In der Übersicht
Wir adressieren mit unserer Arbeit Forschungslücken in den Bereichen der Künstlichen Intelligenz, der Fuzzy Logic und der Psychologie. Weiter schaffen wir mit unseren Forschungsergebnissen Lösungen, welche direkt in der Praxis eingesetzt werden können, um zum einen den Kundenservice zu optimieren und zum anderen mit erfolgreichen Automatisierungen den Folgen des Fachkräftemangels entgegen wirken zu können.
Dank dem neuen Ansatz des Character Computings (CC) in Kombination mit Computing with words and perceptions (CWP) und der Conversational Theory soll die Sprach- und Emotionserkennung von Conversational Bots optimiert und natürlicher gemacht werden.
Bisherige Chat- oder Voicebots sind lediglich darauf ausgelegt, einfache Befehle von Personen zu verstehen und auszuführen. Dabei wird der Sprachinput einem vordefinierten Befehl zugeordnet und danach ausgeführt. So wird die Komplexität der Sprache auf einem Niveau vereinfacht, das viele wichtige Informationen verloren gehen lässt. Es werden so beispielsweise keinerlei Informationen über die Persönlichkeit und Emotionen der User weiterverarbeitet. Beim klassischen Character Computing werden Persönlichkeit, Situation und Emotionen zwar berücksichtigt, aber es wird eine Vielzahl von Daten und Informationen benötigt, um zunächst den Character und anschliessend das erwartete Verhalten ableiten zu können. Forscher des Character Computings nutzen zur Bestimmung des Characters eines Bot-Users eine Vielzahl von Sensor-Daten, welche in der Realität niemals von allen Bot-Usern vorliegen. Character Computing kann daher bisher nur sehr eingeschränkt in der Praxis eingesetzt werden.
Unsere Forschung orientiert sich an den Prinzipien der Datensparsamkeit. Mit Hilfe der Conversational Theory wollen wir rein aus den Chat-Dialogen den Character des Users ableiten, um dann mit unserem Conversational Bot passend darauf eingehen zu können.
