In der Produktentwicklung entspricht Aufwand selten sichtbarem Fortschritt. Die Feinheiten einer robusten Agenten-Orchestrierung kosten unzählige schlaflose Nächte – und bleiben doch unsichtbar für unsere Nutzer. (Es gibt einen Grund, warum so viele Projekte mit KI-basierten Agenten nie in die Produktion gehen oder zurückgezogen werden, wenn ihre Qualität enttäuscht. Es ist schwierig.)
Dieses Mal war es anders: Dank starker Grundlagen war es leicht, eine neue Funktionalität freizuschalten, die unsere Nutzer lieben.
Zum Kontext: Data Stories hat sehr früh begonnen, Nutzerintention innerhalb einer Konversation nachzuhalten. Dies geht über das reine Speichern des Gesprächsverlaufs hinaus, da die Antworten unseres Produkts nicht nur Texte sind, sondern interaktive Ergebnisse. Sehen Sie sich dieses Beispiel an, in dem der Nutzer nach einer geografischen Darstellung fragt und diese dann verfeinert:
Die Fähigkeit, zu sagen: „Hallo Analyst, der Graph, den wir uns vorhin angesehen haben, braucht ein paar Anpassungen“ oder „Können wir die frühere Hypothese noch einmal betrachten und sie mit X im Hinterkopf analysieren?“, in dem verschiedenen Gesprächsfäden sich zu einem Sinnzusammenhang verdichten, ist ein potentes Merkmal produktiver Gespräche zwischen Menschen.
Unsere neue Personalisierung hebt diese Idee auf ein höheres konzeptionelles Niveau. Als Analyst trug Dirk immer ein Moleskine-Notizbuch bei sich, um die Erwartungen, Bedürfnisse und Interessen seiner Kollegen im Blick zu behalten. Data Stories hat jetzt ein solches „Notizbuch“ in seinem digitalen Werkzeugkasten, und es ist erstaunlich, wie effektiv es ist. Hier ist ein einfaches Beispiel, wie der oben erwähnte Gesprächsfaden in der neuesten Version unseres Produkts fortgesetzt werden kann:
Wenn Sie eine solche Antwort sehen, hat Data Stories Wissen über den Nutzer identifiziert und zu seiner lokalen Datenbank hinzugefügt.
In zukünftigen Anfragen dieser Nutzerin werden Ihre jeweils relevanten Erkenntnisse im Hintergrund einbezogen. Diese zusätzliche Intelligenz geschieht ohne zusätzliche Verzögerung, da sie parallel zu den bereits bestehenden Scans nach relevanten Datenbanktabellen läuft.
Das Ergebnis: Viele Antworten sind personalisiert, so wie der Zeitbereich im folgenden Diagramm, der auf der zuvor angegebenen Präferenz basiert:
Achten Sie einmal darauf, wie die Anwendung der erlernten Präferenzen implizit geschieht (wobei der Agent auf Ihre Bitte hin erklärt würde, warum er diesen Datenbereich gewählt hat). Dies ist gewollt, da die Anzahl der Erkenntnisse mit der Zeit zunimmt.
Transparenz ist eines unserer Kernprinzipien, daher kann eine Nutzerin alle Erkenntnisse überprüfen (und sogar bearbeiten), die unsere Anwendung jemals über sie gesammelt hat:
Es gibt auch einen neuen Parameter in den Anwendungseinstellungen, "Note Memory", der steuert, wie viele semantisch relevante Erinnerungen für Nutzerfragen berücksichtigt werden:
Unser Ansatz unterscheidet sich deutlich vom versteckten Profiling, das von den meisten Cloud-Diensten, z.B. in sozialen Medien, durchgeführt wird. Data Stories speichert alle Informationen lokal und macht diese einfach für Sie überprüfbar und editierbar.
Wir haben nun viele verschiedene Rechercheprozesse, die parallel laufen (Schema-Erkennung, importierte Dokumente, Websuche, verknüpfte Dokumente, Nutzerpräferenzen) und sind gespannt darauf, welche Kombinationen sich ergeben, wenn diese durch unsere Agenten in unterschiedlichen Werkzeugen und Logikketten genutzt werden.