Einen Sprachassistenten für textile Zirkularität erstellen

Einen Sprachagenten zu erstellen, der Gespräche über spezielle Themen führen kann, ist eine echte Herausforderung. Ein grosses Problem ist der Bedarf an einer Menge Informationen über dieses spezielle Thema. Grosse Sprachmodelle (LLMs) haben an Beliebtheit und Fähigkeit zugenommen, was bedeutet, dass sie helfen können, dieses Problem zu lösen, ohne so viele Daten zu benötigen. Indem wir LLMs spezifische Aufgaben mit Hilfe von Prompts geben, können wir sie anweisen, auf Nutzeranfragen zu reagieren, ohne dass sie zuerst auf eine Menge Daten trainiert werden müssen.

In diesem Artikel erzählen wir, wie wir einen Sprachagenten namens TextileBot entwickelt haben. Dieser Agent konzentriert sich auf Textilien und Kreislauffähigkeit, eine nachhaltige Praxis in der Textilindustrie. Wir teilen, wie wir TextileBot entworfen, entwickelt und getestet haben, basierend auf einer Studie mit echten Nutzern.

#Was ist textile Kreislauffähigkeit?

Textile Kreislauffähigkeit dreht sich alles darum, die Textilindustrie nachhaltiger zu gestalten. Es bedeutet, Materialien wiederzuverwenden, zu recyceln oder abzubauen, um weniger Abfall zu erzeugen und die Umwelt weniger zu belasten. Dieses Thema umfasst eine Menge Informationen aus verschiedenen Bereichen wie Mode, Lieferkette und Materialwissenschaft. Wegen der Komplexität dieses Themas ist es ein ideales Feld, um zu zeigen, was ein Sprachagent leisten kann.

Da die Textilindustrie erheblich zur Umweltverschmutzung beiträgt, ist es entscheidend, nachhaltige Wege zu finden, um Textilien zu produzieren und zu konsumieren. Das Ziel ist es, den normalen Leuten zu helfen, die textile Kreislauffähigkeit besser zu verstehen und sie dazu zu ermutigen, sich mit nachhaltigen Praktiken auseinanderzusetzen.

#Die Herausforderung beim Bau von Sprachagenten

Typische Sprachagenten, wie Alexa oder Google Home, sind darauf ausgelegt, Informationen zu einer breiten Palette von Themen bereitzustellen. Oft fehlt ihnen jedoch die Tiefe, die für spezielle Themen notwendig ist. Einen Sprachagenten zu entwickeln, der sich auf ein bestimmtes Feld konzentriert, bringt Herausforderungen mit sich, insbesondere den Bedarf an speziellen Daten. Das Sammeln und Vorbereiten dieser Daten kann zeitaufwendig und kostspielig sein.

Ausserdem verlassen sich die meisten Sprachagenten auf einfache Frage-Antwort-Muster, was bedeutet, dass sie sich vergangene Interaktionen nicht leicht merken können. Das schränkt die Tiefe der Gespräche ein und macht diese Interaktionen recht oberflächlich.

#Verwendung von grossen Sprachmodellen

Neueste Fortschritte bei LLMs erlauben einen flexibleren Ansatz zur Entwicklung von Sprachagenten. Diese Modelle sind mächtige Werkzeuge, die menschliche Sprache verstehen und generieren können, basierend auf minimalem Input. Zum Beispiel kann man einfach fragen: "Was ist nachhaltige Mode?" und sie können eine angemessene Antwort geben, ohne dass sie speziell für Textilien umfangreich trainiert werden müssen.

LLMs können auf eine sogenannte "Zero-Shot"-Weise verwendet werden, was bedeutet, dass wir sie anweisen können, Aufgaben zu erfüllen, ohne spezifisches Training für diese Aufgabe. Indem wir das bestehende Wissen dieser Modelle nutzen und sie mit strukturierten Prompts anleiten, können wir einen Sprachagenten erstellen, der sich auf Textilien spezialisiert, ohne eine Menge massgeschneiderter Daten zu benötigen.

#Der Entwicklungsprozess von TextileBot

Wir haben uns auf einen dreiphasigen Prozess konzentriert, um TextileBot zu erstellen:

#Phase 1: Wissensstruktur

Zuerst haben wir ein Framework erstellt, um Wissen über Textilien zu organisieren. Das beinhaltete, eine strukturierte Möglichkeit zu schaffen, Informationen durch Prompts zu präsentieren. Wenn wir zum Beispiel mehr über "Baumwollfaser" wissen wollen, strukturieren wir die Informationen so, dass sie klar ihre Beziehung zu anderen Fasern anzeigen. Diese Technik, genannt Taxonomie-basierte Wissensstrukturkette, hilft sicherzustellen, dass das LLM genaue und relevante Antworten gibt.

#Phase 2: Prompt-Verfeinerung

Als nächstes haben wir die Prompts verfeinert, die wir verwenden, um mit dem LLM zu kommunizieren. Das bedeutet, dass wir verschiedene Ansätze entwickelt haben, um Fragen so zu stellen, dass sie zu besseren Antworten führen, die spezifisch auf Textilien zugeschnitten sind. Durch die Anpassung der Prompts können wir steuern, wie der Agent mit den Nutzern interagiert, ob er formeller oder lässiger sein soll.

#Phase 3: Kontinuierliche Interaktionen mit Gedächtnis

In der letzten Phase haben wir ein System entwickelt, das es dem Modell ermöglicht, vorherige Interaktionen zu merken. So können Nutzer fortlaufende Gespräche über Textilien führen, was das Erlebnis spannender macht. Diese Erinnerungsfunktion ist entscheidend, um einen Dialog über mehrere Runden zu ermöglichen, bei dem Nutzer nicht wiederholen müssen, was sie gesagt haben.

#Benutzerstudie zur Testung von TextileBot

Um zu bewerten, wie gut TextileBot funktioniert, haben wir eine Benutzerstudie mit 30 Teilnehmern durchgeführt. Jeder Teilnehmer hat mit drei verschiedenen Versionen des Sprachagenten interagiert: der Standardversion, der Expert-Version mit detailliertem Wissen und der Assistent-Version mit einem lässigeren Ansatz. Wir wollten herausfinden, wie die Nutzer auf jede Version reagieren und wie gut der Sprachagent Gespräche über Textilien managen kann.

#Phasen der Benutzerinteraktion

Wir haben die Benutzerinteraktion in vier Hauptphasen organisiert:

1. Freies Chatten: Teilnehmer konnten Gespräche führen, die sie wollten, um die Persönlichkeit jedes Agenten zu beurteilen.
2. Informationssammlung: Teilnehmer stellten spezifische Fragen zu Textilien und Kreislauffähigkeit, was uns ermöglichte, das Wissen und die Reaktionsfähigkeit des Agenten zu testen.
3. Fragebögen: Nach der Interaktion mit jeder Version füllten die Teilnehmer einen Fragebogen über ihre Erfahrung aus.
4. Gesamtrückmeldung: Schliesslich teilten die Teilnehmer ihre Gedanken darüber mit, was verbessert werden könnte.

#Ergebnisse der Benutzerstudie

Die Benutzerstudie lieferte wertvolle Erkenntnisse darüber, wie die Nutzer mit TextileBot interagierten.

#Engagement-Level

Die meisten Teilnehmer hatten Spass an der Interaktion mit den Sprachagenten. Sie führten mehrere Austausche, was darauf hindeutet, dass sie die Gespräche interessant fanden. Die Assistent-Version erhielt die höchsten Bewertungen für Engagement, während die Expert-Version für ihre detaillierten Informationen gelobt, aber für zu lange Antworten kritisiert wurde.

#Gedächtnisfunktion

Die Teilnehmer schätzten die Gedächtnisfunktion, da sie auf frühere Fragen und Kommentare während ihrer Interaktionen zurückgreifen konnten. Diese Funktion machte die Gespräche natürlicher und ansprechender.

#Wünsche zur Verbesserung

Obwohl die Teilnehmer insgesamt positive Erfahrungen gemacht haben, gaben sie Feedback zu Verbesserungsmöglichkeiten. Viele äusserten den Wunsch, dass Agenten Fragen zurückstellen, um ein gesprächigeres Erlebnis zu schaffen. Teilnehmer wünschten sich auch kürzere, präzise Antworten und einen freundlicheren Ton.

#Die Rolle sozialer Interaktion bei Sprachagenten

Ein bemerkenswerter Teil der Studie bestand darin, zu untersuchen, wie Teilnehmer sozial mit den Sprachagenten interagierten. Viele Teilnehmer verwendeten höfliche Phrasen wie "Danke" und "Bitte", was darauf hindeutet, dass sie die Sprachagenten so behandelten, als würden sie mit einer anderen Person sprechen. Dieses Verhalten unterstreicht die Bedeutung, Sprachagenten zu schaffen, die nicht nur Informationen bereitstellen, sondern auch Nutzer auf eine ansprechbare Weise einbeziehen.

#Wichtige Erkenntnisse für zukünftige Sprachagenten

Basierend auf unseren Erkenntnissen können wir mehrere wichtige Schlussfolgerungen für die Erstellung von effektiven Sprachagenten hervorheben:

• Engagement ist wichtig: Sprachagenten müssen einen fortlaufenden Dialog fördern, anstatt nur einfache Frage-Antwort-Wechsel anzubieten.
• Gedächtnis ist unerlässlich: Wenn Agenten sich vergangene Interaktionen merken, verbessert das das Nutzererlebnis und schafft einen natürlicheren Gesprächsfluss.
• Persönlichkeit ist wichtig: Nutzer bevorzugen Sprachagenten, die menschliche Eigenschaften zeigen, einschliesslich eines freundlichen Tons und der Fähigkeit, Fragen zurückzustellen.
• Kürze zählt: Nutzer schätzen prägnante, klare Antworten anstelle von langen, ausführlichen Antworten.

#Fazit

Die Entwicklung von TextileBot zeigt das Potenzial von LLMs zur Erstellung von fachspezifischen Sprachagenten. Durch den Fokus auf einen strukturierten Ansatz, einschliesslich Wissensorganisation und Verfeinerung der Prompts, konnten wir einen Agenten schaffen, der in der Lage ist, bedeutungsvolle Gespräche über Textilien und Kreislauffähigkeit zu führen.

Die Benutzerstudie hat gezeigt, dass die Teilnehmer Interaktionen schätzen, die menschlicher wirken, und zeigt die Notwendigkeit, dass zukünftige Sprachagenten Engagement, Gedächtnis und Persönlichkeit priorisieren. Die Rückmeldungen der Nutzer werden laufende Bemühungen informieren, Sprachagenten zu entwickeln, die nicht nur Informationsquellen sind, sondern interaktive Begleiter in bestimmten Bereichen.

Durch diese Arbeit hoffen wir, andere zu inspirieren, das Potenzial von LLMs bei der Gestaltung von Sprachagenten in verschiedenen Bereichen zu erkunden und gleichzeitig nachhaltige Praktiken in der Textilindustrie zu fördern.