Maschinelles Lernen

Das maschinelle Lernen (machine learning) ermöglicht die Künstliche Intelligenz von open bi mithilfe von Training neue inhaltliche Zusammenhänge zwischen Daten zu schließen. Wird bei einer Suche im Netz ein >85% Ergebnis gefunden, bilden sich selbstständig neue Neuronen aus. Diese Frage führt nun in Zukunft zu einem 100% Treffer, der dann auch in kürzerer Zeit zu finden ist. Wenn open bi also neue Fragen gestellt werden, die ähnlich zu systembekannten Fragen sind, lernt open bi dazu. In der Cloud Lösung von majaAI benutzen alle Kunden ein gemeinsames Neuronales Netz. Die Ausgabe der Antworten bleibt kundenspezifisch, es hat also niemand Zugriff auf die Daten eines anderen Kunden. Somit trainieren allerdings alle Benutzer ein gemeinsames Neuronales Netz, wodurch der Lerneffekt maximiert wird.

Netztraining

In der Künstlichen Intelligenz wird zwischen supervised learning und unsupervised learning unterschieden. Das KNN von open bi lernt mithilfe des unsupervised learnings, das bedeutet dass das KNN ohne Kontrollinstanz, sondern selbstständig alleinig durch Anwendung durch den Benutzer dazulernt.

Das Training des KNN erfolgt bei open bi in 2 Phasen:

  1. In der ersten Phase wird die exakte Phrase trainiert, also eine ausformulierte Frage ins System eingegeben. Das NLP zerlegt diese Phrase in ihre Bestandteile und bildet die ersten Neuronen und Verbindungen aus.
  2. In der zweiten Phase leitet open bi selbstständig verschiedene Formulierungen dieser Phrase ab. Dies geschieht zum Beispiel durch die Verwendung von Synonymen. Oder Morphologie (= Ableitung verschiedener Zeitformen)

Durch diesen Automatismus bildet das System automatisch eine Vielzahl an beantwortbaren Fragen aus der einen gelernten Frage ab.

Suchen und Finden im KNN

als auch inhaltlich korrekt sein. Um maximale Performance zu gewährleisten, wird bei der Suche nach einem Ergebnis im KNN zunächst der Satz, also die gestellte Frage bereinigt. Hierbei werden zum Beispiel Satzzeichen und Umbrüche, zum Teil auch irrelevante Füllwörter (z.B. „eigentlich“) entfernt. Anhand eines spezifischen Algorithmus wird nun das Netz nach einem passenden Ergebnis parallel durchsucht. Ein Treffer entsteht, wenn ein Wort im Netz dem gesuchten Wort entspricht. Diese Übereinstimmung kann vollständig sein, wenn das Wort zu 100% dem gesuchten Wort entspricht. Es können aber auch teilweise Übereinstimmungen vorkommen, wenn beispielsweise ein Wort falsch geschrieben wurde. Durch das Beachten dieser teilweisen Übereinstimmungen können z.B. Tippfehler, die beim Eingeben der Frage vorgefallen sind, korrigiert werden. Wird kein Treffer gefunden, können sogenannte skipping-Mechanismen verwendet werden, um die Suche fortzuführen. Sowohl durch das Korrigieren von Tippfehlern als auch durch Skipping wird die gefundene Antwort als schlechter bewertet. Jede einzelne Suche kann also

  • ein 100% Ergebnis liefern: wenn die Frage exakt im Netz gefunden wurde
  • ein zwischen 80% und 100% Ergebnis liefern: wenn die Frage teilweise im Netz gefunden wurde
  • kein Ergebnis liefern: wenn das Netz hinreichend durchsucht wurde und kein Ergebnis mehr als 80% Übereinstimmung mit der Frage hatte

Neuronale Netze erstellen

open bi bietet alle programmatischen Mittel, um neuronale Netze zu erstellen, zu trainieren und anzuwenden. So ist „Conversational AI“ nur ein Anwendungsfall, der mit Hilfe der Künstlichen Intelligenz von open bi umgesetzt wurde. Lesen Sie zum Beispiel Berichts- oder Sensordaten in ein Neuronales Netz von open bi, um Zusammenhänge zu erkennen und relevante Daten mit Hilfe von Künstlicher Intelligenz zu finden.

Die Conversational AI von open bi eignet sich in diesem Zusammenhang als „Sprachrohr“ für die Bereitstellung der Ergebnisse für den Benutzer: Dieser stellt eine spezifische Frage, startet somit das Neuronale Netz und erhält eine Antwort auf Basis des Ergebnisses der Netzsuche.