Seit fast zwei Jahren besitze ich einen Amazon Echo. Das Gerät zeigt mir seitdem eindrucksvoll, wie limitiert heutzutage Sprach-Interfaces sind. Da muss sich was tun. Amazon hat das schon erkannt und statt einer Verbesserung des Sprachinterfaces zwei Echo-Geräte mit Bildschirm ins Rennen geschickt.
Die Sprachassistentin von heute
„Ich bin mir leider nicht sicher.“ „Das weiß ich leider nicht.“ Diese beiden Antworten gibt mir Alexa, die Sprachassistentin aus dem Amazon Echo, mit Abstand am häufigsten. Das ist zwar in jedem Einzelfall unbefriedigend, aber letztlich nur ein Problem der verfügbaren Knowledge-Base. Gib Alexas Backend mehr Masse und diese Art von Antwort wird sich massiv reduzieren. Deshalb will ich in diesem Beitrag gar nicht weiter auf das Problem fehlenden Wissens eingehen.
Erlaubt sei lediglich der Hinweis, dass an diesem Punkt der Google Assistant jeglichen Wettstreit gewinnt. Auch Siri scheitert ähnlich oft wie Alexa, obwohl Siri im Vergleich die älteste Technologie ist und von daher am ausgereiftesten sein sollte.
Der Fairness halber soll aber nicht verschwiegen werden, dass in den Fällen, in denen Alexa helfen kann, diese Hilfe weitaus besser ist als jene eines Google Assistant oder einer Siri (letztere können wir im Grunde gleich ganz vernachlässigen).
Die Spracherkennung funktioniert einwandfrei
Das eigentliche Problem mit Alexa und allen anderen Sprachassistenten ist indes von ganz anderer Natur. Es hat nichts mehr mit dem vormals größten Hemmschuh, nämlich der Spracherkennung an sich, zu tun. Dank schneller Cloud-Anbindungen und genügend Rechenpower ist die Erkennung als solche nahezu perfekt. Selbst die Unterscheidung verschiedener Sprachen in einem Satz stellt die Technologie nicht mehr vor Probleme, wenn wir Siri als Ausnahme außen vor lassen 😉
Die nächste große Baustelle, die dem Erfolg der Sprachtechnologie in der Form der Conversational Interfaces jetzt im Wege steht, ist das Konzept der Konversation selbst. Ehrlicherweise muss ich einräumen, dass der Umgang mit meinem Echo nicht viel mit einer Konversation zu tun hat.
Die Interaktion ähnelt dem MS-DOS der Achtziger
Alexa erinnert mich eher an das frühe MS-DOS. Quasi per Kommandozeile kitzle ich ein ums andere Sätzchen aus der schlanken Dose. Stets beginne ich meine Kommandos dabei mit dem Wort „Alexa“. Auf Nachfragen reagiert der Echo nicht. Ohne „Alexa“ läuft nicht viel. In manchen externen Skills sieht das bereits anders aus. Das will ich gerne einräumen, aber die Basisfunktionalität ist sehr unrund.
Ebenfalls ist es nicht möglich, zu reden, wie mir der Schnabel gewachsen ist. Alexa legt Wert darauf, dass ein Satz so eingesprochen wird, wie sie es vorgesehen hat. Ansonsten versteht sie das Kommando halt nicht. Zwar haben die Entwickler für typische Eingaben bereits die ein oder andere alternative Variante vorgesehen. Kennen musst du sie dennoch, damit Alexa antwortet. Das ist, man muss es zugeben, schon sehr nerdig und ganz nah an der Spielerei. Nicht zufällig dürfte daher ausgerechnet das Stellen eines Timers zu den meistgenutzten Echo-Funktionen zählen.
Die Sprachassistentin von morgen
In diesem Beitrag auf t3n stellte ich Conversational Interfaces als Dialogsysteme der Zukunft vor. In diesem und in diesem Beitrag hier auf Dr. Web beschäftigte ich mit Storytelling als wichtigstem Design-Element kommender Generationen. Die Zeit bis zum Übergang von rein visuellem zu sprachorientiertem Design schätzte ich auf etwa zehn Jahre. Wenn ich mir meine Alexa so ansehen, würde ich mich wohl auf 15 Jahre hochkorrigieren wollen.
Kommen wir zurück zur bereits benannten nächsten großen Baustelle im Conversational Design per Sprachsteuerung. Komplexe Vorgänge, wie etwa der Kauf eines mit verschiedenen Optionen zu konfigurierenden Produktes, lassen sich nicht mit der heutzutage üblichen Einsatzstrategie abbilden. Hier bedarf es tatsächlich eines Gesprächs mit der Technologie, um zum Ergebnis zu kommen. Dabei muss der Sprachassistent für Konversion sorgen, darf also selber nicht nur kein Hemmschuh sein, sondern muss sogar den Vorgang positiv unterstützen können.
Der Sprachassistent, der mich motiviert und engagiert hält, ist mir bis dato nicht begegnet. Einen solchen zu erschaffen, wird für Designer ein außerordentlich hartes Stück Arbeit. Es ist ein Stück weit vergleichbar mit dem Design eines längeren Formulars. Auch hier besteht die Gefahr, dass der User jederzeit aussteigt. Die ermittelten Abbruchraten gängiger Warenkorbstatistiken bestätigen das. Wichtig ist also, eine Bindung zwischen dem Nutzer und dem System aufzubauen. Auf der untersten Ebene beginnt diese Verbindung damit, dass das System Daten, die es bereits kennt, nicht neu anfordert.
Kontext is King: Der Sprachassistent braucht ein Kurzzeitgedächtnis (mindestens)
Stellen wir uns vor, wir sprechen mit einem Kollegen über Heinz aus der Personalabteilung. Nach den ersten paar Sätzen werden wir von Heinz als „ihm, er“ sprechen, ohne jeweils erneut darauf hinzuweisen, dass wir immer noch den gleichen Heinz meinen. Im Verlaufe des Gesprächs werden wir Kontext aufbauen, den wir in späteren Sätzen wiederum als bekannt voraussetzen. So verstehen wir auch subtile Anspielungen. Zehn Minuten später haben wir das Gespräch über Heinz mit ziemlicher Sicherheit vergessen.
Auf den Sprachassistenten übertragen, würde das bedeuten, dass er quasi eine Art Kurzzeitgedächtnis bräuchte, um mit Informationen und Kontext für eine begrenzte Zeit produktiv umgehen zu können. Bei Siri und dem Google Assistenten sehen wir erste Ansätze dessen, wenn es etwa um das Versenden einer Whatsapp-Nachricht geht. Hier führt der Assistent durch den Prozess.
Einfach, zielstrebig, vertrauenswürdig: der perfekte Sprachassistent
Apropos führen: Genau dieser Aspekt spielt natürlich beim Dialogdesign eine maßgebliche Rolle. Wir sprechen stets von der Benutzerführung, meinen dabei aber zumeist die Klickpfade, die wir mehr oder weniger geschickt gelegt haben. Mit einer Sprachtechnologie können wir echtes Führen kultivieren. Darin sehe ich einen massiven Vorteil.
Bei all dem müssen Sprachinterfaces stets einfach zu bedienen bleiben. Tatsächlich ergeben Sprachinterfaces auf lange Sicht nur dann Sinn, wenn sie jeweils die einfachste Möglichkeit darstellen. Ansonsten werden Nutzer stets die andere, einfachere Alternative suchen. Auf Dauer werden wir dann auch auf die Aufweck-Kommandos verzichten müssen. Denn es ist nicht natürlich, jeden Satz etwa mit „Alexa, …“ zu beginnen. Stattdessen müsste der Assistent aus dem Kontext heraus erkennen, dass er gefragt sein könnte.
Der datenschutzrechtliche Aspekt dieser Aussage ist mir dabei durchaus bewusst und muss geregelt werden. Dass Amazon neueren Berichten zufolge ganze Heerscharen von Mitlauschern beschäftigt, sensibilisiert inzwischen sogar den Mainstream.
Ein echter Gefährte, quasi eine Vertrauensperson kann der Sprachassistent auch nach all den angesprochenen Verbesserungen nur dann werden, wenn er sich auf uns einlässt. Dazu müsste er unsere Eigenheiten erlernen und darauf eingehen. Ansonsten wird er auf Dauer der synthetische Informationsgeber bleiben, der er teils heute schon ist. Diesem begegnen wir indes nur selten mit Vertrauen, sondern eher reserviert, reservierter noch als einer Website. Letztere kennen wir seit fast einem Vierteljahrhundert und damit einfach besser als den sprechenden Algorithmus.
Jo, mei. Host mi?
Zu guter Letzt wird sich ein massiver Hemmschuh daraus ergeben, dass Sprache nicht wie Schrift ist. Schrift ist stets formal und durchdefiniert. Sprache hingegen hat Akzente, Dialekte, Soziolekte, eine bunte Vielfalt an Artikulationsmöglichkeiten. Kann es sich der Onlineshop erlauben, potenzielle Kunden zu astreinem Hochdeutsch zu zwingen, wenn eben dieser potenzielle Kunde eine Bestellung aufgeben will? „Klar“, könnte man jetzt sagen, aber am Ende ist dieser potenzielle Kunde vor seinem Rechner allein und ob er dann bestellt oder nicht, das sieht zunächst nur er selber.
Ich denke eher, dass wir uns technologisch auf die vorhandenen Besonderheiten der Menschen einstellen müssen und nicht den Menschen ihre Besonderheiten wegen der Technologie abtrainieren sollten.
Auch Amazon ist inzwischen nicht mehr davon überzeugt, dass der reine Sprachassistent das Ei des Columbus ist. Anders ist es nicht ohne weiteres erklärlich, dass man mit dem Echo Show und dem Echo Spot gleich zwei Varianten mit einem Bildschirm auf den Markt brachte. Möglicherweise sehen wir da eine Übergangsphase, innerhalb derer sich das Audiovisuelle in seine zwei Bestandteile spalten wird. Ich bin da indes skeptisch.
Du siehst, bis zum echten Sprachinterface ist es noch ein ganz weiter Weg. Die Assistenten, die du heute nutzt, haben mit jenen Interfaces der Zukunft kaum etwas zu tun. Einstweilen habe ich mir zusätzlich einen Echo Show zugelegt 😉
Beitragsbild: Jonny Lindner auf Pixabay
