Wie KI das technische Schreiben revolutioniert: Metadaten

Hinweis: Dieser Blogartikel wurde aus seiner Originalversion übersetzt und kann geringfügige Abweichungen enthalten. Einige der Links in diesem Artikel führen zu Inhalten, die nur auf Englisch verfügbar sind.

Im ersten Artikel dieser Serie, „Wie KI das technische Schreiben revolutioniert: Struktur„, haben wir strukturierte Inhalte untersucht – was sie sind, wie man sie erstellt und warum sie für den Content Value Path entscheidend sind. Der Content Value Path ist unsere Lösung zur Bewältigung der Herausforderungen, denen technische Dokumentationsteams gegenüberstehen, wenn sie Inhalte für neue Technologien wie KI-Anwendungen bereitstellen möchten.

In diesem zweiten Teil unserer dreiteiligen Serie befassen wir uns mit dem nächsten Kernelement: Metadaten. Lesen Sie weiter, um zu erfahren, was Metadaten sind, wie sie mit der Struktur aus Teil eins zusammenhängen, was bei der Auswahl von Metadaten zu beachten ist und wie Automatisierungen diesen zweiten Schritt vereinfachen können.

Was sind Metadaten?

Metadaten sind Daten, die andere Daten beschreiben.

Es gibt verschiedene Arten von Metadaten mit unterschiedlichen Zwecken und Mehrwerten:

• Content-Management-Metadaten: Dazu gehören Tags wie das Erstellungsdatum eines Themas, der Autor des Inhalts und der Veröffentlichungsstatus.
• Redaktionelle Metadaten: Sie beschreiben den Kontext und die Anwendbarkeit des Inhalts und sind somit Teil des Inhalts selbst. Dies könnte die Produktversion sein, für die der Inhalt gilt, die Art der beschriebenen Aufgabe (z. B. Installation, Wartung usw.) oder das erforderliche Kompetenzniveau.

Metadaten können aus Datumsangaben, Zahlen, freien Schlüsselwörtern oder, wie wir es typischerweise in der Dokumentation sehen, aus Labels bestehen, die aus kontrollierten Listen stammen (d. h. flache oder hierarchische Listen, die für Taxonomien verwendet werden).

Darüber hinaus können Teams Metadaten sowohl an Themen als auch an Maps anhängen. Im Fall von Maps gelten die Metadaten für alle Themen innerhalb der Map.

Wie hängen Metadaten mit der Content-Struktur zusammen?

Die Verbindung zwischen Struktur und Metadaten ist einfach. Metadaten müssen eindeutig auf alle Inhalte innerhalb eines Themas anwendbar sein, um sinnvoll und nutzbar zu sein. Nehmen Sie beispielsweise ein Thema, das Informationen sowohl zur Installation als auch zur Wartung eines Produkts enthält. In diesem Fall muss das Thema in zwei separate Themen aufgeteilt werden, wobei eines Informationen über die Produktinstallation und das andere Informationen über die Produktwartung enthält. Auf diese Weise können Teams Themen genauer kennzeichnen, sodass Benutzer und Chatbots die für ihre Bedürfnisse relevantesten Informationen finden können.

Wie wählt man Metadaten aus?

Natürlich ist eine der größten Fragen, wie man Metadaten auswählt und mit welchen Werten. Es gibt viele Optionen und empfohlene Best Practices, aber keine universelle Antwort. Die idealen Metadaten eines jeden Unternehmens hängen von seinen Produkten, seinen Inhalten und davon ab, wie Benutzer mit ihren Inhalten interagieren sollen.

Hier sind einige typische Anwendungsfälle:

• Verwenden Sie Metadaten, um Filter, auch Facetten genannt, in Ihrer Enterprise-Suchmaschine zu erstellen, damit Benutzer ihre Abfragen verfeinern können. Beispielsweise könnten Benutzer wählen, nur Suchergebnisse zu einem bestimmten Produkt oder einer bestimmten Version anzuzeigen. Dies verbessert die Relevanz der Suchergebnisse und hilft Benutzern, schneller die Antworten zu erhalten, die sie benötigen.
• Nutzen Sie produktintegrierte Hilfe, auch kontextbezogene Hilfe genannt. Diese eingebetteten Tools verwenden kontextbezogene Informationen, die mit der genauen Version des Produkts und seiner Konfiguration verknüpft sind, um Benutzern so schnell wie möglich die richtigen Inhalte bereitzustellen.

• Bringen Sie einen QR-Code direkt auf Maschinen für Vor-Ort-Interventionen an. Dann scannt der Ingenieur, Bediener oder Techniker einfach den Code, um auf die genaue Wartungsdokumentation für diese Maschine zuzugreifen. Dies funktioniert, weil der QR-Code mit einer Liste aller Metadaten verbunden ist, die sich auf die Subsysteme und Bedingungen der Maschine beziehen, und diese Liste dann verwendet wird, um Inhalte zu filtern.

Für Unternehmen, die am Anfang des Metadaten-Prozesses stehen, oder für diejenigen, die bereits einige Metadaten ausgewählt haben, aber nicht sicher sind, wie sie vorgehen sollen, empfehlen wir, die folgenden Schritte zu befolgen.

1. Entwickeln Sie zunächst einige Anwendungsfälle mit Storytelling und Charakteren, die auf Ihren Kundenprofilen basieren. Überlegen Sie, wo typische Benutzer auf ein Problem oder eine Frage im Zusammenhang mit Ihrem Produkt stoßen.
2. Identifizieren Sie als Nächstes die Metadaten, die sie in diesen Szenarien zur Unterstützung benötigen würden. Welche Suchfilterkriterien wären notwendig, um die relevantesten Inhalte zu extrahieren?
3. Richten Sie die Metadaten an den Inhalten aus. Hier müssen Sie möglicherweise die Granularität Ihrer Inhalte anpassen, wie im ersten Artikel über Struktur erwähnt.

Wenn sich dieser letzte Schritt etwas entmutigend anfühlt oder sogar außerhalb Ihrer Reichweite liegt, weil Sie Tausende oder sogar Zehntausende von Themen haben, machen Sie sich keine Sorgen. Sie sind nicht allein, und die Technologie ist hier, um zu helfen.

Wie automatisiert man die Metadaten-Kennzeichnung von Inhalten?

Heutige automatische Klassifizierungsalgorithmen nutzen die neuesten technologischen Fortschritte in der Künstlichen Intelligenz und sind äußerst genau. Sie lernen aus einem repräsentativen Satz manuell gekennzeichneter Themen (die Phase des überwachten Lernens). Dann fahren sie eigenständig mit der Kennzeichnung von Metadaten fort (die Phase der automatischen Klassifizierung). Folglich können Sie mit nur wenigen hundert vorab gekennzeichneten Themen Tausende oder sogar Millionen von Themen in wenigen Minuten kennzeichnen.

Ihr Team kann diese Methode auch erweitern, um Inhalte aus beliebigen anderen Quellen (Wikis, Wissensdatenbanken) zu kennzeichnen und von vollständig aufeinander abgestimmter Dokumentation zu profitieren. Hier ist es wichtig, die Notwendigkeit von Themen mit dem richtigen Granularitätsniveau zu beachten. Je fokussierter der Inhalt des Themas ist, desto präziser wird die Kennzeichnung des Algorithmus sein. Dies ist besonders wichtig für Themen, die zum Trainieren des Systems verwendet werden. Bei korrekter Durchführung ist die automatische Kennzeichnung genauso genau wie die menschengeführte Kennzeichnung.

Weiter auf dem Content Value Path

Metadaten und Struktur bilden zwei der drei wesentlichen Säulen für die Entwicklung eines Content Value Path, der Ihre Inhalte auf neue Technologien wie KI-Projekte vorbereitet. Metadaten haben einen direkten Einfluss darauf, wie einfach es für Benutzer ist, die richtigen Inhalte zu finden, wenn sie diese benötigen. Parallel dazu beeinflussen Metadaten, wie relevant und personalisiert KI-generierte Antworten in benutzerseitigen Tools wie Chatbots sind. Während der Einstieg etwas Planung und manuelle Kennzeichnung erfordern kann, existieren neue Technologien, um den Metadaten-Kennzeichnungsprozess zu erleichtern.

Wenn Sie Teil eins dieser Serie über Struktur verpasst haben, ist es noch nicht zu spät, zurückzugehen und sich über die erste Anforderung für modernen Dokumentationserfolg zu informieren. Verpassen Sie ansonsten nicht den dritten Artikel, „Wie KI das technische Schreiben revolutioniert: Semantische Aktivierung„, in dem wir uns mit der letzten Komponente des Content Value Path befassen.