Das Kind im Algorithmus – Unsupervised Learning für die Bearbeitung von Kundenanfragen nutzen

Kinder können anhand weniger Beispielen erlernen, Objekte – wie z.B. eine Katze – zu erkennen. Dabei wählen sie instinktiv die wichtigsten Merkmale, die eine Katze ausmachen.

Mit Hilfe von Methoden des Unsupervised Learning wie Clustering oder Dimensionsreduktion (bspw. PCA oder UMAP) ist es Systemen möglich, einen ähnlichen Lernprozess zu durchlaufen. Somit ist für die Umsetzung von Anwendungsfälle ein deutlich kleinerer Trainingsdatensatz notwendig.

Ein solcher Use Case stellt bei Würth die Kategorisierung von Kundenanfragen dar. Ich möchte zeigen, wie wir durch entsprechende NLP-Verfahren wie TF-IDF oder Transformer-Modelle unter anderem unser Kategorienschema, die Klassifizierung sowie das Monitoring der Anfragen verbessern können.

Vorkenntnisse

• Grundverständnis über die Funktionsweise von Neuronalen Netzen
  
• Grundlegende Kenntnisse über das Prinzip von Transformer-Modellen sind von Vorteil.
  
• Grundkenntnisse über NLP-Algorithmen sind hilfreich.
  
• Vorwissen über Cluster-Algorithmen sind nützlich.

Lernziele

• Praktische Erfahrungen zum Aufbau eines geeigneten Datensatzes
  
• Überblick über die Entwicklung eines Kategorienschemas mit Hilfe von Unsupervised Learning
  
• Anwendung von Few Shot Learning für die Kategorisierung von Kundenanfragen
  
• Anregungen für ein Monitoring von Kundenanfragen