Institut für Informationssysteme und Softwaretechnik
Forschungsprojekte

Forschungsprojekte

Aktuelle Forschungsprojekte

Die Nürnberger Großkirchen - Best Practice für die digitale Erfassung komplexer Baudenkmale

Ein fachübergreifendes Team aus den Universitäten Passau und Bamberg und weitere Mitwirkende erstellen ein umfassendes digitales Modell der Nürnberger Stadtkirche St. Lorenz, das den Informationsgehalt des Objekts in den Vordergrund rückt und der räumlichen Dimension gebauter Architektur Rechnung trägt.

mehr

BABEDO - Digitale Baubestandsdokumentation

In dem Projekt BABEDO entwickelt das Institut für Informationssysteme und Softwaretechnik (IFIS) der Universität Passau zusammen mit einem Unternehmen aus der Region eine digitale Plattform für die Baubestandsdokumentation.

mehr





Nach oben

Abgeschlossene Forschungsprojekte

BiT - Beratungssystem im Telekommunikationsbereich

Förderung

Das Projekt BiT wurde als Verbundprojekt im Rahmen des FuE-Programms "Informations- und Kommunikationstechnik" des Freistaates Bayern für drei Jahre gefördert.

Verbundpartner

:a:k:t: Informationssysteme AG, Passau
Nachfolgeunternehmen: Innowerk-IT GmbH, Dr.-Ernst-Derra-Straße 6, 94036 Passau

Prof. Dr. Burkhard Freitag, Institut für Informationssysteme und Softwaretechnik, Universität Passau, 94030 Passau, +49 851 509 3130, Burkhard.Freitag@uni-passau.de

Beschreibung für die wissenschaftliche Öffentlichkeit

Die Telekommunikationsbranche ist ein Beispiel für einen sehr schnelllebigen Bereich, in dem technologische Veränderungen und intensive Marketingbestrebungen in rascher Folge zu immer neuen Angeboten führen. Die resultierende Angebotsvielfalt ebenso wie die in schneller Folge sich vollziehenden Änderungen des Marktes führen zu einem hohen Beratungsbedarf auf Seiten der Kunden und als Konsequenz zu einem sehr hohen Schulungsaufwand für das Vertriebspersonal.

In dem Projekt BiT wurde eine dialogorientierte, intelligente Beratungsumgebung für den Vertrieb im Telekommunikationsbereich entwickelt. Die Bedienerführung basiert auf Techniken der Künstlichen Intelligenz. Auf der Grundlage aktueller Datenbanktechnologien können Kundenpräferenzen bei der Erstellung von Kaufempfehlungen berücksichtigt werden. Der Beratungsdialog passt sich dadurch dynamisch an den Gesprächsverlauf und die bereits erkannten Präferenzen des Kunden an. Es werden keine starren Benutzermodelle zugrunde gelegt, die regelmäßig auf wenig Akzeptanz treffen. Beispielsweise entfallen die sonst üblichen lästigen schematischen Fragesequenzen.

Der Beratungsdialog wird mit Methoden der Künstlichen Intelligenz auf der Grundlage von vorhandenem Marketingwissen und unter Berücksichtigung der aktuellen Antworten des Kunden gesteuert. Genauer handelt es sich um eine Verknüpfung von Statecharts zur Grobsteuerung des Dialogs mit Bayes-Netzen zur Modellierung der Abhängigkeiten zwischen Kundenprofil, Kundennutzen und Produkteigenschaften. Die produktbezogenen Präferenzen des Kunden werden aufgrund dieser Repräsentation mit probabilistischer Inferenz abgeleitet und müssen nicht abgefragt werden.

Wesentliche Aspekte der Vertriebsberatung werden so durch eine rechnergestützte, intelligente Beratungsumgebung übernommen. Die Beratungsumgebung bezieht ihre Grundinformationen automatisch aus den Produktdatenbanken des Großhandels. Dadurch ist der Beratungsverlauf stets an die aktuelle Produktpalette angepasst. Die gesamte Produktpalette kann in einem Datenbanksystem hinterlegt werden. Als Ergebnis des Beratungsdialogs werden die passenden Produktempfehlungen durch präferenzgesteuerte Anfragen an die Produktdatenbank erzeugt.

Technisch gesehen handelt es sich bei der BiT-Lösung um ein automatisch aktualisierbares Recommender-System[1] mit präferenzbasierter Datenbankanbindung. Wahlweise kann das System den Vertriebspersonen oder auch direkt den Endkunden zur Verfügung stehen.

Auf Basis einer Analyse der vom Beratungssystem zu unterstützenden Geschäftsprozesse wurde ein detailliertes Domänen-Metamodel zur Beschreibung von Kunden und Produkten erstellt. Das erstellte Metamodell ist in der Lage, kausale Wechselwirkungen zwischen Kundenstereotypen, Bedürfnissen und der Bedürfnisbefriedigung durch bestimmte Produkteigenschaften abzubilden. Es ist möglich, diese Einflüsse auch zwischen Gruppen von Modellelementen zu definieren und die bewirkten Effekte feingranular zu beschreiben. Zur Unterstützung einer hohen Wartungseffizienz wurde ein Ansatz entwickelt, der aus einer gegebenen Instanz des Metamodells alle domänenabhängigen Teile des Beratungssystems automatisch generieren kann.

Aus den in einem Domänenmodell spezifizierten Kundeneigenschaften wird ein Bayesnetz generiert, dessen Struktur den modellierten Kundeneigenschaften entspricht. Die in dem Bayesnetz enthaltenen bedingten Wahrscheinlichkeitstabellen beschreiben die kausalen Einflüsse zwischen Kundenstereotypen, Bedürfnissen und der Produkteigenschaften. Somit können abhängig von teilweise bekannten Kundeneigenschaften Schlussfolgerungen über Kundenvorlieben und den günstigsten weiteren Verlauf des Beratungsdialogs getroffen werden. Darüber hinaus werden sowohl die Struktur der Produktdatenbank als auch die zur Produktempfehlung genutzten Rankinganfragen vollautomatisch erzeugt. Hervorzuheben ist, dass durch diesen Ansatz – wie gewünscht – die mathematische Komplexität der verwendeten Algorithmen vor den Anwendern verborgen wird.

Auf Basis der abgeschlossenen Modellierung wurde ein Prototyp des Beratungssystems als Webapplikation implementiert, der die vollständige Beratungsfunktionalität realisiert. Insbesondere basiert die Dialogführung auf dem generierten Bayesnetz. Das System ist in der Lage, aus den Kundenantworten entsprechende Rankinganfragen an die Produktdatenbank zu stellen, die zum Kundenprofil passende Produktempfehlungen liefern.

Wissenschaftliche Arbeiten und Veröffentlichungen

In den Beiträgen „Generating recommendation dialogues from product models“ [1] und „A Model-Based Customer Inference Engine“ [2] werden die Grundlagen der im BiT-Projekt verwendeten Methode zur Dialogführung basierend auf einem Bayes’schen Netzwerk vorgestellt. Der Artikel erläutert insbesondere die zur Generierung des Bayesnetzes aus dem Domänenmodell einzusetzenden Algorithmen und die Nutzung der vom Bayesnetz angebotenen Inferenzdienste für die Dialogführung und Empfehlungsgenerierung. So kann die Dialogmanagement-Komponente des BiT über das definierte Relevanzmaß die jeweils nächsten Fragen im Dialogverlauf bestimmen und die wahrscheinlichsten Antworten darauf vorhersagen. Darüber hinaus dient das Bayesnetz als Grundlage für die Festlegung einer Multi-Attribute Utility-Function, welche anschließend als Eingabe für das durch die Datenbank durchgeführte Ranking des Produktkatalogs dient.

Der Konferenzbeitrag „Designing a Metamodel-Based Recommender System“ [3] stellt die ersten Erfahrungen mit dem realisierten Prototyp und das Gesamt-Framework dar. Besonders hervorzuheben sind in diesem Zusammenhang die Erfahrungen im Umgang mit dem Bayesnetz, welche zu einer geänderten Relevanzberechnung für Fragen geführt haben, die insbesondere auch strukturelle Eigenschaften des Bayesnetzes für eine intuitivere Gesamt-Dialogführung in die Berechnungen einbezieht.

Im Beitrag „Using Bayesian networks to infer product rankings from user needs“ [4] wird die Ableitung der zur Sortierung der Produkte nach ihrem Nutzen verwendete Rankingfunktion aus den Ausgaben des Bayesnetzes genau beschrieben. Insbesondere wird gezeigt, wie die Nutzenfunktion mit Hilfe von Standard-SQL auf jeder beliebigen relationalen Datenbank implementiert werden kann.

In seiner Dissertation „A Layered Conversational Recommender System“ [5] beschreibt Sven Radde die Gesamtkonzeption und Umsetzung eines neuen Typs von Recommender Systemen, wie er im Rahmen des BiT Projekts entwickelt wurde.

 

[1] S. Radde, M. Beck, and B. Freitag. Generating recommendation dialogues from product models. In Proceedings of the AAAI 2007 Workshop on Recommender Systems in E-Commerce. AAAI Press, 2007.

[2] S. Radde, A. Kaiser, and B. Freitag. A model-based customer inference engine. In Proceedings of the ECAI08 Workshop on Recommender Systems, Patras, Greece, July 2008. ECCAI, 2008.

[3] S. Radde, B. Zach, and B. Freitag. Designing a metamodel-based recommender system. In T. D. Noia and F. Buccafurri, editors, E-Commerce and Web Technologies, 10th International Conference, EC-Web 2009, Linz, Austria, September 1-4, 2009. Proceedings, volume 5692 of Lecture Notes in Computer Science, pages 264–275. Springer, 2009.

[4] S. Radde and B. Freitag. Using Bayesian networks to infer product rankings from user needs. In B. Mobasher, D. Jannach, and S. S. Anand, editors, Proceedings of the 8th Workshop on Intelligent Techniques for Web Personalization & Recommender Systems, ITWP@UMAP 2010, Big Island, HI, USA, June 20, 2010, volume 606 of CEUR Workshop Proceedings. CEUR-WS.org, 2010.

[5] S. Radde. A Layered Conversational Recommender System. PhD thesis, University of Passau, 2013.


[1] Als “Recommender-Systeme” werden rechnergestützte Empfehlungssysteme bezeichnet, die Unterstützung bei der Auswahl von Produkten, Maßnahmen und Ähnlichem bieten.

Abgeschlossene Forschungsprojekte

MonArch - Archivsystem für Monumentalbauwerke

Die Archive von Monumentalbauten bilden zusammen mit dem Baubestand das historische Gedächtnis der für die mitteleuropäischen Kultur- und Stadtlandschaften prägenden Denkmale. Die Bestände sind nur in Ausnahmefällen inventarisiert, erschlossen oder digital gesichert, die Archivalien einander inhaltlich nicht zugeordnet.

mehr

MonArch - Archivsystem für Monumentalbauwerke

Das Forschungsprojekt MonArch der Universitäten Passau und Bamberg erschließt aus kulturhistorischer und informatischer Sicht die Archive von Monumentalbauwerken und archäologischen Stätten.

mehr

VerDiKt

Ziel des Projekts ist die Entwicklung von Methoden und die Realisierung einer Umgebung für die Verifikation von kontextabhängigen, semistrukturierten Dokumenten. Unterschiedliche Nutzergruppen haben unterschiedliche Vorkenntnisse und Informationsbedürfnisse.

mehr





Nach oben