E-MOBILITY Chatbot
DATENBASIERTE KENNZAHLEN UND KI-GESTÜTZTES WISSEN ZUR E-MOBILITÄT IN DEUTSCHLAND
I-WUNDER entwickelt einen Chatbot, der es ermöglicht, den aktuellen Stand der Ladeinfrastruktur für E-Autos in Deutschland einfach abzufragen und Fragen zur E-Mobilität zu beantworten. Die Ladeinfrastruktur für Elektrofahrzeuge spielt eine entscheidende Rolle beim Übergang zu nachhaltiger Mobilität. Um die Entwicklung dieser Infrastruktur voranzutreiben, müssen kontinuierlich neue Ladepunkte geschaffen und bestehende Systeme optimiert werden. In Deutschland ist die Erweiterung der Ladeinfrastruktur ein zentraler Bestandteil der E-Mobilitätsstrategie, um dem steigenden Bedarf an Lademöglichkeiten gerecht zu werden und die E-Mobilität zu fördern. Laut einer aktuellen Studie werden bis zum Jahr 2030 mindestens 440.000 Ladepunkte benötigt. Unser Chatbot zeigt die wichtigsten Kennzahlen zur Ladeinfrastruktur, um einen Überblick über den aktuellen Stand und die Entwicklung zu geben. Die Daten stammen von der Bundesnetzagentur, beginnen im Januar 2017 und werden regelmäßig aktualisiert. Darüber hinaus erstellen wir eine Prognose basierend auf unserem Saisonalitätenmodell. Da die Daten immer etwas verzögert veröffentlicht werden, sind der aktuelle und teilweise die letzten Monate noch Teil der Prognose. Eine interaktive Darstellung der Daten und Prognosen sind auch in unserer E-Mobility App zu finden.
Der Chatbot kombiniert klassische NLP-Methoden mit der neuesten KI-Technologie. Mit dem Rasa OpenSource-Framework wird jede Eingabe des Nutzers durch eine Pipeline tokenisiert, identifiziert und kategorisiert. Für ein besseres Verständnis und optimierte Antworten ist das OpenAI-Modell GPT-4o-mini als API in den Chatbot integriert. Die Prompts sind individuell gestaltet, um jede Aufgabe genau zu definieren.
Intelligenter Chatbot
Der Chatbot analysiert jede Nutzereingabe. Zunächst erkennt er die verwendete Sprache, sobald die Eingabe die NLU-Pipeline durchläuft. Die Dialogführung und die späteren Antworten werden mit Hilfe des OpenAI Modells entsprechend angepasst, um Nutzenden Mehrsprachigkeit zu bieten.
Für die folgende Dialogführung verfolgt der Chatbot eine zweistufige Kategorisierung: Zunächst erkennt er, ob sich die Frage auf eine bekannte Kennzahl bezieht. In diesem Fall greift der Chatbot direkt auf die Kennzahlendatenbank zu, um die Antwort zu liefern. Handelt es sich hingegen um eine allgemeine Frage zur E-Mobilität, sucht unser Chatbot mithilfe von NLP-basierten Algorithmen die passende Antwort in der Wissensdatenbank. Der Chatbot misst dabei die Ähnlichkeit zwischen der Frage und den vorhandenen Fragen in der Wissensdatenbank. Abhängig von dieser Ähnlichkeit ordnet der Chatbot die Frage einer vordefinierten Kategorie zu und entscheidet darauf basierend, ob er eine direkte Antwort aus der Wissensdatenbank gibt, für eine Antwort-Generierung auf das eingebundene OpenAI-Modell zugreift oder lediglich eine Entschuldigung schickt.
Am Ende einer Aktion nutzt der Chatbot erneut das OpenAI-Modell zur Umformulierung seiner Antwort. Dadurch werden die Antworten immer unterschiedlich formuliert, selbst wenn die Fragen gleich oder ähnlich sind – ganz so, als würde man mit einem echten Gesprächspartner kommunizieren.
Kennzahlendatenbank
Für die Kennzahlen zur Ladeinfrastruktur greift unser Chatbot auf präzise Daten zu. Er nutzt eine sorgfältig gepflegte Kennzahlendatenbank als Quelle, welche mit verlässlichen Informationen von der Bundesnetzagentur gefüllt wird.
Die Entwicklung der Ladeinfrastruktur wird dabei monatlich durch die folgenden Kennzahlen dargestellt:
-
Anzahl Ladepunkte: Anzahl der Ladepunkte in einem Landkreis, einem Bundesland oder ganz Deutschland.
-
Anzahl Schnellladepunkte: Anzahl der Schnellladepunkte unter allen Ladepunkten. Schnellladepunkten sind die Ladenpunkten mit mehr als 22 kW Ladeleistung.
-
Ladepunkte_pro_1000_Autos: Anzahl der Ladepunkte pro 1.000 registrierter Pkw.
-
Zielerreichung: Anteil der vorhandenen Ladepunkte an der Mindestanzahl benötigter Ladepunkte im Jahr 2030.
-
Betreiber: Überblick über die Verteilung und Verfügbarkeit der Ladepunkte verschiedener Betreiber in einer bestimmten Region.
Wissensdatenbank
Das Wissen des Chatbots geht jedoch weit über die Kennzahlen hinaus. Hinter dem Chatbot steht eine Wissensdatenbank, die eine Vielzahl von Fragen zur E-Mobilität speichert. Die Fragen werden in Vektoren transformiert, um einen Vergleich mit den gestellten Fragen zu ermöglichen. Aus der Wissensdatenbank kann man dadurch schnell die Antworten auf die Fragen zur E-Mobilität finden.
Beispiele für typische Fragen sind:
-
Was ist eine Ladestation?
-
Wie nachhaltig sind die Batterien von Elektroautos?
-
Gibt es ausreichend Schnellladestationen an Autobahnen?
-
Welche staatlichen Förderungen gibt es für den Kauf von Elektroautos?
Der Chatbot ruft zum einen die Antworten aus der Wissensdatenbank ab und lernt darüber hinaus auch neue Kenntnisse von den Nutzern. Ein Self-Learning-Prozess läuft parallel zur Konversation, wenn der Chatbot eine Frage des Nutzers als relevant für E-Mobilität kategorisiert, aber keine Antwort in der Wissensdatenbank findet. In solchen Fällen generiert der Chatbot eine Antwort über das OpenAI-Modell. Gleichzeitig wird sowohl die Frage als auch die generierte Antwort in die Wissensdatenbank aufgenommen. Um die Korrektheit der Antworten aus der Wissensdatenbank sicherzustellen, werden die gelernten Inhalte regelmäßig manuell geprüft und wenn nötig angepasst.
Next-Level-Intelligenz durch LLMs
-
Sprachmodelle bieten innovative Lösungen für die Verarbeitung von Texten in verschiedenen Kontexten und ermöglichen es, diese dynamisch und anpassbar zu gestalten. Drei besonders nützliche Anwendungsfälle, die wir bereits für unseren Chatbot umgesetzt haben, sind die Umformulierung, die Antworten-Generierung und die Mehrsprachigkeit.
-
Mehrsprachigkeit
Deutsch, Englisch oder Chinesisch? Sie haben die Wahl. Mit KI spricht unser Chatbot genau die Sprache, die Sie möchten. Sobald die Texte im Chat abgegeben werden, wird die Sprache mithilfe des OpenAI Modells erkannt. Der Chatbot merkt sich die Sprache und verwendet sie in seinen nächsten Antworten. Sie können jederzeit zu einer anderen Sprache wechseln, und der Chatbot passt sich entsprechend an.
-
Antworten-Generierung
LLMs sind besonders gut in der Antworten-Generierung, da sie auf einem umfangreichen Korpus aus Texten trainiert wurden. Dadurch verstehen sie Kontexte aus verschiedenen Bereichen (einschließlich E-Mobilität) und können flexibel auf neue oder unbekannte Fragen reagieren, indem sie vorhandenes Wissen logisch kombinieren. So bleibt der Chatbot auch ohne direkte Antwort aus der Wissensdatenbank hilfreich.
-
Umformulierung
Niemand mag monotone Antworten von einem Chatbot. KI ermöglicht es, den ausgegebenen Text bei jeder Anfrage anders zu formulieren. Der Chatbot erstellt im ersten Schritt eine korrekte, aber immer gleich formulierte Antwort basierend auf den Daten. Diese Antwort wird im zweiten Schritt an OpenAI als Teil des Prompts zur Umformulierung gesendet, bevor die Antwort ausgegeben wird.
STARTEN SIE JETZT DEN CHAT ↘
Öffnen Sie das Chatfenster und probieren Sie den intelligenten Chatbot selbst aus. Der Chatbot kommuniziert in natürlicher Sprache und ist einfach zu bedienen. Wenn Sie den Chat neu starten möchten, tippen Sie "neustarten" in das Chatfenster. Unten finden Sie einige Beispiele, um schnell einzusteigen.
Abfrage der Kennzahl "Anzahl Ladepunkte"
Frage zur E-Mobilität (Wissensdatenbank)
Frage zur E-Mobilität (ChatGPT)
TECHNISCHE LÖSUNG
Der Chatbot basiert auf einer effizienten, Open-Source-Architektur und nutzt maschinelles Lernen für natürliche Sprachverarbeitung und Kontextbewusstsein. Er gewährleistet eine schnelle Datenabfrage, nahtlose Integration und Anpassungsfähigkeit zur kontinuierlichen Verbesserung. Die Containerisierung optimiert die Bereitstellung, während KI-gestützte Antworten die Nutzerinteraktion verbessern.
PostgreSQL
FRAMEWORK & API
Rasa Open Source
OpenAI APIs
ENTWICKLUNG
Python
Git
Docker