Neue KI-Methodik extrahiert aus Kundenbewertungen Handlungsempfehlungen

In einer Zeit, in der Kundenbewertungen immer mehr Einfluss auf Geschäftsentscheidungen haben, bleibt die Umwandlung von unstrukturierten Feedbacks in konkrete, umsetzbare Maßnahmen eine große Herausforderung. Forscher haben deshalb ein zweistufiges KI-System entwickelt, das aus Texten gezielt Probleme erkennt und darauf basierend konkrete Handlungsempfehlungen generiert.

Der erste Schritt nutzt ein Issue-Modell, das die wichtigsten Problemstellen in einer Bewertung identifiziert und grobe Themenkategorien zuweist. Anschließend übernimmt ein Advice-Modell die Aufgabe, maßgeschneiderte operative Lösungen zu formulieren – alles unter der Bedingung, dass die Ausgabe eng an die zuvor extrahierten Problemmerkmale angepasst ist.

Um die Spezialisierung des Advice-Modells zu ermöglichen, ohne umfangreiches Fine‑Tuning durchzuführen, setzt das System auf eine Mischung aus LoRA‑Experten. Dabei werden mehrere Low‑Rank‑Adapter trainiert und ein leichtgewichtiges Gating‑System entscheidet tokenweise, welche Expertenkombination am besten zur jeweiligen Problemart passt. Die Autoren haben synthetische Review‑Issue‑Advice‑Triples aus Yelp‑Daten für Fluggesellschaften und Restaurants erstellt, um das Modell zu trainieren, und die Qualität der Empfehlungen anhand eines achtdimensionalen Rubrics bewertet, das Aspekte wie Umsetzbarkeit, Spezifität, Machbarkeit, erwarteten Nutzen, Neuheit, Nicht‑Redundanz, Bias und Klarheit umfasst.

Die Ergebnisse zeigen, dass das hybride LoRA‑Expertensystem sowohl in Bezug auf Umsetzbarkeit als auch Spezifität die reine Prompt‑Basierte und die Single‑Adapter-Ansätze deutlich übertrifft. Gleichzeitig bleibt die Effizienz hoch, sodass die Methode sowohl leistungsfähig als auch ressourcenschonend ist – ein vielversprechender Schritt, um aus Kundenfeedback echte Geschäftswertschöpfung zu generieren.