Ein eigener KI-Bot, der rund um die Uhr Fragen von Kunden oder Mitgliedern beantwortet. Das klingt nach einer enormen Erleichterung. Doch wie intelligent antwortet die KI am Ende wirklich?
Die Antwort ist einfach: Ein Bot ist immer nur so schlau wie die Daten, die im Hintergrund liegen. Ohne die passende Struktur nützt die schlauste KI nichts.
Praxisbeispiel: Der digitale Assistent des Badischen Tennisverbands
Wie so ein Projekt in der Praxis aussieht, zeigt unsere jüngste Zusammenarbeit mit dem Badischen Tennisverband. Der Verband stand vor einer Herausforderung, die wahrscheinlich viele Organisationen kennen: Unzählige Anfragen zu Meldefristen, Ansprechpartnern oder spezifischen Regelfragen im Mannschaftsspielbetrieb.
Gemeinsam haben wir einen maßgeschneiderten Bot entwickelt, der diese Fragen unabhängig von Öffnungszeiten und Erreichbarkeit beantwortet.
Hier geht's zum Badischen Tennisverband
Das Prinzip hinter den Kulissen: Was ist RAG?
Um die KI mit dem Wissen des Badischen Tennisverbands zu verknüpfen, nutzen wir ein Verfahren namens Retrieval-Augmented Generation (RAG).
Das Wissen des Badischen Tennisverbands stellen wir dem Bot in Form von bestehenden Dokumenten wie Satzungen, Leitfäden und Regelwerken zur Verfügung. Der Bot greift bei einer Frage gezielt auf diesen geschützten Datenpool zu. Er sucht sich die relevanten Textstellen heraus und formuliert auf dieser Basis eine Antwort.
Hier kommt die Struktur des zur Verfügung gestellten Wissens ins Spiel. Sie beeinflusst die Antwortqualität direkt. Ist die interne Struktur unklar, fallen auch die Antworten ungenau aus. Die KI verliert schlicht den Überblick.
Ein konkretes Beispiel aus dem Tennis: Wann greift die allgemeine Spielordnung und wann die spezifische Durchführungsverordnung? Wenn aus den internen Daten nicht klar hervorgeht, wann welche Ordnung greift, vermischt die KI die Regeln. Das Ergebnis ist im schlimmsten Fall eine falsche Auskunft für den Nutzer.
Meta-Dokumente: Unsere Lösung im Backend
Um der KI das strukturierte Verständnis des Wissens zu erleichtern, haben wir im Backend eine einfache Lösung integriert: Hier können Kunden Meta-Dokumente wie Glossare, Dokumenten-Verknüpfungen oder spezifische Kontexte flexibel einpflegen.
Nachdem also in einem Metadokument klar definiert ist, wann die Spielverordnung und wann die Durchführungsordnung zum Einsatz kommt, kann der Bot präzise in Abhängigkeit des Kontexts antworten.
Mehr über unseren Einsatz von KI
Was können Sie in Vorbereitung auf einen eigenen Bot tun?
Wenn Sie über den Einsatz eines eigenen Bots nachdenken, können Sie schon jetzt Vorarbeit leisten und internes Wissen sichten. Stellen Sie sich vor dem Projektstart diese vier Fragen:
- Zusammenhänge: Welche Verknüpfungen bestehen zwischen unterschiedlichen Dokumenten? Sind diese Beziehungen logisch und klar aus den Dokumenten erkennbar?
- Aktualität: Ist Ihre Wissensgrundlage auf dem neuesten Stand? Befinden sich alte, hinfällige Informationen im System, die nicht als veraltet markiert sind?
- Hierarchie: Sind alle Inhalte durch klare Überschriften logisch strukturiert?
- Definitionen: Sind interne Abkürzungen, Fachbegriffe oder Kontexte in einem Glossar eindeutig definiert?
Denn was wir mit dieser Reihe zeigen wollen: Ein KI-Bot ist keine Magie, sondern das Ergebnis sauberer Vorbereitung. Je besser Ihre Daten strukturiert sind, desto präziser arbeitet der digitale Assistent.
Möchten Sie erfahren, wie wir die Datenstruktur für Ihr Unternehmen KI-fit machen?
Lassen Sie uns gemeinsam prüfen, wie Ihr internes Wissen optimal digitalisiert werden kann.
Hier lang zur Kontaktaufnahme
