Wenn wir intelligente Assistenten bauen wollen, müssen wir vor allem das allgemeine Verständnisproblem lösen, indem wir jeden Einzelnen einbeziehen. Und das bedeutet wirklich jeden Einzelnen. Es ist aktuell immer noch eine große Herausforderung für Sprachassistenten, zusätzliche Sprachen, Dialekte oder gar kulturelle Konzepte mit einzubeziehen.

Obwohl Sprachassistenten heute bereits in manchen Sprachen korrekt sprechen können, ist es ihnen immer noch ein Unmögliches uns Menschen vollkommen zu verstehen, dies betreffend auch Menschen mit einer Behinderung oder Kinder mit einer vereinfachten Ausdrucksweise. Künstliche Intelligenzen haben diese Herausforderung im Sprachverständnis auch bereits seit einiger Zeit.

Oder vielleicht fehlt ihnen auch eine bestimmte Wissensebene, wie diese Facebook-Studie nahelegt:

„Wenn KI-Systeme ein tieferes und detaillierteres Verständnis der Realität erlangen können, das über das hinausgeht, was wir ihnen antrainieren, werden sie noch nützlicher sein und KI letztendlich noch näher an das Niveau menschlicher Intelligenz heranbringen.“

Da Menschen über Sprache kommunizieren, sollte die Lernkurve für die Nutzung von Sprachassistenten nicht so lang sein. Wenn Sie mit einem Sprachassistenten sprechen, werden Ihnen womöglich sofort seine Grenzen bewusst werden. Kann es den Unterschied verstehen zwischen „hier“ und „dort“ erkennen? Was bedeutet das räumlich? Gibt es da einen Zusammenhang zwischen beidem?

Letztendlich können wir nicht alles auf der Welt mit einem eindeutigen Etikett versehen. Verstand und die Fähigkeit, Zusammenhänge zu erkennen, sind Dinge, die auch ein intelligenter Sprachassistent benötigt. Unser Verstand hilft uns Menschen, neue Aufgaben mithilfe von bereits angelegten mentalen Modellen zu erledigen, ohne dass wir dafür viel zusätzliche Übung bräuchten. Denken wir nur einmal darüber nach, wozu ein Kind in der Lage ist und im Vergleich dazu ein Erwachsener. Aus diesem Bereich kommt der Begriff „kontextbezogen“ in Bezug auf Voice Experiences. Ich persönlich beschäftige mich mit diesem Thema im Rahmen meines Promotionsstudiums.

Dennoch müssen wir weiterhin auf den bereits bestehenden Funktionen aufbauen. Insbesondere benötigen Sprachassistenten technologische Komponenten, die für eine gewisse Verstand-Fähigkeit oder für das Kontextmanagement sorgen.

Die aktuelle KI-Forschung ist sehr daran interessiert, den menschlichen Verstand nachzubauen und der KI so die Möglichkeit zu geben, selbstständig Konzepte erlernen zu können. Selbstgesteuertes Lernen ist der zentrale Aspekt, um eine Kontextmanagement-Komponente für Voice-Technologie zu erreichen.

in entscheidender Vorteil dieser Komponente ist, dass der Sprachassistent den Zusammenhang zu dem, was vorher im Konversationsverlauf gesagt wurde, verstehen und daraus sinnvolle Schlussfolgerungen darüber ziehen könnte, was die tatsächliche Absicht hinter einer neuen User-Anfrage ist. Mit anderen Worten: „Ich brauche Papa“ bedeutet in unserem Fall „Bitte sag Papa, dass er zu mir kommen soll“ (basierend auf den wenigen Sekunden, die wir im Video gesehen haben).

Diese Beziehungen helfen dem Assistenten dabei, den Unterschied zwischen „hier“ und „da drüben“ oder „drinnen“ und „draußen“ zu verstehen, oder sogar die Bedeutung der Orte „Wohnzimmer“ und „Schlafzimmer“. So könnte der Sprachassistent z.B. verstehen, zu welchen Tageszeiten diese Räume üblicherweise genutzt werden und für welche Aktivitäten, oder welche Möbel und Geräte sich in diesen Räumen befinden.

Eine Frage wie z.B. „Macht es Sinn, um 3 Uhr nachts alle Lichter im Schlafzimmer einzuschalten, während Leute in dem Raum schlafen?“ könnte ein Sprachassistent leicht beantworten, solange er alle erforderlichen Parameter kennt.

Mithilfe einer so starken Verstand-Komponente könnte es in Zukunft einen Sprachassistenten geben, der uns tatsächlich unterstützen kann und vielleicht sogar Intelligenz besitzt, die weit über die heute üblichen Sprachassistenten, die nur auf unsere Befehle reagieren, hinausgeht.

Bei genauerer Betrachtung stellen wir fest, dass das Kontextwissen im Verlauf zwischen Typ 1 und Typ 4 immer essenzieller wird. So lässt sich hier auch eine Korrelation zur Handlungsfähigkeit des jeweiligen Assistenten feststellen. Je weiter wir in der obigen Reihenfolge aufsteigen, desto mehr verlieren wir als User an Handlungsfähigkeit. Wir verlieren die Kontrolle über den Sprachassistenten. Ein Sprachassistent wird weit mehr als nur ein gehorsamer Helfer für uns, sondern wird vielleicht sogar wie wir. (Darüber werden wir in einem anderen Blog noch ausführlicher sprechen.)

Der Design-Prozess für Voice Experiences muss also auch eine genaue Untersuchung des Kontexts beinhalten. Diese kontextuelle Untersuchung muss beispielsweise die physische Umwelt in Betracht ziehen (Holtzblatt et al., 1998). Dadurch können wir die Makro- und Mikroebene der Voice-Interaktion verstehen und die erforderlichen Kontextparameter definieren.

Der zweite Punkt ist eine technische Anforderung: Aktuelle Voice-Technologien und -Lösungen müssen ein Kontextmanagementsystem und eine Spracherkennung beinhalten, die von Entwickler*innen genutzt werden können. Um das zu ermöglichen, sind weitere Entwicklungen im Bereich der selbstlernenden Algorithmen zwingend notwendig.

Bei VUI.agency berücksichtigen wir immer auch kontextuelle Informationen, wenn wir Voice Experiences designen. Von der Anfragephase bis hin zum Test steht immer der Kontext und die Situation des Users im Mittelpunkt. Wir versuchen, die Grenzen der Technologie zu erweitern, um so einen noch intelligenteren und nützlicheren Sprachassistenten zu entwickeln.

Wenn wir einen intelligenten Assistenten haben wollen, der uns tatsächlich im Alltag hilft und uns als User nicht ständig nur frustriert, müssen wir zunehmend in neue, innovative Frameworks und Technologien investieren.

Unternehmen und Marken sollten versuchen, neue Wege für den Voice-Bereich zu erkunden und sich nicht nur auf die derzeitigen technischen Grenzen zu beschränken.

Schreiben Sie uns gerne, falls Sie mehr über das Thema Kontext im Voice-Bereich erfahren möchten.