Künstliche Intelligenz

Zweckverband Ostholstein: Künstliche Intelligenz in der Kundenkommunikation

Wenn die KI Postfächer sortiert: Im Rahmen einer ImpulsWerft erarbeitet das Mittelstand 4.0-Kompetenzzentrum Kiel ein Konzept, um die Kundenanfragen, die via WhatsApp und E-Mail beim ZVO eingehen, zu klassifizieren und an die entsprechenden Service-Teams weiter zu leiten.

Zweckverband Ostholstein
ca. 216 Mitarbeitende
Ver- und Entsorgung
ImpulsWerft

Eine gute Erreichbarkeit und Kommunikation mit dem Kunden sind für den ZVO selbstverständlich. Rund 150.000 Kundenanfragen erreichen den ZVO jährlich über die verschiedenen Kommunikationskanäle zu den unterschiedlichsten Themen; z.B. zu Energielieferungen, Hausanschlüssen, Sperrmüllabholung bis hin zu Jobanfragen. Das macht rund 410 Nachrichten pro Tag – schließlich sind im digitalen Zeitalter Wochenenden und Feiertage irrelevant. All diese Anfragen gilt es, schnell und sicher an die verantwortlichen Mitarbeiter*innen weiter zu leiten. Vor dem Hintergrund des breiten Portfolios und der Vielzahl der Kommunikationskanäle eine Herausforderung. „Die Kontaktpunkte unserer Kunden haben sich erheblich erhöht“, so René Schlichting, Manager für Digitalisierung und Innovation beim ZVO. „Waren es früher vor allem Telefon, Brief und Fax, so sind diese ergänzt oder abgelöst durch E-Mail und WhatsApp. Dabei die Kundenbindung nachhaltig zu gestalten, ist unser erklärtes Ziel. Aus diesem Grund haben wir ein Projekt initiiert, um zu erkennen, ob wir mit KI-Methoden die Kommunikation optimieren und die Kundenzufriedenheit steigern können.“

In Zukunft werden alle Kundenanfragen – ob per E-Mail oder WhatsApp – von einer KI gelesen, die die Inhalte anhand von Wörtern oder Wortkombinationen erkennen kann und dann die Nachrichten an die entsprechenden Teams oder Personen weiterleitet. So zumindest das Wunschszenario des ZVO. Das so etwas grundsätzlich möglich ist, hat das M4KK aufgezeigt. Im nächsten Schritt wird das KI-Team des Kompetenzzentrums auf Grundlage der erhobenen Informationen prototypisch ein Lösungsszenario entwickeln.

Auf YouTube ansehen

Über den ZVO

Seit mehr als 90 Jahren kümmert sich der Zweckverband Ostholstein (ZVO) um die Ver- und Entsorgung in der Region Ostholstein. 60 Gemeinden und der Kreis Ostholstein haben sich in diesem Verband zusammengeschlossen, der das kommunale Dach der ZVO-Unternehmensgruppe bildet. Energie- und Trinkwasserversorgung, Breitband, Abfall- und Wertstoffwirtschaft sowie Schmutz- und Niederschlagswasserbeseitigung für Haushalte, Gewerbebetriebe und Kommunen sind die Schwerpunkte in den drei Geschäftsbereichen und zwei Tochtergesellschaften des ZVO.

Exkurs: Textklassifizierung mit maschinellem Lernen

Die auf maschinellem Lernen basierende Textklassifizierung kann freie Texte auf der Grundlage früherer Beobachtungen klassifizieren. Sie besteht aus zwei Phasen: einer Lernphase und einer Klassifikationsphase.

Bei der Lernphase lernt ein Klassifikationsalgorithmus den Zusammenhang zwischen den Textdaten und ihrer Kategorien aus den bisherigen, bereits klassifizierten Daten und baut einen Klassifikator auf. Der Klassifikator sagt die Kategorie neuer Daten voraus. Sobald er mit genügend Trainingsbeispielen trainiert ist, kann der Klassifikator genaue Vorhersagen machen.

Eine Textklassifizierung besteht aus mehreren Aufgaben: Datenakquise, Textreinigung, Merkmalsextraktion, Klassifikatorbau und Bewertung des Klassifikators. Zur Bewältigung dieser Aufgaben sind verschiedene Arten von Technologien erforderlich: Natural Language Processing, Feature Engineering und Maschinelles Lernen.

Die folgende Auflistung beschreibt die Pipeline zum Entwickeln eines Klassifikators:

1. Datenbeschaffung

Die im Geschäftsprozess erzeugten Daten werden erfasst und beschriftet und sind die Trainingsdaten eines Klassifikators. Je mehr Trainingsdaten erfasst werden, desto genauer kann der Klassifikator vorhersagen.

2. Datenerkundung

Das Kennenlernen der Daten ist wichtig, um zu festzustellen, wie die Daten in den folgenden Schritten verarbeitet werden sollen.

Wie sehen die Daten aus?
Welche Eigenschaften hat jede Kategorie?
Sind die Kategorien ausgewogen?
Was sind die statistischen Merkmale der Daten?
Gibt es fehlende Datenwerte, Ausreißer oder Rauschen?

3. Datenvorbereitung

Die Daten werden für die Merkmalsextraktion vorbereitet. Zur Datenvorbereitung gehören u.a.:

Tokenisierung
Stemming und Lemmatisierung
Entfernen von Stoppwörtern
Teil-der-Sprache-Kennzeichnung

Die Feature Engineering Methoden akzeptieren keinen Rohtext und die Aufbereitung der Daten muss durchlaufen werden. Die Techniken von Natural Language Processing werden benötigt, um die Rohtexte zu analysieren und diese Aufgaben zu erledigen.

4. Merkmalsextraktion

Die Merkmalsextraktion wandelt Textdaten in numerische Daten um, die vom Klassifizierungsalgorithmus verarbeitet werden können. Die Qualität der Merkmale spielt eine große Rolle für die Genauigkeit der Vorhersage des Klassifikators.

Zu den Methoden des Feature Engineering gehören u.a. Bag of Words (TF, TF-IDF), Word Embeddings (Word2Vec, GloVe, FastText, ELMo), Text based oder NLP-basierte Features, Topic Models (Latent Dirichlet Allocation), Transformers (GPT-2, BERT, CTRL).

5. Klassifikatoraufbau

Ein Klassifikator wird von einem Algorithmus des maschinellen Lernens aufgebaut. Der Klassifizierungsalgorithmus trainiert den Klassifikator anhand früherer Erfahrungen, um den Zusammenhang zwischen Texten und ihren Kategorien zu lernen. Auf diese Weise kann der Klassifikator die Kategorie den neuen Textdokumenten automatisch zuordnen.

Die am weitesten verbreiteten Klassifizierungsalgorithmen umfassen Random Forest, Support Vector Machine, K Nearest Neighbors, Multinomial Naïve Bayes, Multinomial Logistic Regression, Gradient Boosting.

6. Testen und Bewertung des Klassifikators

Sobald ein Klassifikator gebaut ist, stellt sich vor allem die Frage, wie gut der Klassifikator ist. Die Evaluierung prüft die Qualität des Klassifikators und die Bewertung der Ergebnisse ist eine wichtige Aufgabe in jedem datenwissenschaftlichen Projekt.

Mithilfe der Bewertungsmethoden wie Accuracy, Precision, Recall, F1 Score kann festgestellt werden, wie gut der Klassifikator die Kategorie vorhersagt.

7. Wiederholung der Schritte 4-6

Um einen qualitativ hochwertigen Klassifikator zu finden, müssen die Schritte von 4 bis 6 mit verschiedenen Techniken und Parameterwerten wiederholt werden.

8. Festlegung und Einsatz des Klassifikators

Die Evaluierungsergebnisse aller Klassifikatoren werden zusammen überprüft und nicht passende Klassifikatoren werden ermittelt. Der beste Klassifikator wird festgelegt und dieser kann verwendet werden, um Klassifizierungsaufgaben auszuführen.