Natural Language Processing
NLP verwendet Software, um Gesprochenes (natürliche Sprache) für weitere Schritte zu verarbeiten. In einem Szenario, in dem ein Vertriebsmitarbeiter ein Kundengespräch beendet und Änderungen an seinen Kundendaten vornehmen möchte, ist die manuelle Eingabe mit NLP nicht mehr erforderlich. Der Verkäufer muss lediglich das Anrufprotokoll in sein Smartphone oder Tablet diktieren, und die Salesforce-KI analysiert die Eingabe, um automatisch Änderungen vorzunehmen. Das bedeutet, dass die KI nicht nur den Text transkribiert, sondern die Kundendaten durch die Pipeline führt und etwa den nächsten Termin plant.
Die Herausforderungen: Zunächst hat jede Firma ihre eigene, spezifische Sprache, die für ihre Mitarbeiter die interne Kommunikation erleichtert, ja sogar optimiert. Ein Interessent ist für die eine Firma lediglich ein Lead, für die andere Firma aber schon eine Opportunity. Jede Firma hat eine andere Definition, ab wann ein Lead als Hot klassifiziert wird und welche ToDo’s dadurch entstehen, wird ebenfalls jede Firma anders beantworten. Damit Einstein sich als firmenübergreifende Anwendung dem Firmenkontext anpassen und das Leben eines Vertrieblers leichter machen kann, werden konfigurierbare Modelle eingesetzt, um der Firmenterminologie gerecht zu werden.
Die Arbeit eines Vertrieblers spielt sich darüber hinaus nicht im ruhigen Büro ab, sondern idealerweise nahe am Kunden. Dies bringt permanent Situationen mit unterschiedlicher Audioqualität mit sich, die Spracherkennung erschweren. Sei es die Gesprächsnotiz im Auto, das Diktieren von Tasks im Bahnhof oder eine einfache Spracheingabe auf einer Messe: Natural Language Processing zieht aus den Büro mit annähernder Tonstudioqualität nach draußen in eine Welt voller Hintergrundgeräusche. Hierfür müssen Eingaben normalisiert und Hintergrundgeräusche unterdrückt werden.
Die dritte Hürde ist die Datensicherheit. Beim Trainieren der künstlichen Intelligenz kann nicht auf alle Daten zugegriffen werden, die potentiell zur Verfügung stehen – ein grundlegendes Problem, das es für KI-Anbieter zu lösen gilt, da eine gute KI nur so gut sein kann, wie die Güte und Anzahl der Trainingsdatensätze.