Intent-Erkennung
Kurze Definition
Intent-Erkennung ist die Aufgabe, zu identifizieren, was eine Person aus dem, was sie schreibt oder sagt, erreichen möchte, damit ein System antworten oder die Anfrage weiterleiten kann. Typische Absichten sind das Verfolgen einer Bestellung, das Anfordern einer Rückerstattung oder das Fragen nach einem Produkt.
Auf dieser Seite
Wie Intent-Erkennung funktioniert
Klassische Chatbots basierten auf einem Intent-Klassifikator, der auf Beispielphrasen für jede Absicht trainiert wurde: „Wo ist mein Paket“, „Meine Bestellung ist nicht angekommen“ und „Sendungsnummer?“ wurden alle mit track_order gekennzeichnet. Ein Slot-Extractor wählte dann Details wie die Bestellnummer aus. Forschungsdatensätze wie BANKING77 (Casanueva und Kollegen, 2020), mit 77 feingliedrigen Bankabsichten, zeigen, wie schwierig feine Unterscheidungen selbst für gute Modelle sind.
Bei großen Sprachmodellen ist die Intent-Erkennung oft implizit. Das Modell liest die Nachricht, entscheidet, was die Person möchte, und wählt aus, welches Tool aufgerufen werden soll. Einige Teams behalten immer noch einen expliziten Klassifizierungsschritt bei, um Gespräche weiterzuleiten, sie für Berichterstattung zu kennzeichnen oder spezifische Workflows auszulösen.
Warum es im Kundenservice wichtig ist
Das Wissen um die Absicht entscheidet, was als Nächstes passiert: Antwort aus den FAQs, eine Bestellung nachschlagen, eine Rücksendung eröffnen, das Gespräch zur Abrechnung weiterleiten oder sofort eine Person für eine Beschwerde anrufen. Aggregiert über Tausende von Gesprächen zeigen Absichten auch einem Unternehmen, worüber Kunden wirklich Kontakt aufnehmen – die Eingabe zur Verbesserung von Seiten, Richtlinien und Produkten.
Im E-Commerce sind die häufigsten Absichten in der Regel Bestellstatus, Lieferzeiten, Rückgaben und Umtausch, Produktfragen und Zahlungsprobleme.
Häufige Fallstricke
Echte Nachrichten enthalten oft mehrere Absichten („Wo ist meine Bestellung, und kann ich die Größe ändern?“). Feste Intent-Listen altern schnell, da sich Produkte und Richtlinien ändern, und eine lange Liste seltener Anfragen passt nie zu einem Label. Zu niedrige Vertrauensschwellen führen Kunden auf den falschen Weg; zu hohe Schwellen eskalieren alles. Systeme sollten einen Rückfall erlauben – eine klärende Frage stellen oder übergeben – anstatt einen Versuch zu erzwingen.
Intent-Verarbeitung in AI SmartTalk
AI SmartTalk fordert Sie nicht auf, eine Intent-Liste zu definieren. Das Sprachmodell des Assistenten interpretiert jede Nachricht und wählt aus seinen Werkzeugen — Wissenssuche, Produktsuche, Bestellverfolgung, Terminbuchung, Übergabe. Für Routing und Berichterstattung können Gespräche getaggt werden, und SmartFlow-Workflows können mit einer KI-Bedingung basierend auf dem, was der Kunde gesagt hat, verzweigen. Fragen, die der Assistent nicht beantworten konnte, werden aufgelistet, damit das Team die Lücken schließen kann.
Häufig gestellte Fragen
Was ist der Unterschied zwischen einem Intent und einer Entität?
Der Intent ist das, was die Person möchte (eine Bestellung verfolgen); Entitäten sind die Details, die benötigt werden, um dies zu tun (die Bestellnummer, die E-Mail-Adresse).
Brauchen LLM-basierte Assistenten immer noch eine Intent-Klassifizierung?
Nicht um zu antworten, da das Modell die Anfrage direkt interpretiert. Eine explizite Klassifizierung bleibt jedoch nützlich für Routing, Analytik und das Auslösen fester Prozesse.
Wie viele Intents sollte ein Support-Bot haben?
Beginnen Sie mit einem klassischen Klassifizierer mit einem Dutzend Intents, die das meiste Volumen abdecken, und fügen Sie weitere hinzu, wenn die Daten sie zeigen. Bei einem LLM-Agenten konzentrieren Sie sich stattdessen auf die Werkzeuge und das Wissen, die jeder häufige Intent benötigt.