Pixelpoints of Views
Wenn heute von Künstlicher Intelligenz gesprochen wird, denken viele sofort an Chatbots – an Systeme, die Antworten formulieren, Texte schreiben oder Fragen beantworten. Für Tourismusorganisationen, Regionen und Veranstalter stellt sich dabei aber die praktische Frage: Wie entsteht aus KI echter Nutzen im Tourismus? Also wie finden Gäste schneller die passenden Veranstaltungen – ohne sich durch komplexe Suchmasken klicken zu müssen?
Genau dem haben wir uns beim Forschungsprojekt EventGPT gemeinsam mit dem Institut für Artificial Intelligence & Cybersecurity der Universität Klagenfurt gewidmet. Im Mittelpunkt: Die Suche nach Veranstaltungen mittels Large Language Models (LLMs) vereinfachen.
“An den Universitäten hat Künstliche Intelligenz in den letzten Jahren sowohl die wissenschaftliche Forschung als auch die akademische Lehre maßgeblich geprägt und verändert“, berichtet Prof. Dietmar Jannach. „Erstaunlich ist jedoch auch, wie stark die neuesten KI-Technologien bereits in der Praxis angekommen sind und wie proaktiv mittelständische Unternehmen wie pixelpoint und dataCycle diese Innovationen aufgreifen und in bestehende sowie zukünftige Lösungen integrieren.“
Forschung trifft Praxis
„Für uns war das Projekt EventGPT eine wunderbare Gelegenheit, auch wieder Forschungsluft zu schnuppern und das Wichtigste für uns: Die gewonnenen Erkenntnisse werden in konkrete Anwendungen überführt.“, meint unser CTO Johannes Zlattinger. „Denn: Unser Ziel bei dataCycle ist es, repetitive Arbeit zu reduzieren und Teams mehr Zeit für die wirklich wichtigen Aufgaben zu verschaffen.“ Und CVO Marcus Hofbauer über das Forschungsprojekt: „Wir entwickeln nicht für die nächste Marketingaussage. Wir entwickeln für den nächsten echten Anwendungsfall, der dann auch funktioniert.“
Was wir mit EventGPT herausfinden wollen
Wer auf Tourismusportalen nach Veranstaltungen sucht, kennt das Prinzip: Datum auswählen, Kategorie setzen, Region eingrenzen – und dann hoffen, dass etwas Passendes dabei ist. Das funktioniert, ist aber oft nicht besonders intuitiv. Schon gar nicht, wenn Gäste eigentlich nur schnell wissen wollen, was am Wochenende in ihrer Nähe los ist.
Aktuelle Sprachmodelle können beeindruckend formulieren, zusammenfassen und Ideen liefern. Für touristische Veranstaltungssuchen gibt es aber ein zentrales Problem: Sie haben keinen automatischen Zugriff auf aktuelle Veranstaltungsdatenbanken. Das bedeutet: Ein allgemeines KI-Modell kann zwar nett klingende Antworten geben, aber nicht garantieren, dass die vorgeschlagenen Events tatsächlich existieren, aktuell sind oder zur Suchanfrage passen. Im schlimmsten Fall entstehen Halluzinationen – im Tourismus keine technische Randnotiz, sondern ein echtes Problem. Wer Gästen falsche Veranstaltungen, fehlerhafte Termine oder nicht existierende Angebote anzeigt, verliert Vertrauen.
Deshalb stand bei EventGPT nicht die kreative Antwort im Mittelpunkt, sondern die verlässliche Verbindung zwischen KI und aktuellen Veranstaltungsdaten.
Der Ansatz von EventGPT ist: Die KI soll dabei helfen, menschliche Sprache richtig zu verstehen und in passende Datenbankanfragen zu übersetzen.
Forschung statt Buzzwords:
Das Projekt EventGPT
EventGPT wurde bewusst als Forschungs- und Entwicklungsprojekt angelegt. Und darum haben Marcus Hofbauer und Johannes Zlattinger gemeinsam mit Univ.-Prof. DI Dr. Dietmar Jannach und Ass.Prof. Mag. Dr. Christian Kop vom Institut für Artificial Intelligence & Cybersecurity der Universität Klagenfurt in den letzten Monaten untersucht, wie Menschen mit digitalen Systemen interagieren möchten – und wie KI dabei helfen kann, Informationen schneller, einfacher und verlässlicher zugänglich zu machen. Oder anders gesagt: Wie aus moderner Technologie echter Nutzen entsteht.
Die zentrale Frage war: Wie können Large Language Models (LLMs) menschliche Sprache verstehen und gleichzeitig auf verlässliche, aktuelle Veranstaltungsdaten zugreifen?
Ausgangspunkt war die Beobachtung, dass Nutzer:innen nicht mehr nur über klassische Filter suchen, sondern zunehmend Suchanfragen in natürlicher Sprache formulieren. Es werden Fragen gestellt wie:
„Welche Familienveranstaltungen gibt es am Wochenende in meiner Nähe?“ oder „Zeige mir Kulturveranstaltungen in Klagenfurt im nächsten Monat.“
Für Menschen sind solche Anfragen intuitiv. Für Informationssysteme stellen sie jedoch eine Herausforderung dar, da sie häufig unvollständige, mehrdeutige oder subjektive Angaben enthalten.
- Ziel des Forschungsprojekts war daher die Entwicklung und Untersuchung eines Ansatzes, der natürlichsprachliche Suchanfragen in der Veranstaltungssuche analysiert, interpretiert und automatisiert in strukturierte Datenbankabfragen übersetzt.
Von natürlicher Sprache zu strukturierten Daten
Ein wesentlicher Aspekt des Projekts bestand darin, dass das LLM nicht direkt Antworten generieren sollte. Stattdessen wurde ein datengetriebener Ansatz verfolgt: Die Veranstaltungsinformationen lagen in einer relationalen Datenbank vor. Die Aufgabe des LLM bestand darin, die natürlichsprachlichen Suchanfragen der Nutzer:innen zu verstehen und daraus eine passende SQL-Abfrage zu erzeugen. Die aktuellen Veranstaltungen – passend zur Suchanfrage – werden übersichtlich als Listen dargestellt. Für Nutzer:innen sind die Ergebnisse dadurch klar und schnell erfassbar.
So wird die KI nicht zur Quelle der Information, sondern zur intelligenten Übersetzungsschicht zwischen menschlicher Sprache und vorhandenen Daten. Dadurch bleibt die Informationsquelle transparent und kontrollierbar.
Dieser Ansatz unterscheidet sich wesentlich von vielen aktuellen KI-Anwendungen, die Informationen direkt generieren oder aus unterschiedlichen Quellen zusammenführen. Für touristische Anwendungen ist genau das entscheidend: Die Antwort soll nicht kreativ klingen, sondern korrekt sein.
Analyse des Nutzerverhaltens
Begleitend zur technischen Entwicklung wurden im Zuge des Forschungsprojekts mehrere Nutzerstudien durchgeführt. Dabei zeigte sich, dass natürlichsprachliche Suchanfragen grundsätzlich positiv wahrgenommen werden. Die Teilnehmer:innen bewerteten diese Form der Suche insbesondere hinsichtlich ihrer Flexibilität als sehr geeignet, um individuelle Informationsbedürfnisse auszudrücken.
Gleichzeitig wurde deutlich, dass klassische Elemente der Informationsdarstellung weiterhin eine wichtige Rolle spielen. Strukturierte Listen und tabellarische Darstellungen wurden gegenüber einer rein dialogorientierten Ausgabe bevorzugt.
Die Ergebnisse legen nahe, dass zukünftige Suchsysteme nicht ausschließlich auf Chat-Interaktionen setzen sollten, sondern die Vorteile natürlicher Sprache mit etablierten Formen der Informationsdarstellung kombinieren müssen.
Ein Chat allein ist also nicht automatisch die beste Lösung. Oft ist die stärkste Lösung eine intelligente Oberfläche, die Sprache versteht und Ergebnisse trotzdem übersichtlich darstellt.
Die Herausforderung ungenauer Anfragen
Ein zentraler Forschungsaspekt war die Analyse unvollständiger oder unpräziser Suchanfragen. Begriffe wie „in meiner Nähe“, „am Wochenende“ oder „Kulturveranstaltungen“ sind für Menschen leicht verständlich, enthalten jedoch Interpretationsspielräume, die von einem System aufgelöst werden müssen. Im Rahmen des Projekts wurden daher Verfahren untersucht, mit denen ein LLM unterschiedliche Anfragetypen erkennen, ungenaue Ortsangaben identifizieren und fehlende Informationen ableiten oder durch Rückfragen ergänzen kann.
Die Ergebnisse zeigen, dass die Qualität der Suchergebnisse wesentlich von der Fähigkeit des Systems, mit der Unschärfe natürlicher Sprache umzugehen, abhängig ist.
Die wichtigsten Ergebnisse
Das Forschungsprojekt zeigt exemplarisch, wie aktuelle Entwicklungen im Bereich der LLMs für konkrete, praktische Anwendungsfälle nutzbar gemacht werden können.
Neben den technischen Fragestellungen lieferte das Projekt Erkenntnisse darüber, wie Menschen mit KI-gestützten Suchsystemen interagieren, welche Erwartungen sie an solche Systeme haben und welche Anforderungen an zukünftige Human-AI-Interfaces gestellt werden.
Die Ergebnisse fließen bei pixelpoint und dataCycle in die Weiterentwicklung datengetriebener Anwendungen und KI-gestützter Assistenzsysteme ein:
- Menschen stehen einer KI-gestützten Suche grundsätzlich sehr offen gegenüber.
- Die Befragungen zeigten, dass natürlichsprachliche Suchanfragen als intuitiv und flexibel wahrgenommen werden.
- Bei der Darstellung der Ergebnisse bevorzugen viele Nutzer:innen jedoch weiterhin strukturierte Listen und Tabellen gegenüber einer reinen Chat-Ausgabe.
- Verlässliche Ergebnisse entstehen nur dann, wenn KI nicht losgelöst arbeitet, sondern sauber mit aktuellen Datenquellen verbunden wird.
Die Erkenntnis daraus:
EventGPT zeigt, dass die Zukunft der touristischen Suche nicht in isolierten Chatbots liegt, sondern in intelligenten Systemen, die natürliche Sprache verstehen und gleichzeitig auf strukturierte, qualitätsgesicherte Daten zugreifen können.
Für Tourismusportale bedeutet das konkret: Gäste möchten künftig immer häufiger in ihrer eigenen Sprache suchen. Gleichzeitig erwarten sie weiterhin übersichtliche Ergebnislisten, Filtermöglichkeiten und verlässliche Informationen.
Erfolgreiche Systeme werden daher beide Welten verbinden müssen.
Von der Forschung in die Praxis bei pixelpoint & dataCycle
Kurzfristig sollen aus dem Projekt Prototypen entstehen. Besonders wichtig ist dabei, dass die entwickelten Komponenten wiederverwendbar sind. So können Erkenntnisse und technische Bausteine später auch für neue Kundenprojekte genutzt werden.
Für Tourismusregionen, Destinationen und Veranstalter kann daraus ein spürbarer Vorteil entstehen: Gäste finden schneller passende Veranstaltungen, Angebote werden sichtbarer und digitale Plattformen werden nutzerfreundlicher.
Innovation entsteht durch Zusammenarbeit
Projekte wie EventGPT zeigen, wie wichtig die Zusammenarbeit zwischen Wirtschaft und Forschung ist. Die Kombination aus wissenschaftlicher Methodik, technologischem Know-how und praktischer Umsetzungskompetenz ermöglicht Erkenntnisse, die weit über einzelne Projekte hinausgehen. Dass unsere Arbeit im Rahmen von Forschungsförderungen unterstützt wurde, bestätigt diesen Weg zusätzlich. Sie ermöglicht es, neue Technologien nicht nur theoretisch zu beobachten, sondern praktisch zu erproben, kritisch zu bewerten und für reale Anwendungsfälle weiterzuentwickeln.