Ondewo it architektur

Multi-channel Framework

"Unser Netzwerk verbindet sich mit verschiedensten Social Messaging Channels und kann Digital Assistant Platforms auslagern. Wir benutzen Node.js and Amazon Lambda funktionen für die Webhooks von Social Messaging Platforms. Dies erlaubt uns Leistungsstark und anpassbar zu sein."

FRIESEURTERMIN
GANZ EINFACH!

Du brauchst jetzt eine neue Frisur?
Super, lass uns doch chatten!

Zahlreiche Friseure stehen schon zur Verfügung,
einfach den Button klicken und im
Facebook Messenger sofort loslegen.

Eine intelligente digitale persönliche Assistent, der kurzfristige Angebote und Nachfragen für eine Vielzahl von Dienstleistungen (z. B. Friseur, Massage, Klempner) durch die Schaffung von persönliche und vertrauenswürdige Treffern zusammenbringt.

Unsere Zielbenutzer stehen vor zwei Herausforderungen: Erstens sind die Verbraucher sehr komfortabel und nicht bereit, wertvolle Zeit mit der Suche nach verfügbaren Diensten über mehrere Apps und Websites zu verbringen. Zweitens mangelt es Dienstleistern an digitalen Fähigkeiten, um On-Demand-Dienste anzubieten und die Auslastung zu steigern (20% Verluste heute), insbesondere nach Nichterscheinen oder kurzfristigen Stornierungen.

Conversation Modeling platform

Conversation graph modeling

  • Visuelle Modelierung der Konversationen als "relaxed" Graphen
  • Visuelle Definition der Intents inkl. deren Eigenschaften und Abhängigkeiten zu anderen Intents
  • Visuelle Konfiguration der Generierung der Trainingsdaten für ONDEWO AI Intenterkennungsalgorithmen

Domain & entity modeling

  • Modellierung der Wissensdomäne für den Digitalen Assitenten und Chatbots
  • Definition der Entitäten und möglicher Synonyme
  • Beschreibung der Abhängigkeiten von Entitäten zu anderen Entitäten

Conversational intelligence platform

Domain Construction & Generation

  • Advanced web scraping and web crawler technologies based on proven open-source technologies such as python, NLTK, beautifulsoup, selenium and tor network
  • Automatic training data construction based on “relaxed graph” domain models.
  • Enriches and extends ultra-small data sets for deep learning models
  • Spelling, typing and grammar variations considered in training data construction

Intent Detection

  • Hyprid approach to intent detection considering the context of the user at any time in the matching process
  • Ensemble-based intent detection with 8 different intent detection algorithms incl.
  • Deep learning
  • Machine learning (super-vised & un-supervised techniques)
  • Knowledge-graph entity-based matching
  • Text similarities measures – 6 well-known text similarity measures implemented such as Jaro-Winkler, Levenstein distance etc.)

Named entity recognition

  • Hyprid approach with neural networks, classificaiton and rule-based techniques
  • Machine-learning & deep learning based entity model training and matching with python, NLTK and spacy
  • High performant named entitiy recognition, i.e., detection under 1 sec with over 50 entity types

Conversation flow & context management

  • Multiple parallel conversations supported
  • Switch between conversation flows with keeping (reinstating) previous context of the user
  • Context switch detection with machine learning algorithm

QUALITY & PERFORManCE TEST Platform

Conversation flow stability & coverage

  • Automatically learning conversation models from user data
  • Measuring algorithm quality through graph-based “model checking”

Performance

  • Detailed intent and entity evaluation results about quality of detection with standard machine learning key performance indicators (KPIs) such as accuracy, f-score, precision, recall
  • Speed measures for each intent

Improvement suggestions

  • Visualization of errors in conversation graph such as common intent detection errors, wrongly detected entities etc.
  • Improvement suggestions for intents (e.g., further training data required) and entities (e.g., missing examples in entity models)