DE 
EnglishStandard
Українська
Polski💬 Support-Chatbot-Intentionskarte — Nächster-Nachbar-Routing
Interaktiver Support-Chatbot-Simulator: Geben Sie eine Nachricht ein, beobachten Sie, wie sie in einen 2D-Raum eingebettet und mittels echter Nächster-Zentroid-Klassifikation zum nächsten Intentions-Cluster geleitet wird.
Über die Support-Chatbot-Intentionskarte
Bevor ein Support-Chatbot überhaupt antwortet, muss er herausfinden, wonach Sie eigentlich fragen. Dieser erste Schritt heißt Intentionsklassifikation: Das System liest Ihre Nachricht und ordnet sie einer von mehreren festen Kategorien zu — „Bestellung verfolgen“, „Rückerstattung wünschen“, „Passwort zurücksetzen“ —, von denen jede einen anderen weiteren Arbeitsablauf auslöst. Moderne Systeme tun dies, indem sie Text mit einem Transformer-Modell in einen hochdimensionalen Vektorraum einbetten und Abstände vergleichen, aber die zugrunde liegende geometrische Idee ist dieselbe, die diese Simulation in zwei Dimensionen zeigt: jede Intention belegt einen Bereich des Raums, und eine neue Nachricht wird zu dem Bereich geleitet, dem sie am nächsten kommt.
Diese Simulation definiert sechs feste Support-Intentionen, jede mit einem kleinen, handgebauten Schlüsselwörterbuch und einer vorab berechneten 2D-Zentroidposition. Das Eingeben einer Nachricht tokenisiert sie, bewertet die Schlüsselwortüberlappung gegen jede Intention und platziert Ihre Nachricht am ähnlichkeitsgewichteten Durchschnitt der sechs Zentroide — ein echter, funktionierender Nächster-Zentroid-Klassifikator, nur auf ein sichtbar kleines Wörterbuch komprimiert. Beobachten Sie, wie der Punkt zu seiner Position fliegt, sich mit einer Linie zur gewinnenden Intention verbindet, und prüfen Sie das Live-Balkendiagramm der Ähnlichkeit sowie das Routing-Protokoll. Schalten Sie den „mehrdeutigen Modus“ ein, um zu sehen, was passiert, wenn eine Nachricht eindeutig nicht nur zu einer Kategorie gehört.
Häufig gestellte Fragen
Was ist ein Intentionsklassifikator und warum nutzen Support-Chatbots ihn?
Ein Intentionsklassifikator ist ein Modell, das ein Stück beliebigen Textes liest und einer von mehreren festen Kategorien — „Intentionen“ — zuordnet, etwa Bestellverfolgung oder Passwort-Reset. Support-Chatbots nutzen ihn als allerersten Schritt eines Gesprächs: bevor irgendeine Antwort erzeugt werden kann, muss das System entscheiden, welchen von Dutzenden möglichen Arbeitsabläufen der Kunde tatsächlich wünscht. Eine falsche Intentionszuordnung bedeutet, dass der Bot eine völlig andere Frage beantwortet, weshalb dieser Klassifikationsschritt als harte Schranke vor jeder Antworterzeugung behandelt wird.
Wie wandelt diese Simulation Text in eine 2D-Position um?
Jede Intention hat ein kleines, handgebautes Schlüsselwörterbuch mit Gewichten, zum Beispiel punkten „verfolgen“ und „Paket“ hoch für die Intention „Bestellverfolgung“. Ihre Nachricht wird in Wörter tokenisiert, und jedes Token wird mit dem Wörterbuch jeder Intention verglichen (einschließlich einfacher Präfixabgleiche). Das ergibt einen Rohähnlichkeitswert für jede Intention, der zu einer wahrscheinlichkeitsähnlichen Verteilung normalisiert wird. Die 2D-Position des Punktes ist dann der mit diesen normalisierten Werten gewichtete Durchschnitt der sechs festen Intentionszentroide.
Wie würde ein echtes System Text einbetten statt Schlüsselwörter abzugleichen?
Produktionssysteme codieren selten Schlüsselwortlisten von Hand. Klassische Ansätze nutzen TF-IDF-Vektoren über ein großes Vokabular kombiniert mit einem linearen Klassifikator oder einer Nächster-Zentroid-Regel — im Wesentlichen eine höherdimensionale Version dessen, was diese Simulation tut. Moderne Systeme nutzen Transformer-Satzembeddings (Modelle wie BERT oder Sentence-Transformers), die einen ganzen Satz auf einen dichten Vektor aus 384–1536 Zahlen abbilden, trainiert so, dass semantisch ähnliche Sätze nahe beieinander landen, selbst ohne gemeinsame Wörter.