Intentieherkenning

Wat is intentieherkenning?

Intentieherkenning is het proces waarbij uit de natuurlijke taal van een gebruiker wordt afgeleid wat die wil bereiken. Typt een klant "Ik wil mijn verzendadres wijzigen" of zegt hij "zeg mijn abonnement op", dan deelt intentieherkenning die berichten in gestructureerde categorieën in, zoals update_address of cancel_subscription. Het is de basislaag waarmee AI-agents de stap zetten van woorden begrijpen naar actie ondernemen.

Technisch gezien koppelt intentieherkenning (ook wel intentiedetectie of intentieclassificatie genoemd) ongestructureerde tekst of spraak aan een vooraf gedefinieerde set intentielabels. Het ligt op het snijvlak van natural language processing (NLP) en classificatie met machine learning, en het is de eerste stap in elk systeem dat een klantvraag moet doorsturen, beantwoorden of oplossen.

Hoe intentieherkenning werkt

Moderne systemen voor intentieherkenning werken in meerdere stappen. Eerst wordt de ruwe input voorbewerkt: tokenisatie, normalisatie en het verwijderen van ruis. Daarna maakt het systeem een numerieke representatie van de tekst met embeddingmodellen of transformer-gebaseerde encoders zoals BERT of sentence-transformers. Die embeddings vangen de semantische betekenis van de input, niet alleen de trefwoorden.

Vervolgens gaan de embeddings naar een classificatielaag die de input aan 1 of meer intentiecategorieën koppelt. Traditionele methoden gebruikten supervised learning met gelabelde trainingsdata. De meest geavanceerde systemen van nu gebruiken hybride pipelines die input op basis van een betrouwbaarheidsscore verdelen tussen snelle encodermodellen (voor duidelijke vragen met hoge zekerheid) en large language models (LLM's) voor ambigue of complexe verzoeken. Volgens onderzoek dat op EMNLP 2024 is gepubliceerd, brengt deze hybride routering op basis van onzekerheid latentie en nauwkeurigheid in balans: een cruciale afweging in klantenservice in productie.

Onderzoek uit de ACL Anthology (2024) laat zien dat 2-stapsmethoden die gebruikmaken van interne LLM-representaties de detectie van out-of-scope-vragen flink hebben verbeterd. Zo herkennen AI-systemen wanneer een klantvraag buiten de bekende categorieën valt, in plaats van een verkeerde match te forceren.

Belangrijke onderdelen van intentieherkenning

Trainingsdata en intentietaxonomie: Een goed ontworpen intentietaxonomie is de ruggengraat van elk herkenningssysteem. Elke intentie heeft representatieve voorbeelden nodig die de verschillende manieren afdekken waarop klanten hetzelfde doel verwoorden. Schaarse of slecht gelabelde data is de belangrijkste oorzaak van verkeerde classificatie in productie.

Embeddingmodellen: Transformer-gebaseerde encoders zetten tekst om in compacte vectorrepresentaties. Gefinetunede modellen zoals SetFit gebruiken contrastive learning om hoogwaardige embeddings te maken op basis van slechts 8 gelabelde voorbeelden per intentie.

Classificatielaag: Dit kan een eenvoudige softmax-classifier zijn, een nearest-neighbor-zoekopdracht in de embeddingruimte of een generatieve classifier op basis van een LLM die gebruikmaakt van in-context learning en chain-of-thought-prompting.

Out-of-scope-detectie (OOS): Herkennen wanneer een vraag bij geen enkele bekende intentie past, is net zo belangrijk als het classificeren van bekende intenties. Zonder betrouwbare OOS-detectie verzinnen systemen intentielabels en sturen ze klanten de verkeerde kant op.

Multimodale signalen: Nieuw onderzoek naar multimodale intentieherkenning combineert tekst, akoestische signalen (toon, tempo) en visuele signalen voor een vollediger beeld van de intentie van de gebruiker. Dat is vooral relevant voor Voice AI en supportkanalen op basis van video.

Waarom intentieherkenning belangrijk is voor de klantervaring

Elke klantinteractie begint met een intentie. Classificeert het systeem een factuurvraag ten onrechte als technisch supportverzoek, dan komt de klant bij het verkeerde team terecht, moet hij zijn probleem opnieuw uitleggen en haakt hij af. Nauwkeurige intentieherkenning heeft direct invloed op de resolution rate, oplossing bij eerste contact en klanttevredenheid. Het is het verschil tussen een AI-agent die problemen oplost en een die frustreert.

In enterprise-klantenservice kunnen intentietaxonomieën honderden categorieën omvatten, verspreid over producten, talen en kanalen. Nauwkeurigheid op die schaal vraagt om continu hertrainen van modellen, monitoring op intentiedrift en robuuste OOS-afhandeling. Organisaties die intentieherkenning behandelen als een statisch onderdeel dat je eenmalig instelt, presteren structureel ondermaats.

Het voordeel van Maven

Het platform van Maven AGI gebruikt intentieherkenning in meerdere lagen, waarbij transformer-gebaseerde classificatie wordt gecombineerd met retrieval-augmented generation (RAG) om de intentie van de klant in context te begrijpen. In plaats van te vertrouwen op starre intentietaxonomieën gebruiken de AI-agents van Maven de volledige gespreksgeschiedenis en de context uit de kennisbank om te bepalen wat de klant nodig heeft en hoe dat op te lossen.

Mastermind, een EdTech-bedrijf, behaalde met Maven AGI een resolution rate van 93% in livechat. Die resolution rate begint bij nauwkeurige intentieherkenning van elk binnenkomend bericht, zodat klanten in 1 keer bij het juiste antwoord uitkomen.

Met 100+ integraties verbindt Maven intentie met actie in CRM-, facturatie-, orderbeheer- en kennisbanksystemen. Lees meer over hoe intentieherkenning past in moderne AI-architecturen bij het Stanford AI Lab of bekijk het ACL-onderzoek naar intentiedetectie in het tijdperk van LLM's.

Veelgestelde vragen

Wat is het verschil tussen intentieherkenning en named entity recognition?

Intentieherkenning classificeert het algemene doel van een bericht (wat de gebruiker wil doen), terwijl named entity recognition (NER) specifieke gegevens uit het bericht haalt (ordernummers, datums, productnamen). Beide werken samen in een NLP-pipeline: intentieherkenning bepaalt de actie en NER vult de parameters in die nodig zijn om die uit te voeren.

Hoe gaat intentieherkenning om met meerdere intenties in 1 bericht?

Detectie van meerdere intenties is een actief onderzoeksgebied. Zegt een klant "Ik wil mijn bestelling retourneren en ook mijn betaalmethode wijzigen", dan moet het systeem zowel de intentie return_order als update_payment herkennen. Moderne methoden gebruiken multi-label-classificatie of parsing op basis van LLM's om samengestelde verzoeken op te splitsen in afzonderlijke, uitvoerbare intenties.

Werkt intentieherkenning in meerdere talen?

Ja. Meertalige transformermodellen zoals mBERT en XLM-R ondersteunen intentieclassificatie in tientallen talen. Dankzij cross-linguale transfer learning kan een model dat vooral op Engelse data is getraind intenties in andere talen met redelijke nauwkeurigheid classificeren, al presteert het beter na finetuning per taal.

Hoe meet je de nauwkeurigheid van intentieherkenning?

Standaardmetrics zijn precision, recall en F1-score per intentieklasse, plus de totale nauwkeurigheid. Voor klantenservice is de meest betekenisvolle metric de end-to-end oplossing: heeft het systeem de intentie correct herkend en het probleem opgelost? Een intentieclassifier met 95% nauwkeurigheid die juist de 5% waardevolste intenties verkeerd classificeert, kan de klantervaring alsnog flink schaden.