Extractor Knoten

Der Extractor-Knoten ist dafür da, gezielte Informationen aus einer Nutzereingabe herauszulesen. Er funktioniert wie eine Art „Daten-Detektiv“ im Chatbot.

Wenn ein Kunde etwas schreibt, versucht dieser Knoten automatisch herauszufinden, welche wichtigen Angaben darin stecken – zum Beispiel:

• eine Bestellnummer

• eine E-Mail-Adresse

• oder andere nützliche Daten, die der Chatbot für den nächsten Schritt braucht

Dabei nutzt er künstliche Intelligenz (KI), um den Text des Nutzers zu verstehen – auch dann, wenn dieser seine Informationen nicht ganz exakt eingibt.

In unserem Beispiel sieht die Eingabe unseres Extractor Knoten folgendermaßen aus: Make sure to always extract also the already extracted attributes.@var{mitapi_chat_history}\n@var{user_input}\nSchon gefundene Inhalte: Bestellnummer:@var{extractor.Bestellnummer} E-Mail: @var{extractor.Email}

Wie funktioniert der Extractor-Knoten im Detail?

1. Eingabe durch den Nutzer: Der Kunde schreibt zum Beispiel:

   „Ich habe gestern etwas bestellt, meine Nummer ist 12345 und meine Mail ist [email protected].“

2. Analyse durch den Extractor: Der Knoten durchsucht die Eingabe nach bestimmten Merkmalen (Attributen) – in diesem Fall nach:

   • Bestellnummer

   • E-Mail

   Diese Merkmale sind im Knoten vorher festgelegt.

3. Speicherung der gefundenen Informationen: Wenn der Extractor die Bestellnummer und E-Mail erkennt, werden diese im System als Variablen gespeichert und stehen anderen Knoten zur Verfügung.

4. Fehlende Informationen erkennen: Falls der Nutzer etwas nicht angegeben hat, merkt der Extractor das. Er kann dann an den nächsten Knoten weitergeben: „Bestellnummer fehlt noch“ – damit der Chatbot gezielt nachfragt.

Best Practice

In eurem Flow arbeiten drei Knoten gemeinsam:

• Extractor-Knoten (2)

  • Aufgabe: Informationen erkennen und extrahieren.

  • Ergebnis: Strukturierte Daten (z. B. Bestellnummer, E-Mail) + Markierung fehlender Daten

• Text Extractor (3)

  • Technisch gesehen ist dies der Teil, der im Extractor die „Lesearbeit“ übernimmt – also das KI-Modul oder der Algorithmus, der aus dem Text Merkmale ermittelt.

  • Man kann ihn als Sub-Modul des Extractor-Knotens verstehen.

• 
• Dialog-Knoten (4)

  • Aufgabe: Auf Basis der vom Extractor gelieferten Daten eine passende Antwort generieren.

  • Wenn alle notwendigen Informationen vorliegen → der Chatbot gibt eine Bestätigung oder leitet zur nächsten Aktion.

  • Wenn nicht alle Informationen vorliegen → der Chatbot fragt gezielt nach den fehlenden Angaben.

Ablauf im Beispiel

• Nutzer: „Ich heiße Lisa und habe letzte Woche unter 78412 bestellt.“

• Extractor erkennt:

  • Bestellnummer = 78412

  • E-Mail = fehlt

• Dialog-Knoten reagiert mit:

  „Danke Lisa! Könntest du mir bitte noch deine E-Mail-Adresse geben, damit ich deine Bestellung finde?“

• Nutzer ergänzt die E-Mail → der Flow kann weitergehen.

Zusammenfassung

Der Extractor-Knoten ist also der clevere Helfer im Chatbot-System, der im Hintergrund dafür sorgt, dass wichtige Informationen automatisch erkannt und bereitgestellt werden. In Kombination mit dem Text Extractor (der eigentlichen Erkennungsmotor) und dem Dialog-Knoten (der Kommunikation mit dem Nutzer) wird so ein flüssiger, natürlich wirkender Chat-Ablauf ermöglicht.