Projektbericht

HaBiBi – Sprich mit Deinem Softwarehandbuch

Schonmal versucht nach einem Problem zu googeln, von dem man nicht weiß, wie man es beschreiben soll? Oder versucht eine Anleitung für eine Funktion einer Software zu finden, wenn man keine Ahnung hat, wie die Funktion heißt? In Kooperation mit der Hirschbiegel+Grundstein GmbH entwickeln wir HaBiBi, den HandBuchBot, und erforschen, ob und wie Chatbots uns helfen können, diese Sprachlosigkeit zu überwinden.

Projektbeteiligte

Anna Viktoria Katrin Plaksin
Hizkiel Mitiku Alemayehu
Andreas Prohl-Plaksin

Projektstatus

Testphase

Individualisierte Softwarelösungen als Motor der Digitalisierung

Computerprogramme sind eines der wichtigsten Werkzeuge, die wir im Arbeitsalltag verwenden. Je nach Beruf und Aufgabengebiet verwenden wir oft Programme, die beinahe jeder kennt und nutzt. Immer wieder verwenden wir aber auch Softwareprodukte, die speziell für unsere Aufgabengebiete entwickelt, oder angepasst wurden, um die individuellen Geschäftsprozesse einer Organisation abzubilden. In Kulturbetrieben sind das z.B. die Planung von Vorstellungen und Proben, Orchesterplanung, Veranstaltungskalkulation, Vertragsverwaltung, Bestellwesen, Dienstplanung, Zeiterfassung, die Berechnung von Tarifzuschlägen oder die Verwaltung von Kontakten. Je komplexer und individueller solche Lösungen sind, desto schwieriger wird es für Nutzer:innen die Arbeit mit diesem Produkt zu erlernen. Und je kleiner die Nutzergruppe ist, desto weniger hilft googeln. Deswegen ist die Vermittlung von Know-How zu hochspezialisierten und individuellen Softwarelösungen für Betriebe eine absolut essenzielle Herausforderung und wird im Zuge der voranschreitenden Digitalisierung unserer Verwaltungsabläufe immer wichtiger. Gleichzeitig stößt diese Vermittlungsaufgabe immer wieder an Grenzen und bindet enorme Ressourcen. Daher erforschen wir, wie KI dabei unterstützen kann.

»Wieso ein langweiliges Handbuch wälzen,
wenn man einen guten Freund fragen kann?«

Andreas Prohl-Plaksin (Hirschbiegel+Grundstein GmbH)

Wissensvermittlung mit KI

Eine zentrale und immer verfügbare Informationsressource sind Softwarehandbücher. Im Idealfall ist dort die Software und deren Funktionen beschrieben. Doch hat man ein Problem, ist die Sache meist nicht so einfach gelöst. Das Schreiben von Handbüchern ist ein zeitaufwendiger Prozess. Wird eine neue Funktion gebaut, muss sie beschrieben werden. Wird eine Funktion geändert, muss die Beschreibung angepasst werden. Und damit ein:e Nutzer:in sich zurechtfindet, möchte man eine Struktur entwickeln und eine Sprache finden, die zwischen der Nutzer:innenperspektive und der Programmlogik vermittelt. Bisher hat man sich dafür an eine:r Standard-Nutzer:in orientiert und wusste, dass man damit eigentlich immer daneben liegt. Denn uns fällt es leichter zu lernen, wenn wir individuell angesprochen werden.

Genau hierfür setzen wir KI Chatbots ein. Wir bringen HaBiBi das Wissen über die Software bei, füttern ihn also mit Handbüchern. Das generative Sprachmodell darunter, das an riesigen Textmengen gelernt hat, kann dieses Wissen dann individuell auf die gestellte Frage anpassen. Und es erlaubt Nachfragen.

Auch wenn das Potenzial in der Theorie groß ist, müssen für den Einsatz in der Praxis viele Fragen geklärt werden:

Wie integriert man einen Chatbot in eine bestehende Infrastruktur?
Welche rechtlichen und finanziellen Rahmenbedingungen müssen beachtet werden?
Wie muss eine Wissensbasis beschaffen sein, damit ein Chatbot gute Antworten liefert?
Wie vermeidet man falsche Antworten?

Gemeinsam mit dem Softareunternehmen Hirschbiegel+Grundstein GmbH
entwickeln wir HaBiBi und erproben seinen Einsatz in dem Softwarepaket KOKOS.Event.

Retrieval Augmented Generation – ein schlanker und vielseitiger Ansatz

Wir verwenden die Technik des Retrieval Augmented Generation (RAG).

Es handelt sich dabei um ein zweischrittiges Verfahren. Zuerst wird eine Anfrage an ein Abrufmodell gesendet, um damit anschließend passende Inhalte aus einer Datenbank abzufragen. Diese relevanten Informationen werden, im zweiten Schritt, zusammen mit der Frage an ein generatives Modell gesendet. Dies nutzt die abgerufenen relevanten Dokumente als Wissensquelle für die Beantwortung der Frage.

Dieser Ansatz kombiniert die Stärke von Informationsabrufsystemen mit generativen Modellen. Dabei sucht das Modell relevante Dokumente oder Informationen aus einer Datenbank und nutzt diese als Kontext, um präzisere und informativere Antworten zu generieren. Zum einen wird damit die Genauigkeit und Relevanz der generierten Texte verbessert, besonders in spezialisierten oder wissensintensiven Bereichen. Zum anderen ermöglicht das Verfahren eine schnelle und ressourcenschonende Implementierung, da fertige Komponenten miteinander kombiniert werden und kein aufwendiges Training notwendig ist.