Die Integration von Large Language Models (LLMs) in Conversational AI hat einen Paradigmenwechsel im Conversational Design ausgelöst. In unserem letzten Beitrag haben wir den aktuellen Entwicklungspfad beschrieben und die alten und neuen Herausforderungen diskutiert. Diese Themen werden auch auf der kommenden Shift/CX Chatbot & Conversational Experiences Konferenz am 25. & 26. September im Fokus stehen.

Eine zentrale Frage ist dabei, wie sich der Conversational Design-Ansatz – also die Konzeption und Realisierung des Dialogerlebnisses – verändert. Mit den Möglichkeiten der LLMs in der Intent-Erkennung und der Antwortgenerierung stellt sich die Frage, wie sich dies auf die Prinzipien des Conversational Designs auswirkt.

In diesem Beitrag stellen wir die wesentlichen Elemente des Conversational Design Prozesses vor und diskutieren, was durch die Integration von LLMs neu gedacht werden muss. Wir untersuchen die konzeptionellen und prozessualen Anpassungen, die erforderlich sind, um den steigenden Erwartungen gerecht zu werden und eine optimale Nutzererfahrung zu gewährleisten.

Conversational Design als nutzerzentrierter Gestaltungsprozess einer dialogorientierten Mensch-Maschine-Interaktion

Conversational Design ist eine spezielle Form des User Interface Designs, die sich auf die Gestaltung dialogbasierter Interaktionen konzentriert. Es umfasst die Schaffung natürlicher, flüssiger Gespräche zwischen Menschen und Maschinen, sei es durch Text oder Sprache. Der Ansatz ist stark nutzerzentriert, wobei das Ziel darin besteht, die Interaktionen einfach und effizient zu gestalten, basierend auf einem tiefen Verständnis der Nutzerbedürfnisse und -erwartungen. Diese dialogorientierten Interaktionen ermöglichen personalisierte und kontextbezogene Erlebnisse, die sich dynamisch anpassen können.

Wesentliche Elemente des Conversational Design Prozesses

Der Conversational Design Prozess umfasst mehrere grundlegende Elemente, die entscheidend für die Entwicklung effektiver und natürlicher Konversationen sind. Diese Elemente dienen als Basis für die Gestaltung von Chatbots und Sprachassistenten, die Nutzererfahrungen optimieren sollen.

1. User Research und Persona-Entwicklung
   Ein tiefes Verständnis der Zielgruppe ist der erste Schritt. Dies beinhaltet die Analyse von Nutzerbedürfnissen, -verhalten und -erwartungen. Durch die Erstellung von Personas können Designer spezifische Nutzerprofile entwickeln, die als Leitfaden für die Gestaltung der Konversation dienen.

2. Intent und Entity Mapping
   Die genaue Erkennung der Nutzerabsicht (Intent) ist entscheidend, um relevante Antworten zu liefern. Ebenso wichtig ist die Identifizierung relevanter Informationen oder Entitäten, die in den Anfragen der Nutzer enthalten sind. Diese Komponente hilft, die Konversation gezielt zu steuern und relevante Antworten zu geben.

3. Konversationsfluss-Design
   Die Strukturierung des Gesprächsverlaufs spielt eine zentrale Rolle. Ein durchdachter Dialogfluss ermöglicht es, Nutzer durch verschiedene Szenarien zu führen und dabei eine kohärente und intuitive Erfahrung zu bieten. Hierbei werden Storyboards oder Conversational Maps entwickelt, um den Dialogverlauf visuell darzustellen und mögliche Nutzerfragen und -reaktionen zu antizipieren. Dies erleichtert reibungslose Übergänge und Interaktionen.

4. Entwicklung des Charakters und der Tonalität der Interaktionskommunikation
   Der Charakter und die Tonalität des Chatbots repräsentieren die Marke und deren Wertesystem. Es ist entscheidend, eine konsistente Persönlichkeit und Tonalität zu entwickeln, die in allen Interaktionen reflektiert wird. Dies schafft Vertrauen und sorgt für eine einheitliche und ansprechende Nutzererfahrung.

5. Prototyp-Entwicklung und Testing
   Nach der Konzeption wird ein Prototyp erstellt, der die geplanten Dialoge simuliert. Durch Nutzertests wird der Prototyp validiert, um Schwachstellen zu identifizieren und zu optimieren. Dies ist ein iterativer Prozess, der kontinuierlich verbessert wird, um eine hohe Benutzerfreundlichkeit und Effektivität zu gewährleisten.

Diese Elemente bilden die Grundlage für ein effektives Conversational Design. Mit der Integration von LLMs ergeben sich jedoch neue Herausforderungen und Möglichkeiten, die eine Überarbeitung dieser Prozesse erfordern. Im nächsten Abschnitt werden wir detailliert auf die Veränderungen eingehen, die durch die Nutzung von LLMs notwendig geworden sind.

Veränderungen durch die Integration von LLMs im Conversational Design

Die Integration von Large Language Models (LLMs) bringt verschiedene Potentiale und Veränderungen in die Conversational-Projekte. Allein durch das Anwendungsbeispiel von ChatGPT sind die Nutzererwartungen gestiegen. Von Dialogschnittstellen werden heute überzeugende Antworten erwartet, die spezifische Probleme lösen. Entscheidend ist die konsistente und auf den individuellen Kontext angepasste Antwortqualität, die jeglichen Input verarbeiten und Missverständnisse klären kann.

Technologisch bieten LLMs dabei die Möglichkeit, die die Conversational AI Konzepte um mehr Variabilität und Flexibilität in der Sprachverarbeitung und Sprachgenerierung zu unterstützen. Sie müssen jedoch gezielt in den Flow der Anliegenentschlüsselung (NLU für Natural Language Understanding Komponente) und der Antwortgenerierung (NLG für Natural Language Generation Komponente) integriert werden. Dabei ist es wichtig, die Analyse- und Generierungsfähigkeiten der LLMs zu kontrollieren, um die Unternehmensziele zu gewährleisten und das Risiko von Halluzinationen zu minimieren.

Je nachdem, wo die LLMs im Design-Prozess integriert werden, führen sie zu unterschiedlichen Unterstützungen und Veränderungen:

(1) Einsatz von LLMs und Generativer KI im Design-Prozess

• Unterstützung bei User Research und Persona Development
  LLMs können helfen, ein tieferes Verständnis der Zielgruppe zu entwickeln, indem sie als "interaktiver Sparingspartner" bei der Analyse von Nutzermerkmalen und bei der Generierung von Persona-Profilen eingesetzt werden. 

• Unterstützung bei der Ermittlung und Definition von möglichen Utterances (Nutzer-Äußerungen) und Intents (Anliegen)
  Die Analyse- und Generierungs-Fähigkeiten der Sprachmodelle ermöglichen eine einfachere Ermittlung, Definition und Erzeugung der Bausteine von Conversational AI Systemen - dabei geht es um die möglichen Nutzer-Äußerungen, die getätigt werden könnten, und die möglichen Intents, die hinter den Nutzer-Äußerungen stecken. Die LLMs helfen hierbei leichter eine höhere Variantenvielfalt zu schaffen.

• Generierung alternativer Antworten
  Die Modelle können verschiedene Antwortmöglichkeiten für vordefinierte Szenarien erzeugen, was den Designern hilft, eine Vielfalt an passenden Reaktionen zu entwickeln. Gleichsam ermöglicht es der Einsatz von LLMs über die Variantenerstellung leichter eine Konistenz in Tonalität und Charakter herzustellen.

• Generierung von Conversation Flows
  LLMs unterstützen die Erstellung alternativer Gesprächsverläufe, die unterschiedliche Pfade und Szenarien abdecken. Dies erleichtert die Gestaltung flexibler und adaptiver Dialogstrukturen.

• Unterstützung bei User Testing und Iteration
  LLMs können genutzt werden, um realistische Szenarien in Nutzertests zu simulieren. Sie helfen, Schwachstellen zu identifizieren und Verbesserungspotenziale aufzuzeigen, was zu einer kontinuierlichen Optimierung des Systems führt.

(2) Einsatz von LLMs und Generativer KI zur Flexibilisierung des NLU- & NLG-Verhaltens in Echtzeit

• Reduktion der Komplexität im Conversational Design
  Eingebunden in den Dialogverarbeitungsprozess können LLMs helfen, die Nutzeranfragen und die dahinterliegenden Anliegen vorzuklassifizieren, sprachliche "Zwischentöne" wie z.B. hohe Emotionalität in der Sprache oder Unklarheiten zu erkennen und durch Rückfragen zu "behandeln". In der Regel wird dabei die Nutzeranfrage via Prompt-Abfragen von den LLMs "vorbehandelt" - bevor sie an die NLU-Komponente gegeben werden. Hierdurch ergibt sich für den Design-Prozess eine geringere Komplexität in der Utterance- und Intend-Spezifikation, weil weniger spezifische Anfragevarianten vorgedacht werden müssen.

• Steigerung des personalisierten und kontextualisierten Dialogvermögens
  LLMs können Antworten erzeugen, die speziell auf den Kontext und die Vorlieben des Nutzers zugeschnitten sind, wodurch die Interaktionen relevanter und ansprechender werden. Dabei werden die LLMs mit den von der NLU entschlüsselten Informationen via einem Prompt für eine Antwort abgefragt. Hierbei braucht es aber immer noch einen Prüfschritt, ob die Antwort keine Fehlinterpretation enthält. Dies führt ebenfalls zu einer Verringerung des Design-Aufwandes für verschiedene Varianten in der Antwortgestaltung.

• Einbindung von Domain Knowledge Ressourcen
  Die Modelle können Informationsbausteine aus spezifischen Wissensdatenbanken bzw. Repositories in natürlich sprachliche und kontextuell angepasste Antworten umwandeln. Auch hier gilt es aber noch, die Fehlinterpretation bei der Antwortgenerierung im Nachfolgeschritt zu überprüfen.

• Dynamische Anpassung des Gesprächsflusses
  LLMs ermöglichen eine flexible Anpassung des Dialogflusses in Echtzeit, indem sie auf unterschiedliche Gesprächsszenarien reagieren und den Gesprächspfad gegebenenfalls anpassen bzw. auf neue Pfade umleiten können.

Zusammenfassend lässt sich sagen, dass die Integration von LLMs die Dialoge spezifischer und angepasster machen kann - gleichzeitig die Komplexität des Designs reduzieren kann, weil die Entschlüsselung und die Erzeugung der nutzerindividuellen Anliegen und Antworten durch das LLM ergänzt wird und nicht im Design abgebildet werden muss. Im Kontext der Echtzeit-Erweiterungen erfordern sie aber auch immer eine zusätzliche Governance um die Fehlinterpretationen auszuschliessen.

Fazit

Durch die erweiterten Fähigkeiten von LLMs in der Intent-Erkennung und Antwortgenerierung müssen die Prinzipien des Conversational Designs neu gedacht werden. Es gilt, konzeptionelle und prozessuale Anpassungen vorzunehmen, um den steigenden Erwartungen der Nutzer gerecht zu werden und optimale Nutzererfahrungen zu gewährleisten.

Mit der Integration von LLMs ergeben sich neue Herausforderungen und Chancen, die eine Überarbeitung dieser Prozesse erfordern. Die steigenden Nutzererwartungen verlangen nach flexiblen, kreativen und personalisierten Dialogen. LLMs bieten das Potenzial, diese Anforderungen zu erfüllen, erfordern jedoch eine sorgfältige Steuerung, um Unternehmensziele zu erreichen und das Risiko von Halluzinationen zu minimieren.

Konkrete Veränderungen durch LLMs im Conversational Design:

1. Einsatz im Design-Prozess: LLMs unterstützen bei der Analyse von Nutzerdaten, der Definition von Intents und Entitäten, der Generierung von Antworten und Conversation Flows sowie bei User Testing und Iteration.
2. Echtzeit-Flexibilisierung des NLU- & NLG-Verhaltens: LLMs ermöglichen eine flexible Anpassung des Gesprächsflusses, generieren kontextualisierte Antworten und integrieren Domain Knowledge Ressourcen.

Zusammenfassend lässt sich sagen, dass LLMs die Dialogqualität erheblich verbessern können und das Design vereinfachen, indem sie komplexe Entschlüsselungen und Antwortgenerierungen übernehmen. Gleichzeitig bleibt eine sorgfältige Governance notwendig, um Fehlinterpretationen zu vermeiden und die Qualität der Nutzererfahrung sicherzustellen.

Jetzt noch bis zum 20.08. die Live-Teilnahme bei der Shift/CX Chatbot & Conversational Experiences Konferenz mit dem Aktionscode CXHERBST24 kostenlos sichern!