Wat als chatbots ons begrepen en niet alleen een antwoord geven

In een recent verleden hebben we ons bezig gehouden met chatbots. Een daarvan heette ELS  en zij gaf antwoorden en tips rondom vragen die je aan een woningcorporatie kunt stellen. Heel eenvoudig, een text-mining  tool loslaten op een kennisdatabase die bestaat uit kenniskaarten en die combineren met chatbox software voor de dialoog met de gebruiker. U stelt de vraag (zoveel mogelijk in natuurlijke taal) en de tekst-mining machine gaat op zoek naar antwoorden die het dichtst bij de vraag liggen. En als side-kick wat scripting gebaseerd op Regular Expressions om niet-relevante vragen en schuttingtaal af te vangen en te beantwoorden. Denk aan vragen als ‘hoe oud ben je’, ‘waar woon je’, ‘wil je met me trouwen’, etc.  Uit de bijgehouden statistieken scoorde de chatbot best redelijk. Ook door het fine-tunen van ELS door steekwoorden uit de vragen toe te voegen aan de kenniskaarten uit de kennisdatabase, werd ELS steeds beter in het beantwoorden van de vragen.

Maar in de praktijk is het net wat ingewikkelder. Simpele vragen als ‘wanneer kan ik een afspraak maken’, ‘hoeveel huursubsidie kan ik ontvangen’ of ‘mijn buren maken wel veel herrie’ zijn goed te ondervangen met een text-mining tool die slim zoekt in de kennisdatabase. Vragen die meer interpretatie en context vereisen zijn lastiger.

Bijvoorbeeld de vraag:’ kan ik met mijn rolstoel het appartement dat u verhuurt, bewonen’. Misschien dat ELS een antwoord kan geven dat gaat over toegankelijkheid voor invaliden van het appartementsgebouw. Maar dat zal in veel gevallen een vooraf gescript antwoord of dialoog zijn. Een echte (menselijke) klantservice agent zal meteen begrijpen dat het om meer gaat dan alleen een feitelijk antwoord op deze vraag. Hier is een probleem op te lossen van iemand die fysieke beperkingen heeft en wil wonen in het appartement dat de verhuurder aanbiedt.

Het gaat niet alleen om te antwoorden dat de corporatie geheel voldoet aan de toegankelijkheidseisen zoals die wettelijk zijn vastgelegd. Denk aan brede deuren en op- en afritten voor rolstoelen en de beschikbaarheid van een lift. Het gaat ook om de vraag of het een tijdelijk probleem is waarmee de vrager te maken heeft, of er een begeleider is (medehuurder of hulphond),  zijn de alle kamers en toilet toegankelijk voor een rolstoelgebruiker, etc. Veel vragen die je niet zo makkelijk met een slimme zoekmachine oplost. Het gaat niet om het antwoord op de vraag, maar om het oplossen van een probleem: ik wil als rolstoelgebruiker wonen in een van jullie woningen. Een oplossing is niet direct eenvoudig maar een oplossingsrichting is wellicht te vinden in de combinatie van text-mining en concept maps. Met een concept map kun je een beeld van de context van een vraag construeren aan de hand van begrippen/steekwoorden in de vraag. De concept map geeft je vervolgens de ‘inference’ (redeneer)ruimte om het probleem aan te pakken en te beantwoorden.

Een voorbeeld. Stel we hebben een chatbot die vragen over Sinterklaas kan beantwoorden. En je stelt aan de chatbot de volgende vraag: “Kan Sinterklaas dit jaar wel bij ons thuis komen?”. De tekst-mining tool gaat aan de slag met de vraag en komt met het volgende antwoorden: Sinterklaas is op 5 december jarig en er zijn hulp-sinterklazen die je kunt huren voor een bezoek aan huis. Met een concept-map over Sinterklaas kun je ook de discussie rondom Sinterklaas en Zwarte piet in beeld krijgen. Misschien bedoelde de vraagsteller wel of het acceptabel is om Sinterklaas een huisbezoek te laten afleggen, gezien de discussie over zijn ‘medewerkers’. Met een concept-map kun je niet alleen de feitelijke, naïeve vraag over Sinterklaas beantwoorden maar ook de actuele achtergrond toelichten en de discussie presenteren. Op deze manier geeft de chatbot niet eenvoudigweg een antwoord op de vraag maar wordt ook een problematische situatie meegenomen in zijn antwoord.