Spoken Dialogue Systems 1

Transkript

1 Spoken Dialogue Systems 1 Jessica Hummel 14.Mai Im Rahmen des Seminars Mensch-Maschine-Kommunikation der Universität Bielefeld, Sommersemester 2003

2 Inhaltsverzeichnis 1 Einleitung 2 2 Was ist ein Spoken-Dialogue-System? 3 3 Der Aufbau von Dialogsystemen Spracherkennung(speech recognition) Parsing (language understanding) Dialogsteuerung Kommunikation mit externen Quellen Antwortgenerierung Sprachsynthese Unterschiedliche Strategien für die Dialogsteuerung Finite State-Based Systems Beispiel Nuance Automatic Banking System Anwendungsbereiche, Vorteile und Nachteile Frame-Based Systems Beispiel Philips Automatic Train Timetable Information System Anwendungsbereiche, Vorteile und Nachteile Agent-Based Systems Beispiel Circuit-Fix-It Shop System Anwendungsbereiche, Vorteile und Nachteile Zusammenfassung 16 1

3 Kapitel 1 Einleitung Als Einführung in das Seminar Mensch-Maschine-Kommunikation der Universität Bielefeld soll zunächst eine bestimmte Art der Kommunikation betrachtet werden, die Art nämlich, die Menschen am natürlichsten erscheint: die Sprache. Durch den Einsatz von Sprachsteuerung läßt sich auch die Kommunikation mit Maschinen sehr viel intuitiver gestalten. Außerdem erlaubt diese es mit dem Computer zu interagieren, und gleichzeitig die Hände für andere Aufgaben freizuhalten. Anhand des Grundlagenartikels Spoken Dialogue Technology: Enabling the Conversational User Interface von M. Mc Tear [1] soll in dieser Ausarbeitung eine gängige Unterteilung von Dialogsystem (anhand der Strategien ihrer Dialogsteuerung) und ihre Struktur dargestellt werden. 2

4 Kapitel 2 Was ist ein Spoken-Dialogue-System? Unter einem Spoken-Dialogue-System versteht Mc Tear ein Computersystem, mit dem Menschen interagieren, wobei im Wechsel die Initiative ergriffen und Sprache zur Kommunikation genutzt wird. Das System dient dabei als Schnittstelle zwischen dem Nutzer und einer Applikation (beispielsweise einer Datenbank oder einem Expertensystem). Es existiert eine Vielfalt solcher Programme, von sehr einfach gehaltenen Systemen, die nur einzelne Worte als Eingabe zulassen, bis hin zu sehr komplexen Systemen, bei denen versucht wurde, einen möglichst natürlichen Gesprächsverlauf nachzuempfinden. 3

5 Kapitel 3 Der Aufbau von Dialogsystemen Bei der Verarbeitung der, meist über ein Mikrofon aufgenommenen, Spracheingabe benötigt ein Dialogsystem verschiedene Komponenten, um die eingegangene sprachliche Mitteilung verarbeiten zu können. Diese verschiedenen Teilbereiche sollen nun betrachtet werden. Mc Tear weißt darauf hin, dass es sich hierbei nur um eine grobe Unterteilung handelt bei der die Übergänge von einer Komponente zur nächsten im Realfall sehr fließend sind, Aufgabenbereiche unterschiedlich verteilt sein können und zwischen den Komponenten Querverbindungen existieren. Mc Tear identifiziert im wesentlichen 6 Komponenten: 1. Spracherkennung(speech recognition) 2. Parsing (language understanding) 3. Dialogsteuerung 4. Kommunikation mit externen Quellen 5. Antwortgenerierung 6. Sprachsynthese 3.1 Spracherkennung(speech recognition) Die Spracherkennung wandelt das kontinuierliche Signal in ein Menge von Wörtern bzw. Phonemen um. Dabei muß sie in der Lage sein, aus natürlicher Sprache das selbe Wort bei unterschiedlicher Aussprache und Betonung sowie bei Störungen durch Hintergrundgeräusche oder Unterbrechungen (auch durch Zwischenlaute wie äh ) zu erkennen. Außerdem muß sie bspw. Phoneme erkennen, die mehrere Aussprachemöglichkeiten haben(z. B. unterschiedliche Aussprache von ch in ich und doch ) etc. 4

6 3.2 Parsing (language understanding) Beim Parsing werden syntaktische und semantische Analysen durchgeführt, nacheinander oder aus Effektivitätsgründen parallel, um eine Representation der Bedeutung des Outputs der Spracherkennung zu erhalten. Dabei ist zu beachten, daß die von Menschen gesprochene Sprache häufig nicht den strengen Regeln folgt, von denen in der Theorie ausgegangen wird. Um die Semantische Bedeutung einer Äußerung zu erfassen, sind deshalb Erweiterungen nötig. So wird, wenn durch eine rein linguistische Analyse keine akzeptable Representation gefunden wird, durch robustes Parsing (beispielsweise durch Teilanalysen) eine möglichst gute Annäherung an den Semantischen Inhalt der Eingabe gesucht. Zudem können einige häufig auftretende Abweichungen von den gramatikalischen Regeln durch direkte Erweiterungen der Gramatik erfaßt werden. 3.3 Dialogsteuerung Die Dialogsteuerung regelt den Ablauf und Fluß des Dialogs. Sie muß beispielsweise dafür sorgen, daß der Computer alle nötigen Informationen für eine gewünschte Anfrage an eine externe Application erhält. Auch mit formal falschen oder unvollständigen Eingaben des Nutzers muß gerechnet werden. Da häufige Rückfragen an den Nutzer nicht wünschenswert sind, wird versucht, andere Korrekturmöglichkeiten einzubringen. Dabei gibt es verschiedene Ansätze: Durch die Funktion einer Äußerung (Bitte, Frage, Warnung etc.), den Kontext (benutzte Pronomen, vorrangehende Frage, Liste von Wörtern, auf die Bezug genommen werden kann), die Erwartungen des Gesprächsverlaufs( bspw. eine Ja/Nein-Antwort auf eine entsprechende Frage), oder spezielles Wissen über den Anwender wird versucht, die Bedeutung der unvollständigen Aussage zu ermitteln. Außerdem muß die Dialogsteuerung dafür sorgen, daß geprüft wird, ob der Nutzers wirklich richtig verstanden wurde. Dies kann explizit oder implizit geschehen, d.h. der Nutzer kann entweder direkt um Bestätigung gebeten werden oder die erhaltenen Informationen werden in der nächsten Frage des Computers noch einmal aufgegriffen (siehe auch 4.2.1). Implizite Nachfragen sorgen für einen natürlicheren Gesprächsfluß, steigern jedoch auch die Anzahl der Antwortmöglichkeiten und somit die Komplexität und den Rechenaufwand. Mc Tear unterscheidet drei Strategien. Näheres dazu in Kapitel Kommunikation mit externen Quellen Ein Anwendungsgebiet für Spoken-Dialogue-Systems sind Auskunftssysteme. Die vom Nutzer angeforderten Informationen müssen in der Regel von einer externen Quelle geliefert werden. Deshalb muß das Dialogsystem mit einer Datenoder Informationsbank oder einem Expertensystem kommunizieren. Auf eine Datenbank zuzugreifen ist in der Regel sehr einfach möglich. Aber bereits hier können Probleme auftreten, so daß ein Informationsmanager als weitere Komponente eingebaut werden muß. Dieser ist dann beispielsweise für 5

7 das Verstehen von Synonymen und das Klären von Zweideutigkeiten zuständig (Beispiel: 2 Bahnhöfe mit gleichem Namen). Zusätzlich sollte er dafür sorgen, daß, wenn kein direkter Treffer gefunden wurde, dem gesuchten ähnliche und eventuell auch interessante Ergebnisse Beachtung finden (wenn es beispielsweise keinen Zug von Hamburg nach Köln gibt, der um 8.00 Uhr abfährt aber einen um 8.05). Es muß auch festgelegt werden, wieviele Ergebnisse zurückgegeben werden. Bei komplexeren Systemen besteht häufig auch der angesprochene externe Teil aus mehreren Einzelteilen, die Informationen über verschiedene Bereiche liefern können und miteinander interagieren (Beispiel: domain processor, der Informationen über das spezielle Einsatzgebiet enthält). Eine komplexe Aufgabe wird häufig in kleinere Teilaufgaben unterteilt (siehe auch Kapitel 4.3 Agend-Based- Systems). 3.5 Antwortgenerierung Wenn die angeforderten Informationen gefunden sind, müssen diese noch dem Nutzer mitgeteilt werden. Bei der Antwortgenerierung muß entschieden werden welche Informationen ausgegeben werden. Auch die Strukturierung der gefundenen Informationen und die Form (linguistic realization), also Wortwahl, Syntax etc. der Ausgabe müssen festgelegt werden. Häufig werden bei der Antwort vorgefertigte Sätze genutzt, in die an den entsprechenden Stellen Worte eingfügt werden. Dies genügt jedoch, insbesondere bei komplexeren Systemen, nicht immer. Durch den Dialogmanager sollte auch das Wissen über den vorherigen Verlauf des Gesprächs (discourse history) und den Nutzer (user model) mit einfließen. Des Weiteren sollten sprachliche Wiederholungen beispielsweise durch Ellipsen vermieden werden (Der Zug fährt um 8.00 Uhr in Köln ab ab. Um Uhr kommt er in Mainz an.). 3.6 Sprachsynthese Ziel der Sprachsynthese ist es, den generierten Antworttext in eine gesprochene Form zu bringen. Im einfachsten Fall geschieht das durch die Wiedergabe von vorgefertigten Nachrichten, in denen nur einzelne Worte zusätzlich eingefügt werden. Es ist allerdings offensichtlich, daß bei komplexeren Dialogverläufen ein solches Vorgehen nicht mehr ausreichend ist. Mit Hilfe der text to speech synthesis wird dann aus den vorliegenden Informationen in Datenform ein Schallsignal generiert. Dies läuft in zwei Schritten ab. Zunächst wird eine Textanalyse durchgeführt, dann erfolgt die Sprachgenerierung. Bei der Textanalyse wird eine Unterteilung des Texts in Einheiten(z.B Sätze) vorgenommen (segmentation) und die Bedeutung von Abkürzungen wird entschlüsselt (normalization). Dann werden mit Hilfe von morphologischen Regeln die grammatischen Formen, beispielsweise der Verben, angepaßt (morphological analysis) und Mehrdeutigkeit bei der Aussprache einzelner Worte geklärt (tagging). Zuletzt wird betrachtet, an wel- 6

8 chen Stellen Worte bei der naürlichen Sprache nur sehr wenig betont oder mit anderen Worten gebunden gesprochen werden (modeling of continuous speech effects). Diese linguistischen Representation des Texts wird bei der Sprachgenerierung zunachst in Phoneme und diese dann in Schall übersetzt. 7

9 Kapitel 4 Unterschiedliche Strategien für die Dialogsteuerung Nachdem wir nun gesehen haben wie in etwa ein Dialogsystem aufgebaut ist, wollen wir uns den verschiedenen Arten von Dialogsystemen widmen. Spoken Dialogue Systems können, bezüglich der Strategie ihrer Dialogsteuerung, nach Mc Tear in drei Haupttypen unterteilt werde (auch hier handelt es sich nur um eine grobe Unterteilung, bei der die Übergänge fließend sind): -Finite State-Based Systemes -Frame-Based Systems -Agent-Based Systems 4.1 Finite State-Based Systems Finate State-State Based Systems waren die ersten Systeme, die, basierend auf dem Modell der endlichen Automaten, entwickelt wurden. Der Nutzer wird vom Computer durch einen Dialog geführt, der aus vordefinierten Schritten besteht. Bei jedem Gesprächsschritt geht das System dabei in einen anderen Zustand über, so lange bis es sich, nach dem Erhalt aller benötigten Informationen, in einem Endzustand befindet. Nach jeder Eingabe wird der nächste Schritt des Dialogs festgelegt. Dabei wird der Gesprächsverlauf ausschließlich vom Computer gesteuert. Die Eingaben des Nutzers sind in der Regel auf einzelne Worte bzw. kurze Sätze beschränkt. Zum Einsatz kommen solche System zum Beispiel bei einfachen Auskunftssystemen, bei denen sehr genau vorhersehbar ist welche Informationen benötigt werden. Beispiel: 8

10 System: Nutzer: System: Nutzer: System: Nutzer: System: Nutzer: System: Wohin wollen Sie fahren? Bielefeld Sagten Sie Bielefeld? Ja An welchem Tag wollen Sie fahren? Sonntag Sagten Sie Montag Nein An welchem Tag wollen Sie fahren? Beispiel Nuance Automatic Banking System Das Nuance Automatic Banking System erlaubt es einem Anrufer auf Englisch Banktransaktionen durchzuführen. An einem Beispieldialog wollen wir die Fähigkeiten dieses Systems genauer betrachten: System1: Nutzer1: System2: Nutzer2: System3: Nutzer3: System4: Nutzer4: System5: Nutzer5: System6: Nutzer6: System7: Nutzer7: System8: Nutzer8: System9: What would you like to do Pay a bill. What company would you like to pay? Abbey National. How much would you like to pay? One hundred pounds next Monday. What date would you like the payment to be made? Next Monday. You want to pay Abbey National one hundred pounds and sixtyone pence on April 5th? Is this correct? No. Would you like to change the company, amount or date? Amount. How much would you like to pay? One hundred pounds. You want to pay Abbey National one hundred pounds on April 5th? Is this correct? Yes. Your payment will be sent. Would you like to pay an other bill? Das System muss drei Werte vom Anrufer erhalten: Empfänger, Summe und Überweisungsdatum. Es ist in der Lage, relative Zeitangaben in absolute Zeitangaben umzuwandeln, kann jedoch keine Überinformation des Anwenders verarbeiten. Die Angabe next Monday in User3 wird als zum Geldbetrag gehörend aufgefasst und somit falsch interpretiert. Der Computer fährt in der geplanten Reihenfolge fort, seine Fragen zu stellen und fragt noch einmal nach dem Datum, das bereits genannt wurde. Ebensowenig ist das System fähig, mehrere Korrekturen gleichzeitig durchzuführen(nicht im Beispiel). Das Nuance Banking System ist ein Finite State-Based System, das jedoch teilweise natural language understanding und multiple slot filling mit einbezieht. Beim natural language understanding werden alle Angaben innerhalb einer Äußerung 9

11 gemacht, dann wird beim multiple slot filling vermerkt, welche Angaben schon gemacht wurden. So kann beispielsweise ein Transfer von einem Konto zu einem anderem sehr viel schneller durchgeführt werden. System: Nutzer: System: Nutzer: What would you like to do? I would like to transfer two hundred pounds from my current to my saving account. You want to transfer two hundred pounds from your current to your saving account. Is this correct? Yes. Allerdings stehen diese Optionen nicht an jedem Punkt eines Dialogs zur Verfügung, da sich sonst eine unannehmbare Anzahl an möglichen Pfaden, die den Dialog repräsentieren, ergeben würde Anwendungsbereiche, Vorteile und Nachteile Über Finite State-Based Systems läßt sich sagen, daß sie nur für sehr klar struktutierte Dialoge mit einer eingeschränkten Zahl an einzugebenden Informationen geeignen sind. Die entstehenden Dialoge sind auf Grund des Mangels an Flexibilität häufig recht lang. Unvorhergesehene Eingaben können nicht verarbeitet werden, bei Eingaben über die geforderte Information hinaus kommt es häufig zu Missinterpretationen und es kann immer nur die letzte Eingabe korrigiert werden. Trotzdem ist der Einsatz von Finite State-Based Systems in der Praxis in einigen Fällen sinnvoll, da, wenn der Dialog die Vorraussetzungen für die Nutzung eines Finite State-Based Systems erfüllt, weniger Fehler auftreten und der technische Aufwand gering gehalten werden kann: Der Wortschatz des Systems kann recht klein sein, die Dialogsteuerung benötigt wenig zusätzliches Wissen und in der Antwortgenerierung und Sprachsynthese können häufig vorgefertigte Sätze genutzt werden. (Dies ist auch deshalb vorteilhaft, weil dadurch recht sicher gewährleistet ist, dass die Vertonung der Antwort gut verständlich ist, was für die Zufriedenheit des Anwenders von sehr großer Bedeutung ist.) Hinzu kommt, daß in bestimmten Anwendungsbereichen die Beschränkung auf einen festen Gesprächsverlauf durchaus auch erwünscht sein kann. 4.2 Frame-Based Systems Frame-Based Systems arbeiten nach einem anderen Prinzip. Es existiert eine Vorlage (template), die Leerstellen(slots) enthält. Im Laufe des Dialogs müssen diese Leerstellen durch die vom Nutzer gegebenen Informationen gefüllt werden. Allerdings ist der Gesprächsverlauf hierbei nicht wie bei einem Finit State-Based System im Vorraus festgelegt. Antwortet der Nutzer wie im oben stehenden Beispiel für Finite State-Based Systems, so wird vermutlich auch der Gesprächsverlauf dem obigen Beispiel ähnlich sein. 10

12 System: Nutzer: System: Nutzer: Wohin wollen Sie fahren? Bielefeld An welchem Tag wollen Sie fahren? Sonntag Dem Nutzer steht es aber frei, in welcher Reihenfolge er die Informationen liefert und ob er mehrere Informationen in einer Antwort unterbringen möchte. Auch Antworten, in denen zu viele Informationen geliefert werden, werden verarbeitet. System: Nutzer: System: Wohin wollen Sie fahren? nach Bielefeld am Sonntag um zehn Folgende Verbindungen wurden gefunden... Dabei sind die Fragen, die gestellt werden können, jeweils mit den Konditionen gespeichert, unter denen sie gestellt werden sollten. So wird die Reihenfolge der Fragen festgelegt und verhindert, dass Informationen doppelt erfragt werden Beispiel Philips Automatic Train Timetable Information System Wie der Name schon sagt kann man sich durch das Philips Automatic Train Timetable Information System telefonisch Auskünfte über Zugverbindungen geben lassen. Wir wollen die Fähigkeiten des Systems wieder anhand eines Beispieldialogs betrachten: 11

13 System1: Good morning this is the automatic timetable information service. How can I help you? Nutzer1: I need a connection from Hamburg to Munich. System2: When would you like to go from Hamburg to Munich? Nutzer2: Next Friday at eight o clock System3: So you want to travel on Sunday the 20th of November at eight o clock a.m.? Nutzer3: No on Friday. System4: So you want to travel on Friday the 18th of November at eight o clock a.m.? Nutzer4: Yes System5: There is the following connection: With IntercityExpress 793, departure from Hamburg at 8:02, arrival in Munich at 14:05. Do you want me to repeat the connection? Nutzer5: No, but I need a train for the return trip on Sunday System6: At what time would you like to go from Munich to Hamburg on Sunday the 20th of November? Nutzer6: I have to arrive in Hamburg late in the evening System7: So you want to arrive in Hamburg between 9 p.m. and 11 p.m.? Nutzer7: System8: Nutzer8: System9: Nutzer9: System10: Yes There are three connections. This is the first one: With IntercityExpress 880, deprarture from Munich at 15:54, arrival in Hamburg at 21:58. Do you want the next connection No thank you. Do you need yet an other connection? No, thank you. We wish you a pleasant journey. Thank you for calling. Good bye. Man sieht hier, daß dieses System weit flexibler ist als das oben betrachtete Nuance Automatic Banking System. Der Nutzer ist nicht auf bestimmte Worte oder Sätze beschränkt, er kann auf recht natürliche Weise mit dem Computer sprechen. Das System leitet den Nutzer so durch den Dialog, daß es alle erforderlichen Informationen für das Aufstellen eines Reiseplans erhält. Es liegt allerdings am Nutzer, wann er wieviele Informationen eingibt. Der Ablauf des Dialogs steht also nicht im Vorraus fest. Die Überprüfung der Eingaben erfolgt zum Teil auf explizite (System3), zum Teil auf implizite Weise (System6) Anwendungsbereiche, Vorteile und Nachteile Frame-Based Systems bieten ein höheres Maß an Flexibilität. Der Nutzer kann natürlicher mit dem System sprechen und hat einen größeren Einfluss auf den Gesprächsverlauf. Zwar ist auch hier vorgegeben welche Information das System vom Anwender benötigt, dieser kann jedoch bestimmen, wann er dem Computer welche Informationen mitteilt. So kann beispielsweise auch eine zusätzliche Information, nach der in diesem Moment noch nicht gefragt wurde oder die überflüssig ist, verarbeitet beziehungsweise ignoriert werden, und es können mehrere Eingaben im Zuge einer Äußerung erfolgen. Auch die Korrekturmöglichkeiten 12

14 sind flexibler, da nach keiner bestimmten Reihenfolge vorgegangen wird und einfach an der entsprechenden Stelle der auszufüllenden Vorlage (template) die Korrektur vorgenommen wird. Dadurch, daß mehrere Eingaben auf einmal gemacht werden können, wird häufig auch der gesamte Dialog verkürzt. Trotz dieser Vorteile gegenüber den Finite State-Based Systems ist auch der Einsatzbereich von Frame-Based Systems auf Bereiche beschränkt, in denen genau vorhersehbar ist welche Informationen verarbeitet werden. Komplexere Dialoge sind auch hier nicht möglich, da das einbezogene Wissen über den Nutzer, die Umwelt etc. sehr eingeschränkt ist. Zusätzlich ist natürlich der technische Aufwand höher als bei Finite State-Based Systems, unter anderem weil viel mehr Möglichkeiten für die Wahl der als nächstes zu stellenden Frage bestehen. 4.3 Agent-Based Systems Agend-Based Systems basieren auf Techniken der Künstlichen Intelligenz. Sie werden entwickelt, um eine komplexere Kommunikation zwischen dem Nutzer, dem System und der darunterliegenden Applikation zu gestatten. Ein Dialog wird hierbei als Interaktion von mehreren intelligenten Agenten gesehen, die jeweils eigene Zielsetzungen und Vorraussetzungen haben. Im Dialog mit einem Agend-Based System ist der Gesprächsverlauf dynamisch. Weder der Computer noch der Nutzer haben genügend Wissen, um eine komplexe Problemstellung zu lösen. Ziel des Gesprächs ist es die jeweils vorhandenen Informationen so auszutauschen, daß eine Lösungsfindung möglich ist. Dabei kann die Initiative auch vom Anwender ergriffen werden, er kann also beispielsweise ein anderes Thema ansprechen oder Beiträge leisten, die nicht vorrausgesehen waren. Dies führt dazu, dass die Dialogsteuerung sehr wichtig und sehr komplex wird. Agend- Based Systems werden bei sehr komplexen Problemstellungen genutzt, bei denen der Gesprächsverlauf kaum vorrausplanbar ist Beispiel Circuit-Fix-It Shop System Das Circuit-Fix-It Shop System hilft einem Anwender einen elekronischen Schaltkreis aufzubauen. Weder der Computer noch der Nutzer sind alleine in der Lage, diese Aufgabe durchzuführen. Der Computer besitzt die nötigen Informationen und der Mensch die motorischen Fähigkeiten. Außerdem muss der Computer über die Startbedingungen in Kenntnis gesetzt werden. Diese werden ihm, wie in dem folgenden Beispieldialog ersichtlich, vom Anwender mitgeteilt. 13

15 System1: Is there a wire between connector 84 and 99? Nutzer1: It is not there. System2: Add a wire between connector 84 and connector 99. Nutzer2: I need help. System3: Obtain a wire. Nutzer3: Done. System4: Connect metal of one free end of the wire to the connector 84 Nutzer4: How? System5: Bend back connector 84. Nutzer5: Done. System6: Insert free end of wire into connector 84. Nutzer6: Wire between 84 and 99 is connected. System7: What is the LED displaying? Agend-Based Systems nutzen in der Regel Wissen über den Nutzer(user model) oder die äußeren Bedingungen(world model), das zum Teil im Laufe des Gesprächs gesammelt wird. So wird dem user model beispielsweise hinzugefügt, daß der Nutzer weiß wo sich die Connectoren befinden. Wenn, wie bei der Anfrage System2, der nächste Schritt nicht direkt durchgeführt werden kann, weil dem Nutzer das nötige Wissen fehlt, wird ein Zwischenziel eingefügt, das erreicht werden muss, bevor mit der eigentlichen Aufgabe fortgefahren werden kann Anwendungsbereiche, Vorteile und Nachteile Agend-Based Systems sind wohl die flexibelsten der vorgestellten Systeme. Sie sind fähig, weit komplexere Dialoge zu führen als die beiden anderen angesprochenen Systemtypen. Der Nutzer und das System können hier gleichberechtigt Vorschläge einbringen, korrigieren oder um genauere Erläuterung bitten. Da die Initiative bei beiden liegt, ist der Gesprächsverlauf weit natürlicher. Bei der Bearbeitung von Äußerungen des Nutzers fließt Wissen über den Nutzer(user model), den Dialogverlauf(discourse history) und die Umwelt(world model) ein. All dies bringt allerdings auch gravierende Nachteile mit sich. Die Komplexität der Aufgabenstellung führt dazu, dass ein sehr hoher Aufwand betrieben werden muß, um wenigstens einen Teil der gestellten Anforderungen zu erfüllen. In allen Komponenten, von der Spracherkennung bis zur Sprachsynthese, sind die Ansprüche sehr viel höher als bei Finite State-Based oder Frame-Based Systems. Da der Inhalt des Dialogs möglichst offen und uneingeschränkt sein soll, muss der Wortschatz viel größer sein, mehr Sonderfälle in Syntax und Semantik müssen beachtet werden, Wissen über den Gesprächsverlauf und den Nutzer sind unbedingt nötig etc.. Insbesondere an den Dialogmanager werden sehr hohe Ansprüche gestellt. Durch das viel aktivere Eingreifen des Nutzers in den Gesprächsverlauf, kann viel schwerer vorrausgesehen werden, wie der nächste Beitrag des Computers auszusehen hat. In Anbetracht der Tatsache, daß unabhängig von der Qualität der Information, die ein Nutzer erhält, nur ein System mit verständlicher Sprachausgabe nutzerfreundlich sein kann, ist klar wie 14

16 wichtig auch die Sprachsynthese ist, und auch sie gestaltet sich bei sehr frei zusammengestellten Antworten kompliziert. Es läßt sich sagen, dass Agend-Based Systems ein sehr hohes Potential haben, die Forschungen in dieser Richtung aber noch längst nicht abgeschlossen sind. 15

17 Kapitel 5 Zusammenfassung Es wurde dargestellt, daß sich ein spoken-dialog-system nach Mc Tear in sechs Komponenten zerlegen läßt: speech recognition, language understanding, Dialogsteuerung, Kommunikation mit externen Quellen, Antwortgenerierung und Sprachsynthese. Diese Zerlegung ist jedoch nicht als absolut anzusehen, da die Grenzen zwischen den einzelnen Aufgabenbereichen fließend sind und sich sicherlich auch andere Möglichkeiten zur Unterteilung bieten. Außerdem wurden drei Strategien der Dialogsteuerung betrachtet, durch die sich verschiedene Typen von Spoken-Dialogue-Systems unterscheiden lassen: Finite- State-based Frame-Based und Agend-Based Systems. Dabei wird jeweils mit einer anderen Strategie an das Problem der Kommunikation mit dem Computer durch Sprache herangegangen. Häufig werden auch Elemente aus mehreren der verschiedenen Strategien angewand oder es fließen außer den Grundstrategien noch weitere Ideen ein. Je nach Anwendungsbereich kann einer der Ansätze sinnvoller sein als die anderen. Will man einen sehr statischen Ablauf des Dialogs, so wählt man ein finite-state-based-system. Entsprechend wählt man, wenn eine höhere Flexibilität gefordert ist, ein frame-based-system oder, wenn der größere Rechenaufwand in Kauf genommen werden kann ein agend-based-system. Die Forschung setzt sich heute hauptsächlich mit der Strategie der agend-based systems auseinander, da sie das höchste Potential zur Weiterentwicklung, hin zu einem natürlichen Gespräch mit dem Computer, aufweisen. 16

18 Literaturverzeichnis [1] M. McTear: Spoken Dialogue Technology: Enabling the Conversational User Interface, ACM Computer Surveys 34(1), pp90-169, 2002 (Ordner) 17