Was ist Intent-Erkennung? Nutzerziele in NLP verstehen

Hinter jeder Nachricht eines Nutzers – ob an einen LLM-Agenten oder als Google-Suche – steht eine Absicht. Nutzer verfolgen ein Ziel, etwa bestimmte Informationen zu finden oder eine Aktion auszuführen.

Intent-Erkennung identifiziert dieses Ziel, ermittelt die Anforderungen des Nutzers daraus und erfüllt die Anfrage möglichst präzise. Ein System mit präzisem Intent-Verständnis bedient Kunden mit treffenden Antworten besser und erhöht Interaktion und Zufriedenheit.

In diesem Artikel erklären wir, was Intent-Erkennung ist und wie sich Intent im Zeitalter der LLM-Suche entwickelt hat.

Zusammenfassung

• Intent-Erkennung ist eine Technik der natürlichen Sprachverarbeitung, die das Ziel einer Eingabe kategorisiert.
• Um die Absicht in einem Gespräch zu erkennen, durchläuft ein Modell vier Schritte: Vorverarbeitung des Gesprächs, Merkmalsextraktion, Klassifizierung und Entitätsextraktion.
• Bei der Interaktion mit einem LLM kann ein Intent informativ, transaktional, konversationell oder navigierend sein.
• Typische Herausforderungen beim Finetuning der Intent-Erkennung sind sprachliche Mehrdeutigkeit, Eingaben außerhalb des Anwendungsbereichs und Gespräche mit mehreren Intents.

Was ist Intent-Erkennung?

Intent-Erkennung ist eine Technik der natürlichen Sprachverarbeitung (NLP), die gesprochene oder geschriebene Eingaben danach klassifiziert, was ein Nutzer im jeweiligen Kontext erreichen möchte. Wegen dieser Klassifizierung wird die Technik auch Intent-Klassifizierung genannt: Die Software muss die Eingabe verstehen und die richtige Aktion bestimmen.

Wichtig ist: Intent-Erkennung ist nicht einfach Keyword-Matching. Es gibt zu viele sprachliche Varianten desselben Ziels. Zum Beispiel sind „Meine Nutzerdaten funktionieren nicht“, „Warum kann ich mich nicht anmelden?“, „Mein Konto scheint gesperrt zu sein“ und „Mein Passwort funktioniert nicht“ unterschiedliche Formulierungen derselben zugrunde liegenden Absicht.

Als NLP-Funktion hilft Intent-Erkennung KI-Systemen, besser zu verstehen, was Nutzer von einer Interaktion erwarten. So können sie in jedem Gespräch die bestmögliche Erfahrung bieten. 

Wie funktioniert Intent-Erkennung?

Welche Architektur ein KI-System für die Intent-Erkennung nutzt, hängt vom Anbieter ab. In der Regel verwendet das System jedoch eine Variante derselben vier Kernphasen, um Rohdaten in einen klar definierten Intent zu überführen.

Die vier Phasen der Intent-Erkennung:

1. Vorverarbeitung
2. Merkmalsextraktion
3. Klassifizierung
4. Entitätsextraktion

Sehen wir sie uns genauer an.

Vorverarbeitung

Eingaben – ob Sprache oder Text – müssen bereinigt werden, damit das Modell mit einem einheitlichen, erkennbaren Format arbeiten kann. Bei Text werden Rechtschreibfehler korrigiert sowie Satzzeichen und Großschreibung entfernt. Anschließend zerlegt die Tokenisierung seltene oder lange Wörter in kleinere Unterworteinheiten. In dieser Phase können zur besseren Übersicht auch häufige Funktionswörter wie „ein“ und „der“ entfernt werden, sofern sie die Satzbedeutung nicht direkt beeinflussen.

In Pipelines für automatische Spracherkennung muss das System eingehende Sprachdaten zunächst in Text transkribieren. Das ergänzt die Vorverarbeitung um eine weitere Phase, bevor das Modell mit dem normalisierten Transkript arbeiten kann.

Merkmalsextraktion

Der bereinigte Text wird anschließend in eine numerische Darstellung umgewandelt, mit der die Software arbeiten kann. Die Merkmalsextraktion bewahrt die semantische Bedeutung eines Satzes, bildet sie jedoch numerisch ab.

Die Strategien, die Forschende in dieser Phase einsetzen, haben sich in den letzten Jahren stark weiterentwickelt. Frühere Ansätze nutzten Bag-of-Words-Modelle oder Darstellungen mit Term Frequency-Inverse Document Frequency (TF-IDF), um Wörter nach ihrer Unterscheidungskraft oder Häufigkeit zu gewichten. Das lieferte zwar schnell Ergebnisse, erfasste aber nicht die Nuancen von Sätzen. Schließlich enthalten „Ich möchte nicht kündigen“ und „Ich möchte kündigen“ fast dieselben Wörter, bedeuten aber etwas völlig anderes.

Ein weiteres Beispiel, das für TF-IDF schwierig sein kann, ist „Hund beißt Katze“ gegenüber „Katze beißt Hund“. Schon wenige Änderungen im Satz verändern die Bedeutung vollständig.

Der modernere Ansatz zur Merkmalsextraktion nutzt dichte Vektorrepräsentationen, um ein Vektor-Embedding zu erstellen, das die Nutzereingabe repräsentiert. Diese Embeddings setzen Kontext über räumliche Nähe in Beziehung und gruppieren Wörter mit ähnlicher Bedeutung, um den Kontext aus dieser räumlichen Beziehung abzuleiten.

Transformer-basierte Encoder gehen noch weiter und erstellen kontextuelle Karten, bei denen sich der Vektor eines Wortes abhängig von den umgebenden Wörtern verändert. Das ist entscheidend für Wörter mit mehreren Bedeutungen je nach Kontext („Bitte lesen Sie diese Anweisungen“, „Ich habe den Artikel gestern gelesen“). 

Die kontextuelle Darstellung eines Satzes ermöglicht es Intent-Erkennungssystemen, zu verstehen, was ein Nutzer möchte, und dies in den späteren Phasen zu klassifizieren.

Klassifizierung

Mit einer klaren Darstellung der Eingabe kann ein Modell sie mit verschiedenen bekannten Intent-Fällen vergleichen und dabei Konfidenzwerte zuweisen. Nachdem es unterschiedliche Intent-Typen geprüft hat, wählt es den mit dem höchsten Konfidenzwert.

Manche Teams experimentieren für die Klassifizierung mit einem Konfidenzschwellenwert. Ist er zu niedrig, kann ein recht ungenauer Intent in den nächsten Schritt gelangen. Ist er zu hoch, passiert das Gegenteil: Das Modell kann den Intent nicht eindeutig klassifizieren und nicht zum nächsten Schritt übergehen.

Durch Finetuning Ihres Klassifizierungsmodells finden Sie den Wert, der für Ihr Unternehmen am besten funktioniert. 

Kann das Modell keinen Intent identifizieren, stellt es dem Nutzer wahrscheinlich weitere Fragen oder leitet an einen menschlichen Agenten weiter, falls dies konfiguriert ist.

Entitätsextraktion

Wir behandeln die Entitätsextraktion als separaten Schritt, doch tatsächlich läuft sie parallel zur Klassifizierung. Sie extrahiert aus einer Eingabe Details, die für die spätere Antwort nützlich sind, etwa Bestellnummern, Kontodaten, Produktnamen oder andere Angaben, mit denen das Modell die Anfrage ausführen kann.

Die in diesem Schritt extrahierten Entitäten liefern nutzerspezifische Informationen, um die Anfrage erfolgreich auszuführen. Erkennt die Klassifizierung beispielsweise, dass ein Nutzer eine Bestellung stornieren möchte, teilt die Entitätsextraktion dem Agenten mit, um welche Bestellung und welches Kundenkonto es geht.

Intent-Erkennung vs. Intent-Detektion

Intent-Erkennung und Intent-Detektion werden oft synonym verwendet, haben jedoch leicht unterschiedliche Bedeutungen. Intent-Erkennung bezeichnet den gesamten Prozess, den Intent in einer Nutzeranfrage zu klassifizieren. Die Intent-Detektion umfasst nur die erste Phase: Sie erkennt, ob die Nutzerantwort überhaupt einen Intent enthält.

In der Praxis ist der Unterschied nur bei Randfällen relevant. Ein Kundensupport-Agent, der eine Frage erhält, die völlig außerhalb seines gelernten Kontexts liegt, kann mithilfe der Intent-Detektion zunächst feststellen, dass der Intent nicht zu seiner Wissensbasis passt. Was danach geschieht, etwa ein kontrollierter Abbruch, wird durch die Konfiguration der Intent-Erkennung bestimmt.

Arten von Intents

Es gibt so viele spezifische Intents wie Fragen. Statt dass jede mögliche Formulierung einer Frage einen eigenen Intent erfordert, identifiziert das System in der Regel zunächst die Intent-Kategorie und handelt dann entsprechend.

Die wichtigsten Intent-Typen in NLP-Systemen sind:

• Informierender Intent: Beschreibt eine Eingabe, bei der ein Nutzer vor allem bestimmte Informationen erfahren oder erhalten möchte. Die richtige Antwort stellt die angeforderten Inhalte bereit – als Erklärung oder mit Verweisen auf die passenden Ressourcen.
• Navigierender Intent: Beschreibt, dass ein Nutzer eine bestimmte Ressource oder Seite finden möchte. Das System kategorisiert diesen Intent, extrahiert Entitäten und leitet sie an die passende Stelle weiter.
• Transaktionaler Intent: Beschreibt eine Eingabe, bei der ein Nutzer ein konkretes Ziel erreichen möchte, etwa einen Termin buchen oder ein Abonnement kündigen. Transaktionale Intents basieren immer auf folgenreichen Aktionen.
• Konversationeller Intent: Beschreibt Eingaben, die hauptsächlich sozialer Natur sind und nicht zu einer der anderen Kategorien gehören. Diese Intent-Form ist mit dem Aufkommen breit verfügbarer LLMs häufiger geworden, da manche Menschen allgemeine Agenten als Schnittstelle für alltägliche Gespräche nutzen.

Ein LLM kann all diese Intent-Typen in allen Kategorien verarbeiten. Dennoch hilft es, die Intent-Kategorie einer Eingabe zu verstehen, um eine präzisere Antwort zu formulieren. Alles – von den Tool-Aufrufen eines Agenten bis zur exakten Antwortformulierung – beginnt mit der Identifikation des zugrunde liegenden Intents einer Nutzereingabe.

Anwendungsfälle der Intent-Erkennung in verschiedenen Branchen

Intent-Erkennung ist zentral für jedes automatisierte Antwortsystem, denn die Antwort muss zur Absicht passen, damit das Gespräch Sinn ergibt.

Einige Anwendungsfälle von Intents in verschiedenen Branchen:

• Kundenservice: Ein Voice Agent nutzt Intent-Erkennung, um die gesprochene Anfrage eines Kunden zu verstehen und ihn an die richtige Abteilung oder Ressource weiterzuleiten. Eine Fehlklassifizierung kann dazu führen, dass der Kunde mit dem falschen Mitarbeitenden spricht oder seine Anfrage ungelöst bleibt.
• Gesundheitswesen: Intent-Erkennung unterstützt Assistenten im Gesundheitswesen bei der Verwaltung von Buchungen. Branchen mit höherem Risiko wie Gesundheitswesen oder Finanzen nutzen oft höhere Konfidenzschwellenwerte, um Fehlkategorisierungen und daraus entstehende kritische Fehler zu vermeiden.
• Personalwesen: Ein konversationeller HR-Assistent kann in internen Unternehmensdokumenten arbeiten und Mitarbeitende zu den benötigten Ressourcen führen. Ein Mitarbeiter könnte beispielsweise nach Urlaubsleistungen fragen. Der Agent erkennt den informierenden Intent und zeigt die entsprechenden Informationen aus dem umfassenderen Wiki an.

Präzise Intent-Erkennung ist die Grundlage für erfolgreiche Gespräche. Liegt der Intent falsch, gilt das auch für das folgende Gespräch. 

Herausforderungen bei der Intent-Erkennung

Den Intent einer Aussage zu erkennen, ist vollständig eine sprachliche Herausforderung. Bedeutungen ändern sich, Wörter übernehmen je nach Kontext unterschiedliche Funktionen, und dieselbe Formulierung kann je nach Aussprache etwas anderes bedeuten. Besonders da Intent-Erkennung zunehmend in Voice Agents eingesetzt wird, ist letzterer Punkt äußerst wichtig.

Einige der wichtigsten Herausforderungen bei der Intent-Erkennung und ihre Lösungen:

• Mehrdeutigkeit: Wenn dieselbe Formulierung je nach Aussprache zwei verschiedene Dinge bedeutet, kann sprachliche Mehrdeutigkeit die Sicherheit der Intent-Erkennung verringern. Um das zu umgehen, bauen Modelle über mehrere Gesprächswechsel hinweg Kontext auf und verstehen so besser, was jemand möchte. Je mehr Kontext ein Modell nutzen kann, desto präziser kann es seine Antwort erstellen.
• Gespräche außerhalb des Modellumfangs: Fragt ein Nutzer ein Modell etwas, das weit außerhalb seines Wissensbereichs liegt, kann das Modell den Intent fälschlich der ähnlichsten Kategorie zuordnen und eine ungenaue Antwort geben. Eine Lösung ist, Modelle auf Randfälle zu trainieren, um dies seltener passieren zu lassen. Ergänzt durch Guardrails, die verhindern, dass bestimmte Themen im Gespräch umgangen werden können, reduziert dieser Ansatz das Risiko.
• Eingaben mit mehreren Intents: Gespräche lassen sich naturgemäß nicht immer im Verhältnis 1:1 von Eingabe zu Intent abbilden. „Können Sie meine Bestellung stornieren und außerdem meine Lieferadresse für zukünftige Bestellungen aktualisieren?“ hat zwei unterschiedliche Ziele. Ein Multi-Label-Klassifikator hilft, Gesprächssequenzen mit mehr als einem Intent oder Ziel zu identifizieren und erhöht die Genauigkeit bei mehreren zugrunde liegenden Anliegen.

Wenn Forschende diese Herausforderungen verstehen und antizipieren, können sie frühzeitig Maßnahmen zu ihrer Minderung einführen. 

Starten Sie mit ElevenAgents

In einem Voice Agent trägt Intent-Erkennung dazu bei, Conversational-AI-Systeme präzise zu halten und die Kundenzufriedenheit hoch zu halten. Wiederholte Intent-Abweichungen untergraben das Vertrauen der Kunden in Ihren Agenten und verringern die Bereitschaft der Nutzer, mit Ihren KI-Supportsystemen zu interagieren. 

ElevenAgents nutzt Intent-Erkennung, um präzise zu verstehen, was ein Nutzer benötigt, und darauf im Gespräch einzugehen. So wird die Interaktion korrekt weitergeleitet, relevante Informationen werden abgerufen oder der Anruf bei Bedarf eskaliert. 

Erfahren Sie mehr über ElevenAgents oder registrieren Sie sich, um Voice Agents zu entwickeln, die verstehen, was Ihre Nutzer möchten. 

Häufig gestellte Fragen zur Intent-Erkennung