Fragebeantwortung (Question Answering, QA) ist eine Disziplin der Informatik innerhalb der Bereiche Information Retrieval und Natural Language Processing (NLP), die sich mit dem Aufbau von Systemen befasst, die in der Lage sind, von Menschen in natürlicher Sprache gestellte Fragen automatisch zu beantworten. Eine QA-Implementierung, typischerweise ein Computerprogramm, kann ihre Antworten konstruieren, indem sie eine strukturierte Wissensbasis abfragt oder, häufiger, indem sie Antworten aus einer unstrukturierten Sammlung natürlicher Sprachdokumente extrahiert. Beispiele für solche Dokumentsammlungen sind Nachschlagewerke, zusammengestellte Nachrichtenagenturberichte, Wikipedia-Seiten und andere Inhalte des World Wide Web.
Geschichte
Frühe Fragebeantwortungssysteme umfassen BASEBALL und LUNAR. BASEBALL beantwortete Fragen über die Major League Baseball über einen Zeitraum von einem Jahr, während LUNAR Fragen zur geologischen Analyse von Gesteinsproben beantwortete, die von den Apollo-Mondmissionen zurückgebracht wurden. Beide Systeme waren in ihren gewählten Domänen äußerst effektiv; LUNAR, das 1971 auf einer Lunarkonvention demonstriert wurde, beantwortete 90 % der Fragen, die von ungeschulten Benutzern in seiner Domäne gestellt wurden. Diese Systeme stützten sich auf handgeschriebene Wissensbasen und Sprachtechniken, die denen von ELIZA und DOCTOR, den ersten Chatterbot-Programmen, ähnelten.
In den späten 1960er- und frühen 1970er-Jahren entwickelte Terry Winograd SHRDLU, ein Fragebeantwortungsprogramm, das einen Roboter in einer Spielzeug-„Blockwelt" simulierte und es Benutzern ermöglichte, nach dem Zustand dieser Welt zu fragen. Seine Stärke lag in einer sehr spezifischen Domäne und einfachen Physikregeln, die leicht zu kodieren waren. In den 1970er-Jahren entstanden Expertensysteme mit engeren Wissensbasen, die in ihren Bereichen wiederholbarere und gültigere Antworten produzierten. Diese Systeme unterschieden sich von moderner QA durch ihre Abhängigkeit von expertenkonstruierten Wissensbasen statt statistischer Verarbeitung großer Textkorpora.
Die 1970er- und 1980er-Jahre erlebten Fortschritte in der Computerlinguistik, was zu Projekten wie dem Unix Consultant (UC) an der U.C. Berkeley führte, der Fragen zum Unix-Betriebssystem mit einer umfassenden handgefertigten Wissensbasis beantwortete, und LILOG, einem Textverständnissystem für Tourismusinformationen in einer deutschen Stadt. Obwohl diese Systeme auf Demonstrationsstufe blieben, trugen sie zu Theorien der Computerlinguistik und des Schließens bei. Spezialisierte Systeme wie EAGLi für Gesundheits- und Lebenswissenschaftler wurden ebenfalls entwickelt.
2011 gewann IBMs Watson, ein QA-Computersystem, Ausstellungsspiele von Jeopardy! gegen Brad Rutter und Ken Jennings. Facebook Research veröffentlichte DrQA, ein Open-Source-System, das Wikipedia als Wissensquelle verwendet. Das Open-Source-Framework Haystack von deepset kombiniert Open-Domain-QA mit generativer Fragebeantwortung und unterstützt die Domänenanpassung von Sprachmodellen für den industriellen Einsatz. Große Sprachmodelle (LLMs) wie GPT-4 und Gemini sind erfolgreiche QA-Systeme, die ein anspruchsvolleres Textverständnis und eine anspruchsvollere Textgenerierung ermöglichen, und wenn sie mit multimodalen Systemen gekoppelt werden, die Text, Bilder und Audio verarbeiten, verbessern sie die QA-Fähigkeiten erheblich.
Typen
Die QA-Forschung befasst sich mit einer breiten Palette von Fragetypen, einschließlich Fakten-, Listen-, Definitions-, Wie-, Warum-, hypothetischen, semantisch eingeschränkten und sprachübergreifenden Fragen. Leseverständnis-QA, bei der ein System Fragen zu einem bestimmten Artikel beantwortet, ist eine einfachere Form, da der Kontext relativ kurz ist. Closed-Book-QA bezieht sich auf Systeme, die Fakten während des Trainings auswendig gelernt haben und ohne expliziten Kontext antworten können, ähnlich wie Menschen bei Closed-Book-Prüfungen.
Closed-Domain-QA befasst sich mit Fragen innerhalb einer spezifischen Domäne, wie Medizin oder Fahrzeugwartung, und kann domänenspezifisches Wissen nutzen, das oft in Ontologien formalisiert ist. Es kann sich auch auf Situationen beziehen, in denen nur begrenzte Fragetypen akzeptiert werden, wie deskriptive statt prozeduraler Fragen. Medizinische QA-Systeme wurden beispielsweise für die Alzheimer-Krankheit konstruiert. Open-Domain-QA behandelt Fragen zu nahezu allem, stützt sich auf allgemeine Ontologien und Weltwissen und hat typischerweise viel mehr Daten für die Antwortextraktion zur Verfügung.
Moderne Ansätze
Moderne QA-Systeme nutzen zunehmend große Sprachmodelle und Transformer-Architekturen. Diese Modelle, die auf riesigen Textkorpora trainiert werden, können Closed-Book-QA durchführen, indem sie Antworten aus erlerntem Wissen generieren. Open-Domain-Systeme verwenden häufig retrieval-augmented generation, das einen Retriever, der relevante Dokumente aus einem Korpus auswählt, mit einem Generator kombiniert, der die Antwort formuliert. Dieser Ansatz wird in Frameworks wie Haystack und DrQA verwendet.
Deep Learning und neuronale Netze haben jüngste Fortschritte vorangetrieben und ermöglichen es Systemen, komplexe Fragetypen und multimodale Eingaben zu verarbeiten. Generative KI-Modelle, wie sie von OpenAI und Anthropic entwickelt wurden, haben starke QA-Leistungen in verschiedenen Domänen gezeigt. Die Forschung setzt sich mit Themen wie Interaktivität, Antwortwiederverwendung, semantischem Parsing, Antwortpräsentation, Wissensrepräsentation und Sozialmedienanalyse fort.
Anwendungen und Herausforderungen
QA-Systeme werden in verschiedenen Bereichen eingesetzt, darunter Kundensupport, Gesundheitswesen, Bildung und Information Retrieval. Sie unterstützen virtuelle Assistenten, Suchmaschinen und Unternehmenswissensmanagement-Tools. Zu den Herausforderungen gehören der Umgang mit mehrdeutigen Fragen, die Gewährleistung von faktischer Genauigkeit und die Verwaltung von Verzerrungen in Trainingsdaten. Aktuelle Forschung untersucht verkörperte QA, bei der Agenten mit physischen Umgebungen interagieren, sowie visuelle QA, die Bildverständnis mit Fragebeantwortung kombiniert.
Zukunftsrichtungen
Zukünftige QA-Systeme werden sich wahrscheinlich tiefer in multimodale Daten integrieren, einschließlich Audio und Video, und die interaktiven Fähigkeiten verbessern, sodass Systeme klärende Fragen stellen können. Fortschritte im Reinforcement Learning und bei der Modelleffizienz könnten robustere und skalierbarere Systeme ermöglichen. Während sich die KI weiterentwickelt, wird QA ein zentraler Bestandteil der Mensch-Computer-Interaktion bleiben.