrastruktur 100) ausgeführt werden. Zusätzlich oder alternativ können ein oder mehrere Schritte, die dem Verfahren 200 und den sonstigen hierin beschriebenen Verfahren zugehörig sind, innerhalb einer oder mehrerer Verarbeitungsprozesse einer Cloud-Computing-Umgebung ausgeführt werden. Zusätzlich oder alternativ können ein oder mehrere Schritte, die dem Verfahren 200 und den sonstigen hierin beschriebenen Verfahren zugehörig sind, in einer Peer-to-Peer-Netzwerkumgebung ausgeführt werden, wobei einer oder mehrere der hierin beschriebenen Verfahrensschritte über eine Peer-Anwendung eines Peer-Datenverarbeitungssystems ausgeführt werden können.
  • Eine Modell-Advisor-Funktion eines Server-Systems (z.B. die Modell-Advisor-Funktion 149 des Modell-Server-Systems 137) kann eine Verarbeitung gemäß dem Verfahren 200 erleichtern. Das Verfahren 200 kann in Schritt 205 beginnen, in dem die Modell-Advisor-Funktion ein Korpus von Daten abrufen kann. Das Korpus von Daten kann Datensätze aus einem Satz von Datenablagen (z.B. dem Satz von Datenablagen 157) und externe Daten enthalten, die Daten aus sozialen Netzwerken oder Anwendungen (z.B. aus den externen Quellen 165) enthalten. Bei einer Ausführungsform kann der Satz von Datenablagen eine Kundendatenablage (z.B. die Datenablage 1571 ), eine Wissensdatenbankablage (z.B. die Datenablage 1572 ), eine Datenablage von Störungen/Modifizierungen (z.B. die Datenablage 1573 ) und/oder eine Protokolldatenablage (z.B. die Datenablage 1574 ) enthalten. Ein oder mehrere Aspekte des Korpus von Daten können innerhalb von Daten gespeichert oder referenziert werden, die der Modell-Advisor-Funktion zugehörig sind (z.B. Daten 153 der Modell-Advisor-Funktion). Eine Ausführungsform im Hinblick auf ein Abrufen des Korpus von Daten gemäß Schritt 205 wird unter Bezugnahme auf 3 beschrieben.
  • In Schritt 210 kann die Modell-Advisor-Funktion das Lernmodell für Dialogagenten auf Grundlage des abgerufenen Korpus von Daten konfigurieren. Gemäß Schritt 210 kann die Modell-Advisor-Funktion das Lernmodell für Dialogagenten mit Aspekten auf Grundlage des in Schritt 205 abgerufenen Korpus von Daten füllen. Bei einer Ausführungsform kann die Modell-Advisor-Funktion das Modell durch Hinzufügen von Aspekten auf Grundlage des Korpus von Daten zu den Daten füllen, die der Modell-Advisor-Funktion zugehörig sind. Darüber hinaus können solche Daten der Modell-Advisor-Funktion auf Grundlage eines oder mehrerer Aktualisierungen des Korpus von Daten und/oder auf Grundlage einer weiteren Modellkonfiguration aktualisiert werden. Eine Ausführungsform im Hinblick auf ein Konfigurieren des Lernmodells für Dialogagenten gemäß Schritt 210 wird unter Bezugnahme auf 4 beschrieben. Eine weitere Ausführungsform im Hinblick auf ein Konfigurieren des Lernmodells für Dialogagenten gemäß Schritt 210 wird unter Bezugnahme auf 8 beschrieben.
  • In Schritt 215 kann die Modell-Advisor-Funktion das Lernmodell für Dialogagenten durch Erleichtern einer Interaktion zwischen dem Lernmodell für Dialogagenten und einer Mehrzahl von Kunden (z.B. der Kunden 1851 bis 185n ) bereitstellen. Die Modell-Advisor-Funktion kann eine Interaktion gemäß Schritt 215 über eine Modellsystem-Schnittstelle (z.B. die Modellsystem-Schnittstelle 135) erleichtern. Bei der Modellsystem-Schnittstelle kann es sich um eine Dienstverwaltung oder eine Control-Desk-Verwaltung handeln. Wie zuvor erwähnt, können die Modell-Advisor-Funktion, die Modellsystem-Schnittstelle, die Modellrichtlinien (z.B. die Modellrichtlinien 155), der Satz von Datenablagen und die Modellinstanzen (z.B. die Modellinstanzen 1231 bis 123n ) Schlüsselkomponenten des Lernmodells für Dialogagenten gemäß den verschiedenen hierin beschriebenen Ausführungsformen bilden. Eine Ausführungsform im Hinblick auf ein Bereitstellen des Lernmodells für Dialogagenten gemäß Schritt 215 wird unter Bezugnahme auf 5 beschrieben.
  • In Schritt 220 kann die Modell-Advisor-Funktion das Lernmodell für Dialogagenten aktualisieren, um jegliche Modifizierung des Korpus von Daten zu behandeln. Die Modell-Advisor-Funktion kann das Modell in Schritt 220 aktualisieren, um eine Modifizierung oder eine Mehrzahl von Modifizierungen zu behandeln. Zu der einen oder den mehreren in Schritt 220 behandelten Modifizierungen können Änderungen, Ergänzungen und/oder Löschungen zählen. Bei einer Ausführungsform kann die Modell-Advisor-Funktion das Lernmodell für Dialogagenten aktualisieren, um durch dynamisches Anpassen zumindest eines Aspekts des Lernmodells für Dialogagenten auf Grundlage neuer sozialer Entwicklungen jegliche Modifizierung des Korpus von Daten zu behandeln. Beispielsweise können neue soziale Entwicklungen durch audiovisuelle Medien oder durch soziale Medien sichtbar werden. Durch Integrieren des Lernmodells für Dialogagenten in soziale Medien oder durch anderweitiges Zugreifen auf soziale Netzwerke oder Anwendungen (z.B. durch Austauschen von Daten mit externen Quellen 165) kann die Modell-Advisor-Funktion das Modell auf Grundlage neuer sozialer/kultureller Vorlieben dynamisch anpassen. Im Besonderen kann die Modell-Advisor-Funktion Dialogabschnitte, die in einer Modellinstanz einem Kunden aus der Mehrzahl von Kunden angeboten werden, auf Grundlage einer oder mehrerer Entwicklungen in der Sprache, einer oder mehrerer kultureller Entwicklungen und/oder einer oder mehrerer Entwicklungen im Verhalten anpassen, die in sozialen Netzwerken oder sozialen Anwendungen sichtbar werden. Wenn zum Beispiel festgestellt wird, dass es sich bei dem Kunden A um einen Teenager handelt, kann die Modell-Advisor-Funktion dem Kunden A Dialogabschnitte anbieten, die Teenager-Sprache entsprechen, z.B. „Das ist cool“. Dementsprechend kann die Modell-Advisor-Funktion die Vertrautheit und das Behagen des Kunden im Zusammenhang mit einer Interaktion mit dem Modell erhöhen.
  • Gemäß weiteren Ausführungsformen kann die Modell-Advisor-Funktion das Lernmodell für Dialogagenten auf Grundlage von technologischen Fortschritten aktualisieren. Bei einer solchen Ausführungsform kann die Modell-Advisor-Funktion das Lernmodell für Dialogagenten aktualisieren, um durch dynamisches Anpassen zumindest eines Aspekts des Lernmodells für Dialogagenten auf Grundlage einer Einführung einer neuen Technologie jegliche Modifizierung des Korpus von Daten zu behandeln. Um eine Aufgabe oder ein Problem bei einer Rechnungsbezahlung zu behandeln, kann das Lernmodell für Dialogagenten beispielsweise auf Grundlage einer Einführung einer Kryptowährung (z.B. Bitcoin) auf den Weltmärkten einem Kunden B innerhalb einer Modellinstanz zusätzlich zu herkömmlicheren Zahlungsverfahren Dialogabschnitte, die eine Bezahlung durch eine Kryptowährung erleichtern, und/oder Dialogabschnitte anbieten, die Fragen im Hinblick auf eine Kryptowährung behandeln. Dementsprechend kann der Kunde B durch die Modellinstanz eine Möglichkeit haben, eine Rechnung durch eine Kryptowährung zu bezahlen. Bei einer weiteren solchen Ausführungsform kann die Modell-Advisor-Funktion das Lernmodell für Dialogagenten aktualisieren, um durch dynamisches Anpassen zumindest eines Aspekts des Lernmodells für Dialogagenten auf Grundlage einer Verbesserung einer vorhandenen Technologie jegliche Modifizierung des Korpus von Daten zu behandeln. Gemäß einer weiteren Ausführungsform kann das Verfahren 200 optional zu Schritt 210 zurückkehren, damit die Modell-Advisor-Funktion das Modell auf Grundlage der Aktualisierung des Lernmodells für Dialogagenten in Schritt 220 neu konfiguriert und erneut bereitstellt.
  • Optional kann die Modell-Advisor-Funktion in Schritt 225 auf Grundlage von Daten, die infolge der Interaktion zwischen dem Lernmodell für Dialogagenten und der Mehrzahl von Kunden empfangen werden, zumindest einen Mangel in dem Lernmodell für Dialogagenten erkennen. Solche Daten, die infolge der Interaktion empfangen werden, können Dialoginhalt und/oder allgemeine Daten enthalten, die einem oder mehreren der Mehrzahl von Kunden zugehörig sind. Zu Mängeln in dem Lernmodell für Dialogagenten können z.B. Themen, die zuvor nicht aufgetreten waren, und/oder Themen zählen, für die im Zusammenhang mit dem Modell relativ wenige oder keine Daten zum Verfolgen oder Zugreifen vorhanden sind. Die Modell-Advisor-Funktion kann solche Mängel durch die Interaktion zwischen dem Lernmodell für Dialogagenten und der Mehrzahl von Kunden erkennen. Optional kann die Modell-Advisor-Funktion in Schritt 230 das Lernmodell für Dialogagenten aktualisieren, um den zumindest einen Mangel zu behandeln. Die Modell-Advisor-Funktion kann neue Daten zu vorhandenen Kategorien innerhalb der Modellstruktur hinzufügen. Zusätzlich oder alternativ kann die Modell-Advisor-Funktion eine oder mehrere neue Kategorien ermitteln und kann solche neuen Kategorien in die Modellstruktur integrieren. Die Modell-Advisor-Funktion kann solche neuen Kategorien unabhängig, d.h., ohne Eingreifen eines Domänenadministrators integrieren. Die Modell-Advisor-Funktion kann eine oder mehrere solcher neuen Kategorien durch Durchsuchen des Satzes von Datenablagen sowie externen Daten und Anwenden einer oder mehrerer Techniken für maschinelles Lernen auf neu erkannte Daten ermitteln. Bei einer Ausführungsform kann das Verfahren 200 optional zu Schritt 210 zurückkehren, damit die Modell-Advisor-Funktion das Modell auf Grundlage der Aktualisierung des Lernmodells für Dialogagenten in Schritt 230 neu konfiguriert und erneut bereitstellt.
  • Wenngleich die Konfiguration und die Bereitstellung des Lernmodells für Dialogagenten in erster Linie dynamisch und unabhängig (d.h., ohne dass ein manuelles Eingreifen erforderlich ist) erfolgen kann, kann die Modell-Advisor-Funktion optional in Schritt 235 eine Eingabe von einem Domänenadministrator (z.B. einem Domänenfachmann) empfangen, um die Interaktion zwischen dem Lernmodell für Dialogagenten und der Mehrzahl von Kunden zu verfeinern. Dementsprechend kann ein solcher Domänenadministrator die Endbenutzerfunktionalität im Hinblick auf eine oder mehrere der Modellinstanzen verfeinern, die bei einem oder mehreren der Mehrzahl von Kunden initialisiert werden. Zusätzlich oder alternativ kann ein solcher Domänenadministrator Kategorien innerhalb der Modellstruktur hinzufügen oder aktualisieren. Zusätzlich oder alternativ kann ein solcher Domänenadministrator einen Zugriff auf neue Quellen zum Füllen des Modells erleichtern. Bei einer Ausführungsform kann das Verfahren 200 optional zu Schritt 210 zurückkehren, damit die Modell-Advisor-Funktion das Modell auf Grundlage der Verfeinerung des Lernmodells für Dialogagenten in Schritt 235 neu konfiguriert und erneut bereitstellt. Bei einer weiteren Ausführungsform kann die Modell-Advisor-Funktion den optionalen Schritt 235 vor dem Schritt 220 und/oder vor den optionalen Schritten 225 und 230 ausführen.
  • 3 veranschaulicht ein Verfahren 300 zum Abrufen des Korpus von Daten gemäß einer Ausführungsform. Das Verfahren 300 stellt eine beispielhafte Ausführungsform im Hinblick auf Schritt 205 des Verfahrens 200 bereit. Das Verfahren 300 kann in Schritt 305 beginnen, in dem die Modell-Advisor-Funktion eine Mehrzahl von Problemen erkennen kann. Die Mehrzahl von Problemen kann zu lösende Probleme und/oder auszuführende Aufgaben enthalten. Eines oder mehrere der Mehrzahl von Problemen können auf Anliegen von Kunden beruhen. Die Modell-Advisor-Funktion kann die Mehrzahl von Problemen durch Abfragen der Kundendatenablage und/oder der Datenablage von Störungen/Modifizierungen aus dem Satz von Datenablagen erkennen. In Schritt 310 kann die Modell-Advisor-Funktion jeweils eine Mehrzahl von Lösungen erkennen, die der Mehrzahl von Problemen entsprechen, die z.B. jeweils die Mehrzahl von Problemen behandeln. Die Modell-Advisor-Funktion kann die Mehrzahl von Lösungen durch Abfragen der Wissensdatenbankablage aus dem Satz von Datenablagen erkennen. In Schritt 315 kann die Modell-Advisor-Funktion Kundeninhalt erkennen, der der Mehrzahl von Problemen oder der Mehrzahl von Lösungen zugehörig ist. Ein solcher Kundeninhalt kann Text- oder audiovisuellen Inhalt, Protokolle von Interaktionen mit dem Kunden und/oder Kundenkommentare enthalten, die der Mehrzahl von Problemen zugehörig sind und/oder der Mehrzahl von Lösungen zugehörig sind. Die Modell-Advisor-Funktion kann solchen Kundeninhalt durch Abfragen der Kundendatenablage und/oder der Protokolldatenablage aus dem Satz von Datenablagen erkennen. In Schritt 320 kann die Modell-Advisor-Funktion jegliche Einstufungen erkennen, die der Mehrzahl von Lösungen zugehörig sind. Solche Einstufungen können durch den Kunden bereitgestellte Einstufungen, Einstufungen auf Grundlage von Statistiken und/oder Einstufungen aus externen Quellen wie zum Beispiel Einstufungen aus sozialen Medien enthalten. Die Modell-Advisor-Funktion kann beim Konfigurieren oder Auswählen eines oder mehrerer Modelldienste, die Daten aus dem Korpus von Daten gewinnen, solche Einstufungen bewerten. Wenngleich die Modell-Advisor-Funktion Aspekte gemäß dem Verfahren 300 durch Abfragen der bestimmten oben aufgeführten Datenablagen erkennen kann, kann die Modell-Advisor-Funktion eine beliebige Kombination der Datenablagen aus dem Satz von Datenablagen abfragen, um in den Schritten 305 bis 320 verschiedene Aspekte zu erkennen. Des Weiteren können die Schritte des Verfahrens 300 sowohl Datensätzen aus dem Satz von Datenablagen als auch externen Daten zugehörig sein. Im Zusammenhang mit dem Erkennen verschiedener Aspekte in den Schritten 305 bis 320 kann die Modell-Advisor-Funktion externe Quellen abfragen, die Social-Networking-Daten bereitstellen können, die Einstufungen in sozialen Kanälen, Vorlieben usw. betreffen.
  • 4 veranschaulicht ein Verfahren 400 zum Konfigurieren eines Lernmodells für Dialogagenten gemäß einer Ausführungsform. Das Verfahren 400 stellt eine beispielhafte Ausführungsform im Hinblick auf Schritt 210 des Verfahrens 200 bereit. Das Verfahren 400 kann in Schritt 405 beginnen, in dem die Modell-Advisor-Funktion eine Mehrzahl von Absichten auf Grundlage der Mehrzahl von Problemen ableiten kann, wobei jede der Mehrzahl von Absichten einen Zweck oder ein Ziel angibt. Beispielsweise kann es sich bei einer Absicht, die durch die Modell-Advisor-Funktion aus der Mehrzahl von Absichten abgeleitet wird, um eine Rechnungsbezahlung handeln. In Schritt 410 kann die Modell-Advisor-Funktion eine Mehrzahl von Entitäten ableiten. Bei jeder der Mehrzahl von Entitäten kann es sich um eine Objektklasse oder einen Datentyp handeln, die/der eine Auswahl zumindest einer Aktion auf Grundlage der Mehrzahl von Lösungen ermöglicht, um eine oder mehrere der Mehrzahl von Absichten zu behandeln. Gemäß dem Beispiel der Bezahlung kann die Modell-Advisor-Funktion die Rechnung als Entität aus der abgeleiteten Rechnungsbezahlungsabsicht ableiten. Das Ableiten der Rechnung als Entität kann wiederum der Modell-Advisor-Funktion ermöglichen, zumindest eine Aktion angesichts der abgeleiteten Rechnung auszuwählen, um die abgeleitete Rechnungsbezahlungsabsicht zu behandeln, z.B. die Bezahlung der Rechnung durch den Kunden zu verarbeiten. In Schritt 415 kann die Modell-Advisor-Funktion eine Mehrzahl von Dialogabschnitten ermitteln. Die Modell-Advisor-Funktion kann die Mehrzahl von Dialogabschnitten auf Grundlage der Mehrzahl von Absichten, die in Schritt 405 abgeleitet worden sind, und auf Grundlage der Mehrzahl von Entitäten, die in Schritt 410 abgeleitet worden sind, ermitteln. Jeder der Mehrzahl von Dialogabschnitten kann Dialogtext enthalten, um eine oder mehrere der Mehrzahl von Absichten infolge eines Anwendens der zumindest einen Aktion auf eine oder mehrere der Mehrzahl von Entitäten zu behandeln. Die Modell-Advisor-Funktion kann Dialogabschnitte auf Grundlage eines Abfragens eines Dialogverlaufs eines oder mehrerer der Mehrzahl von Kunden ermitteln. Zusätzlich oder alternativ kann die Modell-Advisor-Funktion Dialogabschnitte auf Grundlage von Interaktionen in einem sozialen Kanal (z.B. einer Social-Networking-Aktivität) eines oder mehrerer der Mehrzahl von Kunden ermitteln. Die Modell-Advisor-Funktion kann über die Kundendatenablage und/oder über die Protokolldatenablage auf einen solchen Dialogverlauf und/oder Interaktionen in einem sozialen Kanal zugreifen. Gemäß dem Beispiel der Bezahlung kann die Modell-Advisor-Funktion einen oder mehrere Dialogabschnitte infolge eines Anwendens einer oder mehrerer Aktionen zum Verarbeiten einer Rechnungsbezahlung angesichts der abgeleiteten Rechnung anwenden, um die abgeleitete Rechnungsbezahlungsabsicht zu behandeln. Ein oder mehrere solcher Dialogabschnitte können einem oder mehreren der Mehrzahl von Kunden im Zusammenhang mit der Interaktion zwischen dem Lernmodell für Dialogagenten und der Mehrzahl von Kunden angeboten werden. Ein beispielhafter Dialogabschnitt, der infolge des Anwendens einer oder mehrerer Aktionen zum Verarbeiten einer Rechnungsbezahlung ermittelt wird, kann enthalten: „Ihre Rechnung ist verarbeitet worden.“ Des Weiteren können der eine oder die mehreren durch die Modell-Advisor-Funktion ermittelten Dialogabschnitte des Weiteren mit einem Bereitstellen von Daten im Hinblick auf die abgeleitete Entität einhergehen. Gemäß dem Beispiel der Bezahlung kann die Modell-Advisor-Funktion einen Dialogabschnitt bereitstellen, der Daten im Hinblick auf die Rechnung enthält, etwa: „Der obere Abschnitt der Rechnung zeigt eine Restzahlung von 50,00 $.“
  • Bei einer Ausführungsform kann die Modell-Advisor-Funktion in dem optionalen Schritt 230 des Verfahrens 200 das Lernmodell für Dialogagenten so aktualisieren, dass es den zumindest einen Mangel behandelt, der in dem optionalen Schritt 225 erkannt worden ist, indem es zumindest eine neue Absicht in die in Schritt 405 abgeleitete Mehrzahl von Absichten aufnimmt oder zumindest eine neue Entität in die in Schritt 410 abgeleitete Mehrzahl von Entitäten aufnimmt. Durch Aufnehmen zumindest einer neuen Absicht und/oder zumindest einer neuen Entität gemäß der Ausführungsform kann die Modell-Advisor-Funktion jegliche zuvor nicht behandelte oder ungenügend behandelte Kategorie im Zusammenhang mit der Interaktion zwischen dem Lernmodell für Dialogagenten und der Mehrzahl von Kunden behandeln. Des Weiteren kann die Modell-Advisor-Funktion gemäß der Ausführungsform den zumindest einen Mangel durch Aufnehmen zumindest eines neuen Dialogabschnitts in die Mehrzahl von in Schritt 415 ermittelten Dialogabschnitten behandeln. Der zumindest eine neue Dialogabschnitt kann Dialogtext zum Behandeln einer oder mehrerer der zumindest einen neuen Absicht enthalten. Des Weiteren kann ein solcher Dialogtext eine Anwendung einer oder mehrerer Aktionen auf eine oder mehrere der zumindest einen neuen Entität widerspiegeln. Solche Aufnahmen können dynamisch und unabhängig (d.h., ohne Eingreifen eines Domänenadministrators aktualisiert) gemäß den Modellrichtlinien sein. Beispielsweise kann die Modell-Advisor-Funktion neue Absichten und/oder Entitäten erkennen, während eine Interaktion zwischen einem Kunden und dem Lernmodell für Dialogagenten voranschreitet, und kann eine oder mehrere Aktionen verarbeiten und auf die neu erkannten Absichten und/oder Entitäten anwenden. Des Weiteren kann die Modell-Advisor-Funktion solche Aufnahmen infolge eines Erkennens potentieller neuer Modellaspekte über eine Interaktion sowohl mit strukturierten Kanälen (z.B. formalen Datensätzen) als auch unstrukturierten Kanälen (z.B. Daten aus sozialen Medien) ausführen. Des Weiteren kann die Modell-Advisor-Funktion zusätzlich zum Aufnehmen zumindest einer neuen Absicht, zumindest einer neuen Entität und/oder zumindest eines neuen Dialogabschnitts bereits vorhandene Aspekte des Lernmodells für Dialogagenten gemäß den Modellrichtlinien dynamisch und unabhängig aktualisieren. Auf diese Weise kann die Modell-Advisor-Funktion das Lernmodell für Dialogagenten „nachrüsten“. Wenngleich die Modell-Advisor-Funktion Aspekte des Lernmodells für Dialogagenten unabhängig ergänzen oder aktualisieren kann, kann ein Domänenadministrator eingreifen, um solche Ergänzungen oder Aktualisierungen zu überwachen und gegebenenfalls zu verfeinern.
  • 5 veranschaulicht ein Verfahren 500 zum Bereitstellen des Lernmodells für Dialogagenten gemäß einer Ausführungsform. Das Verfahren 500 stellt eine beispielhafte Ausführungsform im Hinblick auf Schritt 215 des Verfahrens 200 bereit. Das Verfahren 500 kann in Schritt 505 beginnen, in dem die Modell-Advisor-Funktion zumindest eine Modellinstanz (z.B. die Modellinstanz 123) initialisieren kann, wobei die zumindest eine Modellinstanz zumindest eine Dialogschnittstelle enthält, die für zumindest einen der Mehrzahl von Kunden zugänglich ist. Die zumindest eine Modellinstanz kann eine Chatbot-Instanz und/oder eine alternative Form einer Bot-Instanz enthalten. Die Modell-Advisor-Funktion kann die zumindest eine Modellinstanz in Reaktion auf eine oder mehrere Dienstanforderungen (z.B. eine oder mehrere Abfragen) initialisieren, die von einem oder mehreren der Mehrzahl von Kunden empfangen worden sind. In Schritt 510 kann die Modell-Advisor-Funktion auf Grundlage von Aspekten des Lernmodells für Dialogagenten Dialoginhalt klassifizieren, der von einem oder mehreren der Mehrzahl von Kunden über die zumindest eine Dialogschnittstelle empfangen worden ist. Der Dialoginhalt kann eine beliebige Dialogeingabe oder eine beliebige sonstige Eingabe enthalten, die von einem oder mehreren der Mehrzahl von Kunden empfangen worden ist. Das Klassifizieren des Dialoginhalts kann mit einem Klassifizieren zumindest einer Absicht einhergehen, die durch die Modell-Advisor-Funktion aus dem Dialoginhalt abgeleitet wird. Das Klassifizieren des Dialoginhalts kann des Weiteren mit einem Klassifizieren zumindest einer Entität einhergehen, die durch die Modell-Advisor-Funktion aus dem Dialoginhalt abgeleitet wird. Die Modell-Advisor-Funktion kann kundenspezifische Daten im Zusammenhang mit dem Klassifizieren von Dialoginhalt behandeln. Im Besonderen kann die Modell-Advisor-Funktion im Zusammenhang mit einer Interaktion zwischen einem Kunden aus der Mehrzahl von Kunden und dem Lernmodell für Dialogagenten auf dem Kunden zugehörige Profildaten zugreifen. Die Modell-Advisor-Funktion kann auf solche Profildaten aus der Kundendatenablage und/oder aus externen Quellen zugreifen, die z.B. dem Kunden zugehörige Social-Networking-Daten bereitstellen können. Durch Zugreifen auf solche Profildaten kann die Modell-Advisor-Funktion besser in der Lage sein, Absichten und/oder Entitäten korrekt aus dem Dialoginhalt abzuleiten, der den Kunden betrifft, da die Profildaten der Modell-Advisor-Funktion ermöglichen können, Kundenvorgaben zu erkennen. Eine Ausführungsform im Hinblick auf ein Klassifizieren des Dialoginhalts gemäß Schritt 510 wird unter Bezugnahme auf 6 beschrieben. Eine weitere Ausführungsform im Hinblick auf ein Klassifizieren des Dialoginhalts gemäß Schritt 510 wird unter Bezugnahme auf 7 beschrieben.
  • In Schritt 515 kann die Modell-Advisor-Funktion auf Grundlage der Klassifizierung des Dialoginhalts eine Dialogausgabe ermitteln, die zumindest einen Dialogabschnitt aus der in Schritt 415 erkannten Mehrzahl von Dialogabschnitten enthält. Die Modell-Advisor-Funktion kann ein Anbieten der Dialogausgabe für einen oder mehrere der Mehrzahl von Kunden über die zumindest eine Dialogschnittstelle erleichtern, die in der zumindest einen Modellinstanz enthalten ist. Die Modell-Advisor-Funktion kann kundenspezifische Daten im Zusammenhang mit dem Ermitteln einer Dialogausgabe behandeln. Durch Zugreifen auf einem Kunden zugehörige Profildaten kann die Modell-Advisor-Funktion besser in der Lage sein, einen oder mehrere für einen solchen Kunden geeignete Dialogabschnitte zu ermitteln. Beispielsweise kann die Modell-Advisor-Funktion durch Ermitteln auf Grundlage von Profildaten, dass ein Kunde C relativ jung ist und auf einem bestimmten Gebiet arbeitet, sicherstellen, dass die an den Kunden C gerichtete Dialogausgabe angesichts seines Alters und Berufs passend ist.
  • Optional kann die Modell-Advisor-Funktion in Schritt 520 ermitteln, ob jegliche Ergänzung des Dialoginhalts vorgenommen worden ist. Im Besonderen kann eine solche Ergänzung eine neue Alternative oder Dynamik enthalten, die einer Absicht auf Grundlage einer Anforderung eines Kunden aus der Mehrzahl von Kunden hinzugefügt worden ist. Wenn in Schritt 520 ermittelt wird, dass keine Ergänzung des Dialoginhalts vorgenommen worden ist, kann die Modell-Advisor-Funktion Schritt 520 wiederholen. Wenn bei einer alternativen Ausführungsform in Schritt 520 ermittelt wird, dass keine Ergänzung des Dialoginhalts vorgenommen worden ist, kann das Verfahren 500 enden. Wenn in Schritt 520 ermittelt wird, dass zumindest eine Modifizierung an dem Dialoginhalt (z.B. eine Ergänzung, eine Korrektur und/oder eine Löschung) vorgenommen worden ist, kann das Verfahren 500 zu Schritt 525 übergehen, in dem die Modell-Advisor-Funktion die zumindest eine aus dem Dialoginhalt abgeleitete Absicht auf Grundlage der zumindest einen Modifizierung aktualisieren kann. Auf Grundlage der zumindest einen aktualisierten Absicht kann die Modell-Advisor-Funktion in Schritt 530 den zumindest einen Dialogabschnitt aktualisieren, der als Teil der Dialogausgabe in Schritt 515 ermittelt worden ist. Die Modell-Advisor-Funktion kann den zumindest einen Dialogabschnitt in Schritt 530 durch Ermitteln eines oder mehrerer sonstiger Dialogabschnitte aus der in Schritt 415 ermittelten Mehrzahl von Dialogabschnitten und/oder durch Ermitteln eines oder mehrerer neuer Dialogabschnitte aktualisieren. Die Schritte 520 und 525 können der Modell-Advisor-Funktion ermöglichen, den zumindest einen in der Dialogausgabe enthaltenen Dialogabschnitt auf Grundlage einer Aktualisierung der zumindest einen Absicht, die aus dem Dialoginhalt abgeleitet worden ist, dynamisch anzupassen. Insbesondere wenn die Modell-Advisor-Funktion eine Absicht aus dem Dialoginhalt ableitet, kann die Modell-Advisor-Funktion einen Dialogabschnitt zum Behandeln der Absicht ermitteln, wenn jedoch eine neue Alternative oder Dynamik zu der Absicht hinzugefügt wird oder wenn die Absicht auf andere Weise infolge einer Modifizierung des Dialoginhalts modifiziert wird, kann die Modell-Advisor-Funktion eine entsprechende Änderung des ursprünglich ermittelten Dialogabschnitts ermitteln. Dementsprechend kann die Modell-Advisor-Funktion Modifizierungen des Dialoginhalts durch eine „kognitive Schlussfolgerung“ dynamisch behandeln. Gemäß einer Ausführungsform kann die Modell-Advisor-Funktion in Schritt 525 des Weiteren die zumindest eine Entität aktualisieren, die aus dem Dialoginhalt abgeleitet worden ist.
  • Bei einer Ausführungsform kann die in Schritt 515 ermittelte Dialogausgabe Dialogtext zum Behandeln der zumindest einen Absicht, die aus dem Dialoginhalt abgeleitet worden ist, durch Anwenden zumindest einer Aktion auf die zumindest eine Entität enthalten, die aus dem Dialoginhalt abgeleitet worden ist. Ein solcher Dialogtext kann direkt die zumindest eine Absicht betreffen, die aus dem Dialoginhalt abgeleitet worden ist. Zusätzlich oder alternativ kann ein solcher Dialogtext eine oder mehrere Randinteressen eines oder mehrerer der Mehrzahl von Kunden behandeln, die mit der zumindest einen Modellinstanz interagieren. Bei einer weiteren Ausführungsform kann die in Schritt 515 ermittelte Dialogausgabe einen unstrukturierten Dialog enthalten. Ein solcher unstrukturierter Dialog kann unstrukturierten Text und/oder audiovisuellen Inhalt enthalten. Zusätzlich oder alternativ kann ein solcher unstrukturierter Dialog ein oder mehrere Ideogramme (z.B. ein Emoji) oder Emoticons enthalten. Zusätzlich oder alternativ kann ein solcher unstrukturierter Dialog einen „angereicherten Dialog“ enthalten, der als Dialog auf Grundlage eines erweiterten Arrays von Inhaltstypen definiert sein kann. Ein solcher „angereicherter Dialog“ kann gänzlich unstrukturierten Inhalt enthalten oder kann alternativ eine Kombination aus strukturiertem Inhalt und unstrukturiertem Inhalt enthalten. Gemäß einer solchen Ausführungsform kann die Modell-Advisor-Funktion den zumindest einen Dialogabschnitt, der in der Dialogausgabe in Schritt 515 enthalten ist, durch Klassifizieren von unstrukturiertem Dialog und Aufnehmen des unstrukturierten Dialogs in den zumindest einen Dialogabschnitt ermitteln. Dementsprechend kann die Modell-Advisor-Funktion ein Anbieten des zumindest einen Dialogabschnitts, der einen unstrukturierten Dialog enthält, für einen oder mehrere der Mehrzahl von Kunden über die zumindest eine Dialogschnittstelle erleichtern, die in der zumindest einen Modellinstanz enthalten ist.
  • 6 veranschaulicht ein Verfahren 600 zum Klassifizieren von Dialoginhalt gemäß einer Ausführungsform. Das Verfahren 600 stellt eine beispielhafte Ausführungsform im Hinblick auf Schritt 510 des Verfahrens 500 bereit. Das Verfahren 600 kann in Schritt 605 beginnen, in dem die Modell-Advisor-Funktion die zumindest eine aus dem Dialoginhalt abgeleitete Absicht zumindest einer Absicht aus der in Schritt 405 abgeleiteten Vielzahl von Absichten im Zusammenhang mit einem Konfigurieren des Lernmodells für Dialogagenten zuordnen kann. Bei einer Ausführungsform kann die Modell-Advisor-Funktion eine solche Zuordnung infolge eines Vergleichs (z.B. eines iterativen Vergleichs) der zumindest einen aus dem Dialoginhalt abgeleiteten Absicht mit den jeweiligen Absichten aus der Mehrzahl von Absichten herstellen, die während des Konfigurierens des Lernmodells für Dialogagenten abgeleitet worden ist. Die Modell-Advisor-Funktion kann einen solchen Vergleich durch Anwenden eines Zeichenfolgeabgleichs (z.B. durch einen Zeichenfolgeabgleich-Algorithmus) und/oder durch Verarbeiten natürlicher Sprache ausführen. In Schritt 610 kann die Modell-Advisor-Funktion die zumindest eine aus dem Dialoginhalt abgeleitete Entität zumindest einer Entität aus der in Schritt 410 abgeleiteten Vielzahl von Entitäten im Zusammenhang mit einem Konfigurieren des Lernmodells für Dialogagenten zuordnen. Bei einer Ausführungsform kann die Modell-Advisor-Funktion eine solche Zuordnung infolge eines Vergleichs (z.B. eines iterativen Vergleichs) der zumindest einen aus dem Dialoginhalt abgeleiteten Entität zu den jeweiligen Entitäten aus der Mehrzahl von Entitäten herstellen, die während der Konfiguration des Lernmodells für Dialogagenten abgeleitet worden ist. Die Modell-Advisor-Funktion kann einen solchen Vergleich durch Anwenden eines Zeichenfolgeabgleichs (z.B. durch einen Zeichenfolgeabgleich-Algorithmus) und/oder durch Verarbeiten natürlicher Sprache ausführen. Zusätzlich oder alternativ kann die Modell-Advisor-Funktion sonstige Klassifizierungsverfahren oder -algorithmen im Zusammenhang mit den Schritten 605 und 610 anwenden, um die zumindest eine Absicht und/oder die zumindest eine Entität, die aus dem Dialoginhalt abgeleitet worden sind, zu klassifizieren.
  • 7 veranschaulicht ein Verfahren 700 zum Klassifizieren von Dialoginhalt gemäß einer Ausführungsform. Das Verfahren 700 stellt eine weitere beispielhafte Ausführungsform im Hinblick auf Schritt 510 des Verfahrens 500 bereit. Das Verfahren 700 kann in Schritt 705 beginnen, in dem die Modell-Advisor-Funktion ermitteln kann, ob der Dialoginhalt, der über die zumindest eine Dialogschnittstelle von einem oder mehreren der Mehrzahl von Kunden empfangen worden ist, unstrukturierten Inhalt enthält. Unstrukturierter Inhalt im Zusammenhang mit dem Verfahren 700 kann unstrukturierte Dokumente oder Formulare enthalten. Unstrukturierter Inhalt im Zusammenhang mit dem Verfahren 700 kann des Weiteren audiovisuellen Inhalt wie zum Beispiel Sprache, Bilder und/oder Videos enthalten. Unstrukturierter Inhalt im Zusammenhang mit dem Verfahren 700 kann des Weiteren ein oder mehrere Ideogramme (z.B. ein Emoji) oder Emoticons enthalten. Wenn in Schritt 705 ermittelt wird, dass der Dialoginhalt keinen unstrukturierten Inhalt enthält, kann die Modell-Advisor-Funktion Schritt 705 wiederholen. Wenn bei einer alternativen Ausführungsform in Schritt 705 ermittelt wird, dass der Dialoginhalt keinen unstrukturierten Inhalt enthält, kann das Verfahren 700 enden. Wenn ermittelt wird, dass der Dialoginhalt unstrukturierten Inhalt enthält, kann das Verfahren 700 zu Schritt 710 übergehen, in dem die Modell-Advisor-Funktion zumindest eine Erkennungstechnik auf den unstrukturierten Inhalt anwenden kann, um ein Artefakt auf Grundlage von einheitlichem Text (d.h., Meta-Inhalt) zu erzeugen. Eine solche zumindest eine Erkennungstechnik kann eine oder mehrere Techniken enthalten, die aus der Gruppe ausgewählt werden, die aus optischer Zeichenerkennung (optical character recognition, OCR), optischer Markierungserkennung (optical mark recognition, OMR), intelligenter Zeichenerkennung (intelligent character recognition, ICR), Bilderkennung, Spracherkennung und Videoerkennung besteht. In Schritt 715 kann die Modell-Advisor-Funktion eine semantische Analyse des Artefakts auf Grundlage von einheitlichem Text durch ein System zur Datenverarbeitung mit künstlicher Intelligenz ausführen, um den unstrukturierten Inhalt zu klassifizieren. Die semantische Analyse kann zu einer Ermittlung eines oder mehrerer neuer Themen oder sonstiger Aspekte führen, durch die ein oder mehrere Aspekte des Artefakts auf Grundlage von einheitlichem Text zu klassifizieren sind. Auf Grundlage der Klassifizierung des unstrukturierten Inhalts infolge der Analyse des Artefakts auf Grundlage von Text kann die Modell-Advisor-Funktion eine Dialogausgabe erstellen, um den unstrukturierten Inhalt zu behandeln.
  • Wenn zum Beispiel Dialoginhalt von einem Kunden D in Form eines Prüfzeichens über eine Dialogschnittstelle empfangen wird, die für den Kunden D zugänglich ist, kann die Modell-Advisor-Funktion gemäß Schritt 705 ermitteln, dass der Dialoginhalt von dem Kunden D unstrukturierten Inhalt enthält. Anschließend kann die Modell-Advisor-Funktion eine Bilderkennung gemäß Schritt 710 anwenden, um ein Artefakt auf Grundlage von einheitlichem Text auf Grundlage einer Rechnungsbezahlung zu ermitteln. Die Modell-Advisor-Funktion kann eine semantische Analyse im Hinblick auf das Artefakt auf Grundlage von Text im Zusammenhang mit einer Rechnungsbezahlung ausführen, um das Prüfzeichen zu klassifizieren, indem es einer Rechnungsbezahlungsabsicht zugeordnet wird. Dementsprechend kann die Modell-Advisor-Funktion eine Dialogausgabe in Form eines Dialogabschnitts erstellen, der durch die Dialogschnittstelle anzubieten ist, die für den Kunden D zugänglich ist, die anfordert, dass der Kunde D eine Absicht zum Verarbeiten einer Rechnungsbezahlung bestätigt.
  • 8 veranschaulicht ein Verfahren 800 zum Konfigurieren eines Lernmodells für Dialogagenten gemäß einer Ausführungsform. Das Verfahren 800 stellt eine weitere beispielhafte Ausführungsform im Hinblick auf Schritt 210 des Verfahrens 200 bereit. Das Verfahren 800 kann in Schritt 805 beginnen, in dem die Modell-Advisor-Funktion ermitteln kann, ob das Korpus von Daten unstrukturierten Inhalt enthält. Unstrukturierter Inhalt im Zusammenhang mit dem Verfahren 800 kann unstrukturierte Dokumente oder Formulare enthalten. Unstrukturierter Inhalt im Zusammenhang mit dem Verfahren 800 kann des Weiteren audiovisuellen Inhalt wie zum Beispiel Sprache, Bilder und/oder Videos enthalten. Unstrukturierter Inhalt im Zusammenhang mit dem Verfahren 800 kann des Weiteren ein oder mehrere Ideogramme (z.B. ein Emoji) oder Emoticons enthalten. Unstrukturierter Inhalt im Zusammenhang mit dem Verfahren 800 kann des Weiteren Antwortinhalt aus sozialen Medien enthalten (z.B. Inhalt, der „Vorlieben“, „Abneigungen“ usw. enthält). Wenn in Schritt 805 ermittelt wird, dass das Korpus von Daten keinen unstrukturierten Inhalt enthält, kann die Modell-Advisor-Funktion Schritt 805 wiederholen. Wenn bei einer alternativen Ausführungsform in Schritt 805 ermittelt wird, dass das Korpus von Daten keinen unstrukturierten Inhalt enthält, kann das Verfahren 800 enden. Wenn ermittelt wird, dass das Korpus von Daten unstrukturierten Inhalt enthält, kann das Verfahren 800 zu Schritt 810 übergehen, in dem die Modell-Advisor-Funktion zumindest eine Erkennungstechnik auf den unstrukturierten Inhalt anwenden kann, um ein Artefakt auf Grundlage von einheitlichem Text (d.h., Meta-Inhalt) zu erzeugen. Eine solche zumindest eine Erkennungstechnik kann eine oder mehrere Techniken enthalten, die aus der Gruppe ausgewählt werden, die aus optischer Zeichenerkennung (OCR), optischer Markierungserkennung (OMR), intelligenter Zeichenerkennung (ICR), Bilderkennung, Spracherkennung und Videoerkennung besteht. In Schritt 815 kann die Modell-Advisor-Funktion eine semantische Analyse des Artefakts auf Grundlage von einheitlichem Text durch ein System zur Datenverarbeitung mit künstlicher Intelligenz ausführen, um den unstrukturierten Inhalt zu klassifizieren. Die semantische Analyse kann zu einer Ermittlung eines oder mehrerer neuer Themen oder sonstiger Aspekte führen, durch die ein oder mehrere Aspekte des Artefakts auf Grundlage von einheitlichem Text zu klassifizieren sind. In Schritt 820 kann die Modell-Advisor-Funktion das Lernmodell für Dialogagenten auf Grundlage der Klassifizierung des unstrukturierten Inhalts aktualisieren. Insbesondere kann die Modell-Advisor-Funktion in Schritt 820 neue Themen oder sonstige Aspekte auf Grundlage der in Schritt 815 ausgeführten semantischen Analyse zu dem Lernmodell für Dialogagenten hinzufügen und kann den unstrukturierten Inhalt im Zusammenhang mit den neuen Themen oder sonstigen Aspekten klassifizieren. Zusätzlich oder alternativ kann die Modell-Advisor-Funktion in Schritt 820 vorhandene Themen oder sonstige Aspekte des Lernmodells für Dialogagenten auf Grundlage der in Schritt 815 ausgeführten semantischen Analyse aktualisieren und kann den unstrukturierten Inhalt im Zusammenhang mit den neu aktualisierten Themen oder sonstigen Aspekten klassifizieren. Durch Aktualisieren des Lernmodells für Dialogagenten gemäß Schritt 820 kann die Modell-Advisor-Funktion das Modell anpassen, um Kompatibilität mit einem oder mehreren Typen von unstrukturiertem Inhalt zu gewährleisten.
  • Die Beschreibungen der verschiedenen Ausführungsformen der vorliegenden Erfindung erfolgten zur Veranschaulichung, sind jedoch nicht erschöpfend oder auf die offenbarten Ausführungsformen beschränkt gemeint. Alle Arten von Modifizierungen, die an den beschriebenen Ausführungsformen und gleichwertigen Anordnungen vorgenommen werden, sollten in den Schutzumfang der Erfindung fallen. Daher sollte der Umfang der Erfindung gemäß den folgenden Ansprüchen in Verbindung mit der ausführlichen Beschreibung am umfassendsten erläutert werden und sollte alle möglichen gleichwertigen Varianten und gleichwertigen Anordnungen abdecken. Viele Modifizierungen und Varianten sind für Fachleute ersichtlich, ohne vom Umfang und Wesensgehalt der beschriebenen Ausführungsformen abzuweichen. Die hierin verwendete Terminologie wurde gewählt, um die Grundgedanken der Ausführungsformen, die praktische Anwendung oder die technische Verbesserung gegenüber auf dem Markt erhältlichen Technologien am besten zu erläutern oder um anderen Fachleuten zu ermöglichen, die hierin beschriebenen Ausführungsformen zu verstehen.

Claims (25)

  1. Verfahren zum dynamischen Erstellen eines Lernmodells für Dialogagenten, wobei das Verfahren aufweist: Abrufen eines Korpus von Daten, wobei das Korpus von Daten Datensätze aus einem Satz von Datenablagen und externe Daten enthält, die Daten aus sozialen Netzwerken oder Anwendungen enthalten; Konfigurieren des Lernmodells für Dialogagenten auf Grundlage des abgerufenen Korpus von Daten; Bereitstellen des Lernmodells für Dialogagenten durch Erleichtern einer Interaktion zwischen dem Lernmodell für Dialogagenten und einer Mehrzahl von Kunden; und Aktualisieren des Lernmodells für Dialogagenten, um jegliche Modifizierung des Korpus von Daten zu behandeln.
  2. Verfahren nach Anspruch 1, das des Weiteren aufweist: auf Grundlage von Daten, die infolge der Interaktion empfangen werden, Erkennen zumindest eines Mangels in dem Lernmodell für Dialogagenten; und Aktualisieren des Lernmodells für Dialogagenten, um den zumindest einen Mangel zu behandeln.
  3. Verfahren nach Anspruch 1, das des Weiteren aufweist: Empfangen einer Eingabe von einem Domänenadministrator, um die Interaktion zu verfeinern.
  4. Verfahren nach Anspruch 1, wobei das Aktualisieren des Lernmodells für Dialogagenten, um jegliche Modifizierung des Korpus von Daten zu behandeln, ein dynamisches Anpassen zumindest eines Aspekts des Lernmodells für Dialogagenten auf Grundlage neuer sozialer Entwicklungen aufweist.
  5. Verfahren nach Anspruch 1, wobei das Aktualisieren des Lernmodells für Dialogagenten, um jegliche Modifizierung des Korpus von Daten zu behandeln, ein dynamisches Anpassen zumindest eines Aspekts des Lernmodells für Dialogagenten auf Grundlage einer Einführung einer neuen Technologie aufweist.
  6. Verfahren nach Anspruch 1, wobei das Abrufen des Korpus von Daten aufweist: Erkennen einer Mehrzahl von Problemen; Erkennen einer Mehrzahl von Lösungen, die jeweils der Mehrzahl von Problemen entsprechen; Erkennen von Kundeninhalt, der der Mehrzahl von Problemen oder der Mehrzahl von Lösungen zugehörig ist; und Erkennen jeglicher Einstufungen, die der Mehrzahl von Lösungen zugehörig sind.
  7. Verfahren nach Anspruch 6, wobei das Konfigurieren des Lernmodells für Dialogagenten aufweist: Ableiten einer Mehrzahl von Absichten auf Grundlage der Mehrzahl von Problemen, wobei jede der Mehrzahl von Absichten einen Zweck oder ein Ziel angibt; Ableiten einer Mehrzahl von Entitäten, wobei es sich bei jeder der Mehrzahl von Entitäten um eine Objektklasse oder einen Datentyp handelt, die/der eine Auswahl zumindest einer Aktion auf Grundlage der Mehrzahl von Lösungen ermöglicht, um eine oder mehrere der Mehrzahl von Absichten zu behandeln; und Ermitteln einer Mehrzahl von Dialogabschnitten, wobei jeder der Mehrzahl von Dialogabschnitten Dialogtext enthält, um eine oder mehrere der Mehrzahl von Absichten infolge eines Anwendens der zumindest einen Aktion auf eine oder mehrere der Mehrzahl von Entitäten zu behandeln.
  8. Verfahren nach Anspruch 7, wobei das Aktualisieren des Lernmodells für Dialogagenten, um den zumindest einen Mangel zu behandeln, ein Aufnehmen zumindest einer neuen Absicht in die Mehrzahl von Absichten oder ein Aufnehmen zumindest einer neuen Entität in die Mehrzahl von Entitäten aufweist.
  9. Verfahren nach Anspruch 7, wobei das Bereitstellen des Lernmodells für Dialogagenten aufweist: Initialisieren zumindest einer Modellinstanz, wobei die zumindest eine Modellinstanz zumindest eine Dialogschnittstelle enthält, die zumindest einem der Mehrzahl von Kunden zugänglich ist; Klassifizieren von Dialoginhalt, der über die zumindest eine Dialogschnittstelle empfangen wird, der zumindest eine Absicht, die aus dem Dialoginhalt abgeleitet worden ist, und zumindest eine Entität enthält, die aus dem Dialoginhalt abgeleitet worden ist, auf Grundlage von Aspekten des Lernmodells für Dialogagenten; und Ermitteln einer Dialogausgabe, die zumindest einen Dialogabschnitt aus der Mehrzahl von Dialogabschnitten enthält, auf Grundlage der Klassifizierung des Dialoginhalts.
  10. Verfahren nach Anspruch 9, wobei das Bereitstellen des Lernmodells für Dialogagenten des Weiteren aufweist: in Reaktion auf zumindest eine Modifizierung des Dialoginhalts: Aktualisieren der zumindest einen Absicht, die aus dem Dialoginhalt abgeleitet worden ist; und Aktualisieren des zumindest einen Dialogabschnitts auf Grundlage der aktualisierten zumindest einen Absicht.
  11. Verfahren nach Anspruch 9, wobei die Dialogausgabe Dialogtext zum Behandeln der zumindest einen Absicht, die aus dem Dialoginhalt abgeleitet worden ist, durch Anwenden zumindest einer Aktion auf die zumindest eine Entität enthält, die aus dem Dialoginhalt abgeleitet worden ist.
  12. Verfahren nach Anspruch 9, wobei die Dialogausgabe unstrukturierten Dialog aufweist.
  13. Verfahren nach Anspruch 9, wobei das Klassifizieren des Dialoginhalts aufweist: Zuordnen der zumindest einen Absicht, die aus dem Dialoginhalt abgeleitet worden ist, zu zumindest einer Absicht aus der Mehrzahl von Absichten, und Zuordnen der zumindest einen Entität, die aus dem Dialoginhalt abgeleitet worden ist, zu zumindest einer Entität aus der Mehrzahl von Entitäten.
  14. Verfahren nach Anspruch 9, wobei das Klassifizieren des Dialoginhalts aufweist: in Reaktion auf das Ermitteln, dass der Dialoginhalt unstrukturierten Inhalt enthält: Anwenden zumindest einer Erkennungstechnik auf den unstrukturierten Inhalt, um ein Artefakt auf Grundlage von einheitlichem Text zu erzeugen; und Ausführen einer semantischen Analyse des Artefakts auf Grundlage von einheitlichem Text durch ein System zur Datenverarbeitung mit künstlicher Intelligenz zum Klassifizieren des unstrukturierten Inhalts.
  15. Verfahren nach Anspruch 1, wobei das Konfigurieren des Lernmodells für Dialogagenten aufweist: in Reaktion auf das Ermitteln, dass das Korpus von Daten unstrukturierten Inhalt enthält: Anwenden zumindest einer Erkennungstechnik auf den unstrukturierten Inhalt, um ein Artefakt auf Grundlage von einheitlichem Text zu erzeugen; Ausführen einer semantischen Analyse des Artefakts auf Grundlage von einheitlichem Text durch ein System zur Datenverarbeitung mit künstlicher Intelligenz zum Klassifizieren des unstrukturierten Inhalts; und Aktualisieren des Lernmodells für Dialogagenten auf Grundlage der Klassifizierung des unstrukturierten Inhalts.
  16. Computerprogrammprodukt, das ein computerlesbares Speichermedium aufweist, in dem Programmanweisungen zum dynamischen Erstellen eines Lernmodells für Dialogagenten verkörpert sind, wobei die Programmanweisungen durch eine Datenverarbeitungseinheit ausführbar sind, um die Datenverarbeitungseinheit zu veranlassen zu einem: Abrufen eines Korpus von Daten, wobei das Korpus von Daten Datensätze aus einem Satz von Datenablagen und externe Daten enthält, die Daten aus sozialen Netzwerken oder Anwendungen enthalten; Konfigurieren des Lernmodells für Dialogagenten auf Grundlage des abgerufenen Korpus von Daten; Bereitstellen des Lernmodells für Dialogagenten durch Erleichtern einer Interaktion zwischen dem Lernmodell für Dialogagenten und einer Mehrzahl von Kunden; und Aktualisieren des Lernmodells für Dialogagenten, um jegliche Modifizierung des Korpus von Daten zu behandeln.
  17. Computerprogrammprodukt nach Anspruch 16, wobei die Programmanweisungen die Datenverarbeitungseinheit des Weiteren veranlassen zu einem: auf Grundlage von Daten, die infolge der Interaktion empfangen werden, Erkennen zumindest eines Mangels in dem Lernmodell für Dialogagenten; und Aktualisieren des Lernmodells für Dialogagenten, um den zumindest einen Mangel zu behandeln.
  18. Computerprogrammprodukt nach Anspruch 16, wobei die Programmanweisungen die Datenverarbeitungseinheit des Weiteren veranlassen zu einem: Empfangen einer Eingabe von einem Domänenadministrator, um die Interaktion zu verfeinern.
  19. Computerprogrammprodukt nach Anspruch 16, wobei das Abrufen des Korpus von Daten aufweist: Erkennen einer Mehrzahl von Problemen; Erkennen einer Mehrzahl von Lösungen, die jeweils der Mehrzahl von Problemen entsprechen; Erkennen von Kundeninhalt, der der Mehrzahl von Problemen oder der Mehrzahl von Lösungen zugehörig ist; und Erkennen jeglicher Einstufungen, die der Mehrzahl von Lösungen zugehörig sind.
  20. Computerprogrammprodukt nach Anspruch 19, wobei das Konfigurieren des Lernmodells für Dialogagenten aufweist: Ableiten einer Mehrzahl von Absichten auf Grundlage der Mehrzahl von Problemen, wobei jede der Mehrzahl von Absichten einen Zweck oder ein Ziel angibt; Ableiten einer Mehrzahl von Entitäten, wobei es sich bei jeder der Mehrzahl von Entitäten um eine Objektklasse oder einen Datentyp handelt, die/der eine Auswahl zumindest einer Aktion auf Grundlage der Mehrzahl von Lösungen ermöglicht, um eine oder mehrere der Mehrzahl von Absichten zu behandeln; und Ermitteln einer Mehrzahl von Dialogabschnitten, wobei jeder der Mehrzahl von Dialogabschnitten Dialogtext enthält, um eine oder mehrere der Mehrzahl von Absichten infolge eines Anwendens der zumindest einen Aktion auf eine oder mehrere der Mehrzahl von Entitäten zu behandeln.
  21. System, das aufweist: einen Prozessor; und einen Hauptspeicher, der ein Anwendungsprogramm speichert, das, wenn es in dem Prozessor ausgeführt wird, einen Vorgang zum dynamischen Erstellen eines Lernmodells für Dialogagenten durchführt, wobei der Vorgang aufweist: Abrufen eines Korpus von Daten, wobei das Korpus von Daten Datensätze aus einem Satz von Datenablagen und externe Daten enthält, die Daten aus sozialen Netzwerken oder Anwendungen enthalten; Konfigurieren des Lernmodells für Dialogagenten auf Grundlage des abgerufenen Korpus von Daten; Bereitstellen des Lernmodells für Dialogagenten durch Erleichtern einer Interaktion zwischen dem Lernmodell für Dialogagenten und einer Mehrzahl von Kunden; und Aktualisieren des Lernmodells für Dialogagenten, um jegliche Modifizierung des Korpus von Daten zu behandeln.
  22. System nach Anspruch 21, wobei der Vorgang des Weiteren aufweist: auf Grundlage von Daten, die infolge der Interaktion empfangen werden, Erkennen zumindest eines Mangels in dem Lernmodell für Dialogagenten; und Aktualisieren des Lernmodells für Dialogagenten, um den zumindest einen Mangel zu behandeln.
  23. System nach Anspruch 21, wobei der Vorgang des Weiteren aufweist: Empfangen einer Eingabe von einem Domänenadministrator, um die Interaktion zu verfeinern.
  24. System nach Anspruch 21, wobei das Abrufen des Korpus von Daten aufweist: Erkennen einer Mehrzahl von Problemen; Erkennen einer Mehrzahl von Lösungen, die jeweils der Mehrzahl von Problemen entsprechen; Erkennen von Kundeninhalt, der der Mehrzahl von Problemen oder der Mehrzahl von Lösungen zugehörig ist; und Erkennen jeglicher Einstufungen, die der Mehrzahl von Lösungen zugehörig sind.
  25. System nach Anspruch 24, wobei das Konfigurieren des Lernmodells für Dialogagenten aufweist: Ableiten einer Mehrzahl von Absichten auf Grundlage der Mehrzahl von Problemen, wobei jede der Mehrzahl von Absichten einen Zweck oder ein Ziel angibt; Ableiten einer Mehrzahl von Entitäten, wobei es sich bei jeder der Mehrzahl von Entitäten um eine Objektklasse oder einen Datentyp handelt, die/der eine Auswahl zumindest einer Aktion auf Grundlage der Mehrzahl von Lösungen ermöglicht, um eine oder mehrere der Mehrzahl von Absichten zu behandeln; und Ermitteln einer Mehrzahl von Dialogabschnitten, wobei jeder der Mehrzahl von Dialogabschnitten Dialogtext enthält, um eine oder mehrere der Mehrzahl von Absichten infolge eines Anwendens der zumindest einen Aktion auf eine oder mehrere der Mehrzahl von Entitäten zu behandeln.
DE112019000206.6T 2018-02-01 2019-01-21 Dynamisches Erstellen und Konfigurieren eines Lernmodells für Dialogagenten Pending DE112019000206T5 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/886,686 2018-02-01
US15/886,686 US11886823B2 (en) 2018-02-01 2018-02-01 Dynamically constructing and configuring a conversational agent learning model
PCT/IB2019/050478 WO2019150222A1 (en) 2018-02-01 2019-01-21 Dynamically constructing and configuring a conversational agent learning model

Publications (1)

Publication Number Publication Date
DE112019000206T5 true DE112019000206T5 (de) 2020-08-06

Family

ID=67392504

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112019000206.6T Pending DE112019000206T5 (de) 2018-02-01 2019-01-21 Dynamisches Erstellen und Konfigurieren eines Lernmodells für Dialogagenten

Country Status (6)

Country Link
US (1) US11886823B2 (de)
JP (1) JP7263370B2 (de)
CN (1) CN111566637A (de)
DE (1) DE112019000206T5 (de)
GB (1) GB2584239B (de)
WO (1) WO2019150222A1 (de)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11188809B2 (en) * 2017-06-27 2021-11-30 International Business Machines Corporation Optimizing personality traits of virtual agents
CN112883024A (zh) * 2018-04-27 2021-06-01 华为技术有限公司 一种模型更新方法、装置及系统
US11257496B2 (en) * 2018-09-26 2022-02-22 [24]7.ai, Inc. Method and apparatus for facilitating persona-based agent interactions with online visitors
US10999433B2 (en) * 2018-11-30 2021-05-04 Verizon Patent And Licensing Inc. Interpretation of user interaction using model platform
US12099997B1 (en) 2020-01-31 2024-09-24 Steven Mark Hoffberg Tokenized fungible liabilities
US11762670B2 (en) 2020-02-26 2023-09-19 Red Hat, Inc. Testing and selection of efficient application configurations
US20230274095A1 (en) * 2021-01-11 2023-08-31 Gotlt! Inc. Autonomous conversational ai system without any configuration by a human
KR20220123170A (ko) * 2021-02-28 2022-09-06 조지수 인공지능 아바타 튜터를 활용한 회화 학습 시스템 및 그 방법
WO2024175172A1 (en) * 2023-02-20 2024-08-29 Huawei Technologies Co., Ltd. Dynamic traits in a conversational agent

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020072916A1 (en) * 2000-12-08 2002-06-13 Philips Electronics North America Corporation Distributed speech recognition for internet access
GB2372864B (en) * 2001-02-28 2005-09-07 Vox Generation Ltd Spoken language interface
US7606714B2 (en) 2003-02-11 2009-10-20 Microsoft Corporation Natural language classification within an automated response system
US20050197825A1 (en) * 2004-03-05 2005-09-08 Lucent Technologies Inc. Personal digital assistant with text scanner and language translator
US20070168480A1 (en) 2006-01-13 2007-07-19 Microsoft Corporation Interactive Robot Creation
US9318108B2 (en) * 2010-01-18 2016-04-19 Apple Inc. Intelligent automated assistant
US8504908B2 (en) 2007-10-17 2013-08-06 ITI Scotland, Limited Computer-implemented methods displaying, in a first part, a document and in a second part, a selected index of entities identified in the document
JP5420874B2 (ja) 2008-09-25 2014-02-19 株式会社タイトー デジタルストーリー提供システム、デジタルストーリー提供方法、及びこの方法をコンピュータシステムに実行させるためのコンピュータプログラム
WO2010078614A1 (en) 2009-01-08 2010-07-15 Relevancenow Pty Limited Chatbots
US8818926B2 (en) 2009-09-29 2014-08-26 Richard Scot Wallace Method for personalizing chat bots
CN102314440B (zh) 2010-06-30 2016-06-08 百度在线网络技术（北京）有限公司 利用网络维护语言模型库的方法和系统
EP2839391A4 (de) * 2012-04-20 2016-01-27 Maluuba Inc Konversationsagent
US20130282603A1 (en) 2012-04-20 2013-10-24 Lithium Technologies, Inc. System and method for providing a social customer care system
US8762302B1 (en) * 2013-02-22 2014-06-24 Bottlenose, Inc. System and method for revealing correlations between data streams
US9330659B2 (en) * 2013-02-25 2016-05-03 Microsoft Technology Licensing, Llc Facilitating development of a spoken natural language interface
US9189742B2 (en) * 2013-11-20 2015-11-17 Justin London Adaptive virtual intelligent agent
CA2835368A1 (en) * 2013-11-27 2015-05-27 Akademia Gorniczo-Hutnicza Im. Stanislawa Staszica W Krakowie System and method for providing a dialog with a user
US10621653B2 (en) * 2014-03-31 2020-04-14 Monticello Enterprises LLC System and method for providing payments for users in connection with a device software module having a payment application programming interface
JP6275569B2 (ja) 2014-06-27 2018-02-07 株式会社東芝 対話装置、方法およびプログラム
US9547471B2 (en) * 2014-07-03 2017-01-17 Microsoft Technology Licensing, Llc Generating computer responses to social conversational inputs
US10116596B2 (en) 2014-09-29 2018-10-30 International Business Machines Corporation Personalizing data system components and data sources as chatbots in a group chat session
US9647968B2 (en) 2015-03-25 2017-05-09 Pypestream Inc Systems and methods for invoking chatbots in a channel based communication system
CN106294418B (zh) 2015-05-25 2019-08-30 北京大学 检索方法和检索系统
US10331312B2 (en) 2015-09-08 2019-06-25 Apple Inc. Intelligent automated assistant in a media environment
KR20180070659A (ko) 2015-12-21 2018-06-26 구글 엘엘씨 메시징 애플리케이션들을 위한 자동적인 제안들 및 다른 콘텐츠
KR20180123037A (ko) 2016-03-24 2018-11-14 소니 주식회사 정보 처리 시스템, 정보 처리 장치, 정보 처리 방법, 및 기록 매체
US10831802B2 (en) 2016-04-11 2020-11-10 Facebook, Inc. Techniques to respond to user requests using natural-language machine learning based on example conversations
CN106055623A (zh) 2016-05-26 2016-10-26 《中国学术期刊（光盘版）》电子杂志社有限公司 一种跨语言推荐方法和系统
CN106844333A (zh) 2016-12-20 2017-06-13 竹间智能科技（上海）有限公司 一种基于语义及语法结构的语句分析方法及系统
CN106997375B (zh) 2017-02-28 2020-08-18 浙江大学 基于深度学习的客服回复推荐方法

Also Published As

Publication number Publication date
JP2021512393A (ja) 2021-05-13
GB202012150D0 (en) 2020-09-16
CN111566637A (zh) 2020-08-21
GB2584239B (en) 2022-03-02
US20190238487A1 (en) 2019-08-01
US11886823B2 (en) 2024-01-30
GB2584239A (en) 2020-11-25
WO2019150222A1 (en) 2019-08-08
JP7263370B2 (ja) 2023-04-24

Similar Documents

Publication Publication Date Title
DE112019000206T5 (de) Dynamisches Erstellen und Konfigurieren eines Lernmodells für Dialogagenten
DE112020000526T5 (de) System und verfahren zum inkrementellen lernen für eine objekterkennung
DE112021004197T5 (de) Semantisches Lernen in einem System für ein föderiertes Lernen
DE112019000187T5 (de) Dynamische zugriffskontrolle für wissens-graphen
DE112018005459T5 (de) Datenanonymisierung
DE112018005894T5 (de) Maschinenlernen zum integrieren von wissens- und natürlicher sprachverarbeitung
DE112018005167T5 (de) Aktualisieren von trainingsdaten
DE112020003820T5 (de) Erkennung von Anomalien und Abweichungen unter Verwendung eines domänenindizierten Einschränkungs-Repository
DE112018004222T5 (de) Datenbankaufteilung
DE112019001533T5 (de) Erweiterung von trainingsdaten für die klassifikation von natürlicher sprache
DE202015009874U1 (de) Implementierung semistrukturierter Daten als ein Datenbankelement erster Klasse
DE112020005095T5 (de) Automatische trennung und extraktion von tabellendaten unter verwendung von maschinellem lernen
DE102017207686A1 (de) Einblicke in die belegschaftsstrategie
DE112018005725T5 (de) Daten-deidentifikation auf der grundlage eines erkennens von zulässigen konfigurationen für daten-deidentifikationsprozesse
DE102013222290A1 (de) System und Verfahren zur gemeinsamen Nutzung von Ermittlungsergebnisdaten
DE112016001902T5 (de) Schätzen von Rechenressourcen für die Ausführung von Data-Mining-Diensten
DE112021004234T5 (de) Einsetzen von metalernen zum optimieren der automatischen auswahl von pipelinesdes maschinellen lernens
DE112018001290T5 (de) Verfahren zum Schätzen der Löschbarkeit von Datenobjekten
DE102021130396A1 (de) Datenzugriffsüberwachung und -steuerung
DE112021004694T5 (de) Trainieren eines frage-antwort-dialogsystems zum vermeiden von gegnerischen angriffen
DE112022001085T5 (de) Verfahren für eine elektronische nachrichtenübermittlung
DE102021123058A1 (de) Maskieren von sensiblen informationen in einem dokument
DE112021001163T5 (de) Dynamisches erstellen von facetten unter verwendung von graphpartitionierung
DE112018001952T5 (de) Verbessertes visuelles dialogsystem für intelligente tutoren
DE112018005620T5 (de) Auftragsverwaltung in einem datenverarbeitungssystem

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: G06F0016300000

Ipc: G06F0040350000

R084 Declaration of willingness to licence