Mit einem Sprachdialogsystem (englischVoice Portal), auch IVR-System (Interactive Voice Response), können Anrufer über das Telefon oder andere akustische Medien teil- oder vollautomatisierte natürlichsprachlicheDialoge führen.
Beispiel:
Anrufer: „Wie ist das Tages-Hoch und der aktuelle Kurs der Aktie der Firma F in Frankfurt?“.
Antwort des Sprachdialogsystems: „Das Tages-Hoch von F in Frankfurt ist xxx,yy Euro und aktuell steht F bei xxx,yy Euro.“
IVR schließt in der Praxis auch andere Eingabemöglichkeiten der Telefonie, wie das Mehrfrequenzwahlverfahren, ein („Für den Verkauf drücken Sie jetzt bitte die ‚1‘, für Service drücken Sie jetzt bitte die ‚2‘ …“). In der Telekommunikation ermöglichen es IVR-Systeme den Kunden, über das Tastenfeld eines Telefons oder durch Spracherkennung mit dem Hostsystem eines Unternehmens zu interagieren, sodass mithilfe des IVR-Systems Auskünfte eingeholt werden können. IVR-Systeme können mit vorab aufgenommenen Sprachbausteinen reagieren, um die Benutzer zur weiteren Vorgehensweise anzuleiten. In einem Netzwerk bereitgestellte IVR-Systeme sind für die Abwicklung eines großen Anrufaufkommens dimensioniert.
Moderne, KI-basierte Sprachdialogsysteme werden häufig auch als Voicebots bezeichnet, insbesondere wenn sie eine freie, natürlichsprachliche Interaktion ermöglichen.
Dieser Artikel oder nachfolgende Abschnitt ist nicht hinreichend mit Belegen (beispielsweise Einzelnachweisen) ausgestattet. Angaben ohne ausreichenden Beleg könnten demnächst entfernt werden. Bitte hilf Wikipedia, indem du die Angaben recherchierst und gute Belege einfügst.
Wegen der Weiterentwicklung der Spracherkennung in den letzten Jahren sind aus ganzen Sätzen bestehende Dialoge möglich. Dies setzt eine gewisse Intelligenz der Systeme voraus. Moderne Sprachdialogsysteme nutzen hierfür häufig Verfahren des maschinellen Lernens, um Sprachverständnis und Dialogführung zu verbessern.
Entwicklung
Seit den 2000er-Jahren hat sich die Technologie von Sprachdialogsystemen deutlich weiterentwickelt. Neben klassischen menügesteuerten Systemen (Interactive Voice Response, IVR) wurden zunehmend natürlichsprachliche Dialogsysteme erforscht und eingesetzt, die eine freiere Interaktion zwischen Mensch und Maschine ermöglichen. Frühe Systeme dieser Art entstanden häufig im wissenschaftlichen Umfeld und wurden im Rahmen von Forschungsprojekten sowie auf Fachveranstaltungen vorgestellt und ausgezeichnet.
Mit der Weiterentwicklung der Spracherkennung sowie durch den Einsatz von Verfahren des maschinellen Lernens haben sich die Möglichkeiten von Sprachdialogsystemen erheblich erweitert. Moderne Systeme ermöglichen eine flexiblere, kontextbezogene Dialogführung und werden in der Praxis häufig als Voicebots oder KI-basierte Sprachassistenten bezeichnet.
Neuere Entwicklungen im Bereich großer Sprachmodelle (Large Language Models) tragen zusätzlich zu einer verbesserten Verarbeitung natürlicher Sprache bei und ermöglichen zunehmend freiere Dialoge. Gleichzeitig hat die Akzeptanz sprachbasierter Systeme in vielen Anwendungsbereichen zugenommen.
Verwendung
IVR-Systeme werden eingesetzt, um hohe Anrufvolumina zu verarbeiten und die Kosten zu reduzieren. Zunehmend kommen dabei auch KI-basierte Sprachdialogsysteme (sogenannte Voicebots) zum Einsatz, die eine freiere Interaktion ermöglichen. IVR-Systeme können für mobile Einkäufe, Bankdienstleistungen, Versorgungsunternehmen, Reiseinformationen und den Wetterbericht verwendet werden. Durch IVR-Systeme können Anrufende Daten relativ anonym abrufen. Dies ist auf gesteigerte CPU-Leistungen und die Migration der Sprachanwendungen von proprietärem Code hin zum VoiceXML-Standard zurückzuführen.
IVR-Systeme ermöglichen es, Sprache als weiteres Ein-/Ausgabemedium neben Tastatur, Maus und Monitor zu nutzen.
Die Anwendungsarten lassen sich technisch einteilen in
reine Sprachdienste: bieten nur Interaktion über Sprache und
multimodale Anwendungen: kombinieren Sprachinteraktion mit anderen Ein-/Ausgabemedien (z.B. grafischen Oberflächen).
Im Folgenden werden die Anwendungsarten weiter nach Nutzergruppen eingeteilt in kommerzielle Sprachdienste (Business2Consumer, Business2Business), innerbetriebliche Sprachdienste und geräteintegrierte Sprachdienste (Hardware- und Software-Steuerung, Computerspiele).
Kommerzielle Sprachdienste
Reine Sprachdienste kommerzieller Natur stießen bei deutschen Konsumenten im Jahr 2009 meist noch auf Ablehnung. Da der Anwender nicht persönlich eingewiesen werden kann, die Funktionsweise der Systeme nicht kennt und sich durch eventuell über den Sprachdienst eingespielte Werbung belästigt fühlt, nehmen Endkunden häufig eine negative Haltung gegenüber Sprachdiensten ein. Mit der Weiterentwicklung der Spracherkennung und dem Einsatz von KI-basierten Systemen hat sich die Akzeptanz in den letzten Jahren jedoch deutlich verbessert.
Folgende Einsatzfelder waren exemplarisch für den kommerziellen Bereich:
Dienste für zwischenbetriebliche Abläufe (Business-to-Business waren damals noch nicht bekannt).
Moderne Anwendungen umfassen heute KI-basierte Sprachdialogsysteme (Voicebots), die beispielsweise im Kundenservice zur automatisierten Bearbeitung von Anfragen, zur Terminvereinbarung oder zur Unterstützung von Serviceprozessen eingesetzt werden.
Innerbetriebliche Sprachdienste (für Mitarbeiter)
Innerbetrieblich wurde Sprachverarbeitung früher kaum genutzt, obwohl hier bei großen Unternehmen Potenziale liegen: Der innerbetriebliche Anwender kann in die Bedienung eingewiesen werden und er arbeitet regelmäßig mit dem Sprachdienst. Dies führt zu effizienter Nutzung bei hoher Akzeptanz durch den Anwender. Die Prozesszeiten innerbetrieblicher Abläufe lassen sich stark beschleunigen bei gleichzeitiger Senkung der Fehlerraten bei der Dateneingabe durch reduzierte Medienbrüche.
Warenannahme
Qualitätsprüfung, Laufprüfung, Produktendabnahme
Inventur
Inspektion von Anlagen
prozessorientierte Ereignismeldung
Fern- und Vorortdiagnose
Inzwischen finden sprachbasierte Systeme auch zunehmend Einsatz in internen Prozessen, etwa zur Dokumentation, Unterstützung von Service- und Wartungsprozessen oder zur Interaktion mit IT-Systemen.
Geräteintegrierte Sprachdienste
Nur wenig besser angenommen wurden 2009 geräteintegrierte Dialogsysteme. Allerdings erfordert eine qualitative Spracherkennung hohe Rechenleistung bei entsprechendem Energiebedarf, so dass zufriedenstellend funktionierende Lösungen zunächst nur in Bordsystemen einzelner Oberklassewagen, Computerspielen oder spezieller Anwendungssoftware anzutreffen waren.
Mit der zunehmenden Verfügbarkeit leistungsfähiger Hardware und cloudbasierter Verarbeitung haben sich jedoch auch hier deutlich verbesserte und weit verbreitete Anwendungen entwickelt.
Beispiele für geräteintegrierte Spracherkennung sind:
Freisprecheinrichtungen in Kraftfahrzeugen
Navigationssysteme in Kraftfahrzeugen
Rufnummernwahl in Mobiltelefonen über den Personennamen
Engere Kooperation zwischen Mensch und Maschine, z.B. für den Einsatz von Industrierobotern in Handwerksbetrieben, war ein aktueller Forschungsgegenstand.
Vorteile und Grenzen interaktiver Sprachdialogsysteme
Mittels Sprache kann gegenüber herkömmlichen grafischen Benutzeroberflächen direkt und natürlich kommuniziert werden:
Vorteile der Sprachinteraktion
Die Hände und der Blick bleiben frei (verbessert Ergonomie und Prozesszeit).
Sprache ist dem Menschen unmittelbar zugänglich (größere Qualifikationsmaßnahmen und längere Einlernzeiten zur Oberflächenbedienung entfallen).
Die Anforderungen an das Endgerät sind gering (es genügt ein Telefon oder Headset mit gutem Mikrofon).
Die allgemeine Verfügbarkeit von (Mobil-)Telefonen erlaubt neue Freiheitsgrade während der Interaktion mit Software-Anwendungen.
Moderne sprecherunabhängige Erkennung versteht Äußerungen verschiedener Personen (mehrsprachige Applikationen möglich; bis zu einem gewissen Grad auch Dialekte toleriert).
Alle Informationselemente sind direkt erreichbar (kein mühsames Durchlaufen hierarchischer Menüs und langer Listen).
Innerhalb eines spezifischen Kontexts können komplexe Sätze verstanden und automatisch verarbeitet werden (zum Beispiel für die Reservierung eines Dienstwagens über einen Telefonanschluss: „Hallo. Ich hätte gerne einen Wagen für die Strecke Stuttgart – Darmstadt am Donnerstag von 6 bis 22 Uhr“).
Visuelle Aufgaben erfordern hohe Aufmerksamkeit. Dialoge können praktisch „nebenbei“ geführt werden.
NLU ist eine fortgeschrittene Schnittstelle in der Computerinteraktion, dennoch sind die Möglichkeiten der Darstellung von Informationen im Vergleich zu visuellen Medien eingeschränkt:
Grenzen der Sprachinteraktion
Keine 100-prozentige Erkennung
Problematisch sind sehr umfangreiche Vokabulare (vermehrt Ähnlichkeiten in der Aussprache verschiedener Begriffe).
Keine perfekte Erkennung durch die Variabilität der menschlichen Stimme.
Raue Umweltbedingungen
Wiederholt auftretende Umweltgeräusche können signaltechnisch und softwaretechnisch heutzutage gut herausgefiltert werden.
Das Filtern menschlicher Stimmen im Hintergrund bleibt dagegen weiterhin problematisch.
Navigation und Menüstrukturen
Der Benutzer muss sich mit den Navigationsmöglichkeiten und Funktionen einer komplexen Sprachapplikation erst vertraut machen. Lösung: Abgestufte Anwendungs-Modi für Einsteiger und Fortgeschrittene zur effizienten Nutzung.
Die menschliche Wahrnehmung kann lange Listen visuell gut überblicken; akustisch ist das Auflisten vieler Informationen an einem Stück jedoch schwer verständlich.
Man muss „die Regeln“ kennen. Computer „verstehen“ nicht – es ist lediglich eine Sprach-„Erkennung“.
Spracherkennungstechniken korrelieren die gesprochenen Wörter mit einer Liste von erwarteten Äußerungen, die in ihrer Größe limitiert ist. Bei der Entwicklung eines Sprachdialogsystems müssen Annahmen getroffen werden, was gefragt werden könnte. Basierend hierauf müssen Frage/Antwort-Dialoge entwickelt werden, die den Anrufer zu einer bestimmten Information führen. Ein Dialog könnte dann beispielsweise wie folgt aussehen: „Suchen Sie nach Informationen über ein Unternehmen, einen Film, Verkehrsinformationen …?“ „Unternehmen.“ „Welche Art von Unternehmen?“ „Restaurant!“ „Welche Art von Restaurant?“ „Chinesisch!“ „In welcher Straße, Stadtteil oder in der Nähe von welchem Lokal?“ Auch wenn dieses Vorgehen funktionieren kann und für den Anrufer hilfreich sein kann, ist es doch weit entfernt von den Möglichkeiten, die man mit einer Freitexteingabe bei einer Suchmaschine im Internet hat. Moderne Sprachdialogsysteme ermöglichen jedoch zunehmend freiere Dialoge ohne strikt vorgegebene Menüstrukturen und werden daher häufig als Voicebots oder KI-basierte Sprachassistenten bezeichnet.
Kritik
Die Dialogsysteme sollen es dem Nutzer ermöglichen, auf möglichst einfache Art und Weise (d.h. vor allem ohne spezielle Ausbildung oder Erfahrung) an die gewünschten Informationen zu gelangen. Einige Systeme erfordern vom Benutzer jedoch meist, dass dieser sich mit der Bedienung vertraut macht.
„Sprache ist das Fahrrad unter den Benutzungsschnittstellen. Es macht großen Spaß […], aber es trägt nur eine geringe Zuladung. Nüchterne Fürsprecher wissen, dass es schwierig sein wird, das Automobil zu ersetzen: die grafische Benutzeroberfläche.“ (Speech is the bicycle of user-interface design, it is great fun to use […], but it can carry only a light load. Sober advocates know that it will be tough to replace the automobile: graphic user-interfaces.) Ben Shneiderman, 1998.
Die an den Menschen angepasste Bedienung eines Dialogsystems lässt sich anhand folgender Eigenschaften beschreiben:
Adaptivität
Implizite Bestätigung
Nachfragen und Ambiguitätenresolution
Korrekturmöglichkeiten
Überbeantwortung
Interpretation von Verneinungen
Diskurs und Rückbezüge
Interpretation von Umgangssprache
Art der Formulierung / Sprachgenerierung
Sozialverhalten
Qualität der Spracherkennung und -synthese
Neben dem Endnutzer ist auch der Entwickler zu betrachten. Solange es keine einfach zu bedienenden Werkzeuge zur Erstellung von Dialogsystemen gab, waren auch die Ergebnisse nicht nutzerfreundlich: „Bei einem Vergleich der Systeme fällt jedoch auf, dass viele der Eigenschaften natürlicher Dialogsysteme noch nicht umgesetzt worden sind. Dies liegt vor allem am Fehlen eines allumfassenden Dialogmodellierungs- und -implementierungswerkzeugs.“ Mit der Weiterentwicklung von KI-basierten Verfahren und neuen Werkzeugen zur Erstellung von Sprachdialogsystemen hat sich diese Situation in den letzten Jahren jedoch teilweise verändert. Moderne Systeme ermöglichen eine flexiblere Dialoggestaltung und eine natürlichere Interaktion.
Kriterien für den Einsatz von Sprachdialogsystemen
Für den Einsatz von Sprachtechnologien in betrieblichen Anwendungen sprechen folgende Kriterien:
Der Mitarbeiter …
hat wenig Computererfahrung
hat eine Schreib-/Leseschwäche
spricht nur Fremdsprachen
Die Aktivität fordert …
freie Hände und freier Blick
Input leicht in Worte zu fassen
Mobilität
häufig wiederholte Aufgaben
Das Arbeitsumfeld ergibt
visuelle Wahrnehmung erschwert
Platzmangel, kein Bildschirm/Tastatur
Wechsel zwischen Tätigkeit und Computerarbeitsplatz unergonomisch oder zeitintensiv
↑nach: Jürgen Hoffmeister, Christel Müller, Engelbert Westkämper: Sprachtechnologie in der Anwendung – Sprachportale. Springer, Berlin/Heidelberg 2008, ISBN 978-3-540-72435-3, S. 85.
↑nach: Jürgen Henke, Ronny Egeler: Spracherfassung in industriellen EDV-Systemen. Folie 7, Vortrag Fraunhofer IPA, Stuttgart 2008, PDF-Dokument (Mementodes Originals vom 28. August 2012 im Internet Archive)Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/voice.fraunhofer.de
↑Lam:Validation of interactive voice response system administration of the Short Inflammatory Bowel Disease Questionnaire. In: Inflammatory Bowel Diseases. 2009, S.599–607, doi:10.1002/ibd.20803, PMID 19023897 (englisch).
↑Vergleiche: Susanne Feldt, Kai-Werner Fajga, Christoph Pause: Voice Business Jahrbuch 2009, telepublic Verlag, Hannover 2008, ISBN 978-3-939752-01-1, S. 30–68.
↑Christopher Parlitz: PowerMate – Schrankenlose Mensch-Roboter-Kooperation. Fraunhofer IPA, 2005, PDF (Mementodes Originals vom 1. September 2011 im Internet Archive)Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/ipa.fraunhofer.de
↑Ben Shneiderman: Designing the User Interface: Strategies for Effective Human-Computer Interaction, 3rd edition, Addison-Wesley, 1998
12Markus Berg: Natürlichsprachlichkeit in Dialogsystemen. Informatik-Spektrum 36/4, S. 371–381, Springer, 2013, doi:10.1007/s00287-012-0650-3
↑Matthias Peissner: Präsentation – Erfolgsfaktoren für den Einsatz von Sprachinteraktion, Folie 9, Stuttgart 2008, PDF (Mementodes Originals vom 28. August 2012 im Internet Archive)Info: Der Archivlink wurde automatisch eingesetzt und noch nicht geprüft. Bitte prüfe Original- und Archivlink gemäß Anleitung und entferne dann diesen Hinweis.@1@2Vorlage:Webachiv/IABot/voice.fraunhofer.de
