Produkte für KI und maschinelles Lernen
Posted by Julia Werner •
10 Anwendungsbeispiele für Künstliche Intelligenz (KI) im digitalen Marketing
Die Angst, den eigenen Arbeitsplatz durch Künstliche Intelligenz zu verlieren, sorgt auch unter Marketern für Unmut. Wir zeigen auf, wie du den Einsatz von künstlicher Intelligenz (KI) im digitalen Marketing als Chance begreifen und wieder Zeit für strategische, kreative Marketingaufgaben finden kannst.
Wie verändert Künstliche Intelligenz das digitale Marketing?
Es mag manch einem befremdlich anmuten, dass Maschinen immer mehr die menschliche Intelligenz zu ersetzen (bzw. ergänzen) scheinen. Im Alltag ist die Künstliche Intelligenz jedoch längst angekommen und wird, je nach Einsatzbereich, weitgehend akzeptiert. In Zeiten von Big Data und vorangetrieben durch KI, besteht die Aufgabe des Marketers nicht mehr darin, ausreichend Daten über den Kunden zu sammeln. Vielmehr besteht sie darin, die Daten effizient auszuwerten und konkrete Handlungsempfehlungen aus ihnen ableiten zu können. KI gehört bereits heute zu den wichtigsten Technologie. Selbstfahrende Autos und Roboter sind dabei nur einige der derzeit am heißesten diskutierten Beispiele von künstlicher Intelligenz. Tatsächlich besteht die Terminologie künstlicher Intelligenz bereits seit über 60 Jahren und beschreibt Technologien und Systeme, die anhand von großen Datenmengen Handlungsabläufe erlernen können.
Die Google Suchmaschine zählt zu den weltweit bekanntesten KI-Erfindungen. Die Technologie durchsucht unzählige Quellen und zeigt die passenden Suchergebnisse innerhalb weniger Sekunden an. Ziel der Künstlichen Intelligenz ist es, den Menschen zu unterstützen und nicht ihn zu ersetzen. Besonders im digitalen Marketing erweist sich die Technologie bislang als unterstützende Hand.
Im Zuge der Customer Journey bewegt sich die Mehrheit der Kunden entlang etlicher digitaler Touchpoints. Unternehmen werden deshalb zunehmend aufgefordert, den Kunden eine optimale Nutzererfahrung zu bieten: schneller, persönlicher und digitaler als zuvor. Umso wichtiger ist es für Marketer, konkrete Erkenntnisse und Maßnahmen aus den gesammelten Nutzerdaten ableiten zu können. Bisher sind sie es jedoch nicht: Laut Wunderman-Studie sind 62 Prozent der Marketing Entscheider nicht in der Lage, die unternehmenseigenen Daten für Marketingmaßnahmen zu nutzen. Und das, obwohl 99 Prozent der Befragten der Meinung sind, dass Daten bereits heute über den Erfolg oder Misserfolg von Marketing und Vertrieb entscheiden.
Welche Chancen bietet Künstliche Intelligenz für das digitale Marketing?
Wie kann also das Zusammenspiel von Daten und neuen Technologien im Zeitalter der zunehmenden Digitalisierung aussehen? Beispielsweise durch den gezielten Einsatz von Künstlicher Intelligenz? Mit Hilfe von KI können Marketer die riesigen Datenmengen bewältigen, die Big Data liefert. Dabei geht es nicht um den umfassenden Besitz von Daten, sondern vielmehr darum, die richtigen Daten identifizieren und herausfiltern zu können, um daraus Muster zu erschließen, die dann im Unternehmen gewinnbringend eingesetzt werden können. Die Aufgabe der KI im digitalen Marketing besteht deshalb vor allem darin, bei der Datenanalyse zu unterstützen und die Daten auszuwerten. Und zwar in einer Geschwindigkeit und einem Umfang, die der Mensch nicht leisten kann.
Der Einsatz von Künstlicher Intelligenz im digitalen Marketing bietet die Chance, zielgerichtete und individuelle Kampagnen zu realisieren, welche die Kunden im richtigen Moment erreichen und ein hohes Investitionspotenzial bieten. Aus diesem Grund wird es für Marketer umso wichtiger, die selbstlernende Technologie zu verstehen und sich mit ihr auseinanderzusetzen. Besonders in der Digitalbranche sollten sie am Ball bleiben, welche Investitionen, Technologien und Innovationen den Markt bestimmen werden. Bestenfalls noch bevor es der Wettbewerb tut. Wer jetzt aus Angst vor Veränderung den Anschluss verpasst, wird nicht nur von den Early-Adopters und Pionieren überholt, sondern verpasst auch die Gelegenheit, mühselige Datenanalysen, Kampagnenaussteuerungen oder Kunden- und Leadgenerierung an die Maschine abzugeben.
Wie kann also Künstliche Intelligenz im digitalen Marketing eingesetzt werden? Im Folgenden präsentieren wir 10 Anwendungsbeispiele für den Einsatz von Künstlicher Intelligenz im digitalen Marketing.
1. Digitale Sprachassistenten im täglichen Leben
Einer der wichtigsten KI-Trends in 2018 sind digitale Sprachassistenten, wie der Google Assistant. Sie erfreuen sich immer größerer Beliebtheit und folgen den Nutzern ins tägliche Leben. Auch immer mehr Unternehmen setzen sie für ihre Produkte und Dienstleistungen ein. Hierbei sollten Content Marketer und SEOs vor allem das Thema Sprachsuche in den Marketing-Mix integrieren. Hier erfährst du, warum Voice Search immer mehr an Bedeutung zunimmt und wie du Inhalte für die Sprachsuche optimieren kannst.
2. Auswertung großer Datenmengen (Big Data Analytics)
Die Arbeit der Marketer verändert sich durch die Digitalisierung stetig: Während sie noch vor einigen Jahren vor allem kreative und strategische Konzepte für Kampagnen ausgearbeitet haben, beschäftigt sich der Großteil heute mit großen Mengen von Nutzerdaten, Google Analytics & Co. Durch den Einsatz von Künstlicher Intelligenz in der Auswertung dieser Datenmengen, kann die Technologie durch eine kompetente Betreuung gezielte Reporte erstellen, welche die Basis für gezielte Marketingmaßnahmen bilden.
3. Mustererkennung in dem Nutzungsverhalten der Kunden
Daten sind die Basis für fast jede digitale Marketingmaßnahme. Der Einsatz von KI auf Webseiten kann bestimmte Verhaltensmuster der potenziellen oder konvertierten Kunden erkennen und in Form von detaillierten Reports dem Marketing übermitteln. Marketer können basierend auf diesen Erkenntnissen Entscheidungen über zukünftige Marketingmaßnahmen und -Aktivitäten treffen und mit Hilfe der KI neue, strategisch sinnvolle Zielgruppen ansprechen.
4. Klassifizierung von Webseiten und Werbeinhalten nach Relevanz
Die KI-Technologie kann beim Ausspielen von Werbeinhalten lernen, auf welchen Webseiten der Content ausgespielt werden soll und auf welchen nicht. Sie klassifiziert die Webseiten oder die Webseiteninhalte. Auf Basis der vorhandenen Daten erkennt und beurteilt die Technologie, ob das Umfeld der Werbeinhalte als „markensicher“ qualifiziert werden kann. Wenn dies nicht der Fall ist, kann sie die Auslieferung der Werbung auf dieser Webseite unterbinden. Auch Webseiteninhalte wie z. B. Produktempfehlungen oder personalisierte Startseiten, können mit KI ausgestattet und somit für jeden Nutzer individuell angepasst werden. Die Technologie kann auswerten, welcher Content bei welchen Kunden funktioniert und ermöglicht ein ununterbrochenes A-B-Testing.
5. Automatisierte Aussteuerung der Marketingkampagnen
Durch den Einsatz von künstlicher Intelligenz können Werbetreibende vor allem im E-Mail Marketing und bei der Aussteuerung von Kampagnen profitieren. Die Technologie kann die Marketingkampagnen automatisch aussteuern, evaluieren und anpassen und das in Echtzeit. Stichwörter wie "Real-Time-Bidding", "Programmatic Advertising" oder "Search Advertising" tauchen im Rahmen der Digitalisierung immer häufiger auf und funktionieren schon seit einigen Jahren hauptsächlich durch die Implementierung von KI-Technologie. Marketer können entscheiden, ob sie ihre Marketing Kampagnen automatisiert (mit Hilfe von KI) oder manuell aussteuern und optimieren wollen.
6. Logische Schlussfolgerungen bei der Akquise neuer Kunden
Die Methode der logischen Schlussfolgerung kommt besonders bei der Neukundenakquise zum Einsatz: Durch die Implementierung von KI-Technologie können die Daten der konvertierten Neukunden systematisch analysiert werden. Durch die Neukundenanalyse kann die Technologie weitere potenzielle Zielgruppen anhand des Datenmusters logisch schlussfolgern. Diese Technologie hat z. B. der Lieferdienst Foodora angewandt und investierte neben einer laufenden Display Kampagne parallel dazu noch in weitere potenzielle Zielgruppen, um die Reichweite zu vergrößern. Anhand dieser Daten konnte das System weitere Zielgruppen identifizieren, die nicht zur Kernzielgruppe des Unternehmens gehörten.
7. Hyper Targeting
Das Hyper Targeting beschreibt die personalisierte Automatisierung von Werbeanzeigen und Anpassung der Werbeinhalte an einen individuellen Nutzer, durch die Implementierung der KI-Technologie. Die potenziellen Kunden profitieren von dieser Art des Targetings, genauso wie die Unternehmen. Weil die Verbraucher nur den für sie relevanten Content angezeigt bekommen. Um dies zu ermöglichen wird ein Algorithmus angewandt, der die Nutzerdaten analysiert. Dadurch lässt sich ermitteln, in welcher Phase des Kaufprozesses die Konsumenten stecken und welche Werbemittel am besten wirken könnten. Der Algorithmus merkt sich die Ergebnisse der Analysen und lernt stetig weiter. Im Programmatic Buying Prozess berechnet KI beispielsweise, welche Werbefläche am lukrativsten für die Werbetreibenden ist und testet innerhalb von Sekundenbruchteilen unzählige Varianten.
Das könnte dich auch interessieren: 10 Tipps für Ihre Hyperlocal Marketing Kampagne
8. Chatbots im Kundenservice
Die Chatbots nutzen künstliche Intelligenz und einen angelernten Algorithmus, der die wichtigsten Daten beinhaltet, die der Chatbot wissen muss. Er wird besonders im Kundenservice auf der Webseite oder in Sozialen Netzwerken wie z. B. Facebook eingesetzt. Derzeit werden sie für einfache Kundenanfragen, beispielsweise bei Reise- oder Produktanfragen, eingesetzt. In Zukunft kann die Kommunikation zwischen den Kunden und den Chatbots allerdings wesentlich individueller und persönlicher gestaltet werden, um den Kundenservice zu beschleunigen und zu verbessern. Durch die Künstliche Intelligenz lernen die Bots mit jedem Kundengespräch dazu und liefern so immer bessere Ergebnisse.
9. Verhaltensbasierte Vorhersagen
Der E-Commerce-Riese Amazon und Streamingdienst-Anbieter Netflix machen es vor: Mit Hilfe der Empfehlungs-KI lässt sich zuverlässig vorhersagen, wie sich ein Kunde zu einem bestimmten Zeitpunkt verhalten wird. Amazon erzielte dadurch beispielsweise etwa 35 Prozent seines Jahresumsatzes in 2013. Mit KI können Unternehmen automatisierte Produktvorschläge machen. Ein weiteres Beispiel: Die Intel-Tochterfirma Saffron hat eine KI entwickelt, die mit bis zu 88 prozentiger Treffsicherheit vorhersehen kann, auf welchem Kanal und wegen welchem Produkt ein Kunde um Hilfestellung bitten wird.
10. Personalisierter Content/Content Creation per Algorithmus
Künstliche Intelligenz statt menschlicher Redakteure? Auch im Content Marketing bietet KI vielfältige Einsatzmöglichkeiten: z. B. bei der Erstellung von Content. Das gilt besonders für Texte, die auf bestimmten Regeln basieren, wie beispielsweise bei Finanzmeldungen oder Sportergebnissen. Außerdem kann die KI große Textmengen klassifizieren, komprimieren und selbständig verschiedene Wordings und Quellen evaluieren, um eine Zielgruppe optimal anzusprechen. Darüber hinaus kann KI bei der Kundenansprache unterstützen, die heutzutage möglichst individuell sein muss, um einen echten Mehrwert zu bieten. Die dazu notwendigen Daten sind in den Unternehmen meist vorhanden, die notwendigen Ressourcen, um diese Daten auszuwerten und Nutzergruppen individualisiert anzusprechen, allerdings nicht. Der Einsatz von KI kann dabei helfen, denn die Technologie kann die Nutzung der Daten erheblich verbessern.
Wie entwickelt sich Künstliche Intelligenz im digitalen Marketing weiter?
Die Frage, die sich nun für die Marketer stellt, lautet: Ist der menschliche Experte besser als die Maschine dank seiner Expertise, Erfahrung, Intuition und Kreativität? Oder sollten wir dieses Feld sukzessive den Rechnern überlassen? Die Antwort auf die digitalen Herausforderungen liegt in der richtigen Mischung der komplexen Algorithmen-Ansätze, die derzeit auf dem Markt diskutiert und angeboten werden, und der (noch?) einmaligen Kreativität der Menschen. Die Auseinandersetzung mit der Künstlichen Intelligenz wird aufgrund der immer weiter zunehmenden Digitalisierung nicht an einem Zeitpunkt aufhören, sondern sich kontinuierlich selbst weiterentwickeln. Wie die Technologie selbst . Zukünftig wird diese innovative Technologie Konsumentenverhalten und -vorlieben voraussehen und individuell passende Informationen anbieten können. Sie wird sowohl Routineaufgaben, als auch kreative Aufgaben übernehmen können und selbstständig Inhalte und Antworten verfassen. Der Diskurs um Künstliche Intelligenz hat somit gerade erst begonnen. Für den Marketer bedeutet dies vor allem, sich mit den zentralen Fragen rund um das Thema KI auseinanderzusetzen und zu hinterfragen, welche Auswirkungen sich für den einzelnen Kunden, aber auch für die Gesellschaft und Wirtschaft durch KI ergeben.
Fazit
Integraler Bestandteil des Marketings ist und bleibt das menschliche Handeln, auch beim Einsatz von Künstlicher Intelligenz. KI bietet ein durchaus großes Potenzial, um das digitale Marketing zu beschleunigen, zu vereinfachen und stetig in Echtzeit zu optimieren. KI-Technologien können im Zuge der gesamten Customer Journey eines potenziellen Kunden eingesetzt werden und neue Zielgruppen anhand von Daten erschließen und ansprechen. Die Einsatzmöglichkeiten von KI werden in den nächsten Jahren weiter zunehmen. Allerdings stößt auch die Künstliche Intelligenz an ihre Grenzen. Viele KI-Technologien sind bei weitem noch nicht fehlerfrei und können nur aufgrund der Parameter agieren, die Marketer für sie definiert haben. Die Basis der KI entsteht aus menschlicher Hand und da können bei der Programmierung Fehler passieren. Sie können nicht komplett selbstständig aus Erfahrungen lernen oder selbst neue Lösungswege einschlagen, sondern bedürfen stetiger Kontrolle, Betreuung und Pflege durch den Menschen. Die Marketing- und Digitalexperten bilden hierbei auch in Zukunft die Brücke zwischen fortschrittlicher Technologie und menschlichem Verstand.
Produktempfehlungen mithilfe von KI – Umsatzbringer oder Nerd-Technik?
Lassen sich passende Produktempfehlungen durch KI Software ermitteln? Durch die breiten Diskussionen in der Öffentlichkeit über die Einsatzmöglichkeiten von Künstlicher Intelligenz führen auch im B2B eCommerce dazu, das mögliche Einsatz-Szenarien intensiv geprüft werden.
Versprechungen, dass durch den Einsatz von künstlicher Intelligenz, z.B. im Bereich Personalisierung, der Umsatz erheblich gesteigert werden kann, stehen von den Technologieanbietern im Raum. Doch was genau ist davon zu halten? Wir möchten am Beispiel „Produktempfehlungen“ die Möglichkeiten und Erfolgsvoraussetzungen aufzeigen.
Künstliche Intelligenz (KI) – Was genau ist das eigentlich?
Bevor wir genauer in das Thema automatisierte Empfehlung einsteigen, lohnt es sich die Begrifflichkeiten genauer zu definieren.
Künstliche Intelligenz, kurz KI, ist ein Teilgebiet der Informatik und beschäftigt sich damit, menschenähnliche Wahrnehmungs- und Entscheidungsstrukturen nachzubilden und insbesondere aus den eigenen Entscheidungen zu „lernen“. KI kann in vielen Bereichen komplexe Aufgaben besser, schneller und zuverlässiger erledigen, als der Mensch. Dies geht häufig mit der Vorstellung einer sogenannten “starken” KI einher, die menschliche Intelligenz außerhalb eng definierter Handlungsfelder nachzubilden vermag und eigene intrinsisch motivierte Handlungsziele ausbildet.
Solcher “Superintelligenzen” sind allerdings bis heute nicht realisiert und es wird mindestens noch Jahrzehnte dauern, bis solches Systeme existieren. Um hier eine Abgrenzung vorzunehmen, werden heutige KI Systeme als “schwache” KI bezeichnet. Die Problemlösungskompetenzen solcher Systeme sind dabei immer auf bestimmte Handlungsfelder spezialisiert. So gibt es heute z.B. Systeme, die sehr gut Röntgenbilder auswerten können.
Die Grundlage für dieses „Lernen“ bei solchen “schwachen” KI-Systemen bilden neuronale Netze, die von der Architektur und Funktionsweise von Gehirnen inspiriert sind. Die Wissenschaft unterscheidet folgende Stufen von lernenden Systemen:
Maschinelles Lernen (Machine Learning)
Greift auf historische Daten zurück, um basierend auf Erfahrungswerten Muster zu erkennen. Mit Hilfe dieser Muster werden neue Daten interpretiert und Voraussagen bzw. Wahrscheinlichkeiten für Empfehlungen, Warnungen oder Entscheidungen generiert. Sofern ein kontinuierlicher Input an hochwertigen Daten sichergestellt ist, wir der Output mit der Zeit immer präziser und zuverlässiger.
Greift auf historische Daten zurück, um basierend auf Erfahrungswerten Muster zu erkennen. Mit Hilfe dieser Muster werden neue Daten interpretiert und Voraussagen bzw. Wahrscheinlichkeiten für Empfehlungen, Warnungen oder Entscheidungen generiert. Sofern ein kontinuierlicher Input an hochwertigen Daten sichergestellt ist, wir der Output mit der Zeit immer präziser und zuverlässiger. Vertieftes Lernen (Deep Learning)
Deep Learning ist ein Teilgebiet des Machine Learnings. Solche Systeme sind in der Lage mit großen und unstrukturierten Daten umzugehen. Sie werden deshalb z.B. bei der Sprach-,Text-,Bild- und Videoverarbeitung eingesetzt. Bei solchen Systemen kommen mehrschichtige neuroyale Netze zum Einsatz..
KI ist im Grundsatz nicht neu und wird als Forschungsgebiet bereits seit den 50ziger Jahren betrieben. Damals mit dem Fokus, das Maschinen sprechen lernen und abstrakte Konzepte bilden sollten.
Technologiebedingt hat sich dabei der Fokus der KI Forschung in den letzten Jahrzehnten aber deutlich verändert.
In den 80ziger Jahren lag, aufgrund von Einschränkungen bei Sensoren, durch teuren Speicherplatz und unzureichender Rechenleistungen, der Fokus auf „Logik“. Über sogenannte Expertensysteme wurde versucht Wissen in regelbasierten Systemen abzulegen. Abstrahieren oder Wahrnehmen war so gut wie nicht möglich.
Ab ca. 2006 rückten vermehrt die sogenannten lernenden Systeme in den Fokus. Diese hatten, im Vergleich zu ihren Vorgängern, einen viel stärkeren Fokus auf Wahrnehmung und Lernen statt auf Logik. Abstrahieren ist mit diesem Ansatz immer noch nur wenig möglich.
Die zukünftigen echten KI Systeme sollen die Mankos der Vorgänger ausgleichen und stattdessen einen Transfer von erlerntem Wissen ermöglichen. Dies ist zumindest die Vision.
Technologische Innovationen – Welche Hürden muss man nehmen?
Ausgangspunkt für die Entwicklung technologiegetriebener Innovationen, und letztlich ist KI nichts anderes, ist zwar immer der Kunde, dennoch ist die Hürde nicht zu unterschätzen, Kunden aktiv von Mehrwerten solcher Innovationen zu überzeugen. Kunden verstehen häufig die Mehrwerte, die ihnen Innovationen bieten, nicht. Dies führt dazu, dass Innovationen häufig mit viel Aufwand in den Markt gebracht werden müssen.
Die Bandbreite zwischen Innovatoren und Nachzüglern bzgl. des Einsatzes von neuer Technologie wird eher größer statt geringer. Dies gilt auch für die Akzeptanz von KI. Die Bewertung von Künstlicher Intelligenz ist häufig noch geprägt von Skepsis und Angst. Der Verlust von Arbeitsplätzen, unpersönliche Kommunikation und Datenmissbrauch sind nur einige der Befürchtung, die, laut einer Erhebung des IFH Köln bei Kunden vorherrschen. Allerdings verringern sich diese, sobald der Nutzen der Technologie greifbar wird und sich im Alltag zeigt. Dann überwiegen häufig die positiven Assoziationen.
Laut einer Studie aus 2019 des ECC Köln und der Otto Group geben nur 19% aller befragten Personen an, dass Ihre Daten für maßgeschneiderte Inhalte und Services zur Verfügung stellen würden. Allerdings setzt sich bei den Befragten auch die Erkenntnis durch, dass bei gewissen Inhalten und Services maßgeschneiderte Inhalte positiv sind. Hier seien z.B. Google Suchergebnisse oder auf die persönlichen Interessen zugeschnittene Nachrichten genannt.
Trotz der allgemeinen Skepsis gegenüber der Preisgabe von Daten für personalisierte Inhalte, gaben immerhin ein Drittel der Befragten an, dass sie sich unsicher sind, welche Daten sie tatsächlich preisgeben bzw. preisgegeben haben. Die meisten jedoch sind sich der Datenpreisgabe gar nicht bewußt. In der Befragung des ECC gaben 51% an, noch nie Daten zum Kaufverhalten preisgegeben zu haben, aber 90% nutzen Onlinekäufe und 74% Kundenkarten. Noch stärker ist der Widerspruch bei der Freigabe von persönlichen Kontakten. Hier glauben 63% noch nie persönliche Kontakte preisgegeben zu haben, 95% nutzen aber regelmäßig WhatsApp.
Da die Realität oft ganz anders aussieht, ist für die Zukunft eher mit einem stärkeren Bewusstsein rund um die Bedeutung von persönlichen Daten zu rechnen. Schon aufgrund der intensiven Diskussion über z.B. DSGVO in der der Presse und Berichterstattung.
Ein vertrauenswürdiger Umgang mit Daten und nachvollziehbare, transparente Lösungen sind daher mittel- und langfristig wichtige Voraussetzungen für die Akzeptanz.
Wer sich dafür entscheidet, künstliche Intelligenz als Technologie nutzen zu wollen, tut gut daran damit transparent und offen umzugehen. Wenn Kunden den Nutzen, den sie davon haben verstehen und schätzen, kann Innovation zum echten Wettbewerbsvorteil werden. Bequemlichkeit und Zeitersparnis stehen schließlich bei allen Befragten hoch im Kurs. Hier kann eine Mehrwertdarstellung gut ansetzen.
Produktempfehlungen – Wie kann künstliche Intelligenz hier helfen und wo sind die Grenzen?
Softwareprodukte für eine KI basierte Produktempfehlung bieten mittlerweile fast alle großen eCommerce Plattform Hersteller und versprechen ein personalisiertes Shoppingerlebnis mit maßgeschneiderten Inhalten. Nur so lässt sich die Kundenbindung nachhaltig stärken und der Umsatz steigern – so sagen zumindest die Hersteller.
Doch ist die Technologie hier wirklich so vielversprechend, wie die Hersteller behaupten? Stellen wir uns einfach mal den Idealzustand vor, dass wir eine mathematische Formel hätten, die bezogen auf einen Kunden, alle möglichen Produktkombinationen auf Relevanz korrekt ermitteln kann. Mit Hilfe der ersten und zweiten Ableitung, die einige Leser vielleicht noch aus Ihrer Schulzeit kennen, wären wir in der Lage die Maxima und Minima, bzw. die Produktkombinationen mit der höchsten und der geringsten Relevanz für jeden Kunden, zu berechnen. Damit wäre jede Produktempfehlung auf der Basis von künstlicher Intelligenz überflüssig.
Allerdings kennen die meisten Unternehmen eine solche Formel nicht. Ein neuronales Netz kann jetzt, auf der Basis von vorliegenden Daten, diese nicht vorhandene Formel durch KI Technologie „erlernen“. “Erlernen” bedeutet, das ein neuronales Netz den Funktionsgraf anhand von bisherigen Entscheidungen beigebracht bekommt.
Die Problematik beim „Erlernen“ liegt in den Daten, die zum Erlernen zur Verfügung stehen. Je weniger Daten, oder mögliche Produktkombinationen, für das neuronale Netz als Trainingsgrundlage verwendet werden können, um so größer ist die Gefahr, dass sich „lokale Maxima“, bzw. Relevanzwerte für Produktkombinationen zu einem Kunden, auf Dauer als bestmögliche Kombination etablieren. In der obigen Grafik ist z.B. die “beste Kombination”, bzw. die mit der höchsten Verkaufs-Wahrscheinlichkeit, die “Kombination 3”.
Das neuronale Netz “lernt”, in dem ihm Produktkombinationen als Trainingsdaten mit Bewertungen der Verkaufs-Wahrscheinlichkeit zur Verfügung gestellt werden. Sobald eine Produktkombination mit hoher Verkaufs-Wahrscheinlichkeit gefunden wurde, wird diese “gelernt”. Reagieren genügend Kunden auf diese vorgeschlagenen Produktempfehlungen, wird die Gewichtung für diese Regel im neuronalen Netz immer stärker. Wenn beim obigen Beispiel nur Trainingsdaten für die Produktkombination 7 vorliegen, wird diese sich bei den Produktempfehlungen durch das neuronale Netz durchsetzen und dazu führen, dass Kunden als Produktempfehlung immer die Produktkombination 7 gezeigt bekommen.
Selbst wenn irgendwann jemand die bestmögliche Produktkombination 7 für sich selber zusammenstellt, ist das Neuronale Netz in seinem lokalen Maximum gefangen und erkennt nur sehr schwer die Fehleinschätzung.
Der Einsatz von KI im Bereich der Produktempfehlungen steht und fällt somit mit den zur Verfügung stehenden Trainingsdaten. Stehen diese ausreichend zur Verfügung kann, KI sehr gute Ergebnisse erzielen. Ein Bereich, wo dies z.B. hervorragend funktioniert, ist der Einsatz von KI in der medizinischen Bilderkennung. Hier ist die Trefferrate bei der Tumorerkennung sehr gut, da hier ausreichend viele bewertete Trainingsdaten zur Verfügung stehen.
Fazit zu Produktempfehlungen mit KI
Das Daten das Öl des 21zigsten Jahrhunderts sind, zeigt auch der Einsatz von KI. Die Hersteller von Technologie werden natürlich immer den Wert Ihrer Produkte herausstellen. Bei KI stellt sich der Nutzen aber erst dann vollumfänglich ein, wenn entsprechende Daten zur Verfügung stehen. Solange das nicht der Fall ist, wäre unsere Empfehlung mit der Analyse und Generierung von Daten zu beginnen und erst dann, wenn der Abdeckungsbereich der Daten tatsächlich repräsentative Aussagen ermöglicht, Technologie zu evaluieren. Geht man anders herum vor, ist eine Enttäuschung fast vorprogrammiert.
Produkte für KI und maschinelles Lernen
KI für Data Scientists Vertex AI Unsere neue einheitliche Plattform für maschinelles Lernen unterstützt Sie dabei, effektivere KI-Modelle zu erstellen, bereitzustellen und zu skalieren. Datenvorbereitung beschleunigen
Daten skalieren
Training und Experiment
Modellbereitstellung
Vertex AI Workbench Die einzige Entwicklungsumgebung für den gesamten Data-Science-Workflow. Rapid Prototyping und Modellentwicklung
KI-Lösungen für Vertex AI mit minimalem Übergang entwickeln und bereitstellen
KI für Entwickler AutoML Hochwertige benutzerdefinierte Modelle für Machine Learning lassen sich mit minimalem Aufwand und minimalen einschlägigen Fachkenntnissen trainieren. Benutzerdefinierte Modelle für maschinelles Lernen in wenigen Minuten erstellen
Individuelle Modelle speziell für Ihr Unternehmen trainieren
Cloud Inference API Wertvolle Informationen aus typisierten Zeitachsendaten gewinnen Indexieren und Laden eines Datasets, das aus mehreren gespeicherten Datenquellen besteht
Inferenzabfragen über geladene Datasets ausführen
Datensatz entfernen oder das Laden eines Datensatzes abbrechen
Cloud Natural Language Gewinnung von Informationen aus unstrukturiertem Text mit Google-Technologie für maschinelles Lernen Natural Language Understanding auf Anwendungen mit der Natural Language API anwenden
Offene ML-Modelle zum Klassifizieren, Extrahieren und Erkennen von Stimmungen
Dialogflow Optimieren Sie die Kommunikation über Geräte und Plattformen. Natürliche Interaktionen für komplexe Unterhaltungsrunden erstellen
Erweiterte Agents schnell erstellen und bereitstellen
Skalierbarkeit für Unternehmen
Media Translation (Beta) Fügen Sie Ihren Inhalten und Anwendungen in Echtzeit Audioübersetzungen hinzu. Sprachübersetzung in Echtzeit direkt aus Ihren Audiodaten
Schnelle Skalierung dank einfacher Internationalisierung
Speech-to-Text Mit einer API auf Grundlage der KI-Technologien von Google wandeln Sie Gesprochenes treffsicher in Text um. Automatische Spracherkennung erstellen
In Echtzeit transkribieren
Google Contact Center AI fördern
Timeseries Insights API (Vorschau) Umfangreiche Zeitachsenprognosen und Anomalieerkennung in Echtzeit. Informationen zu Zeitachsen-Datasets in Echtzeit
Anomalien erkennen, während sie auftreten
Große Datenmengen verarbeiten und Tausende von Abfragen pro Sekunde ausführen
Translation AI Stellen Sie Inhalte und Apps mit schneller, dynamischer maschineller Übersetzung mehrsprachig zur Verfügung. Nahtloses Nutzererlebnis mit Echtzeit-Übersetzungen bereitstellen
Zielgruppen durch überzeugende Lokalisierung Ihrer Inhalte begeistern
Internationale Märkte durch Internationalisierung Ihrer Produkte erschließen
Video AI Der Weg zur einfachen Ermittlung von Inhalten und relevanten Videos. Umfassende Metadaten auf Video-, Aufnahmen- oder Frameebene extrahieren
Mit AutoML Video Intelligence eigene benutzerdefinierte Entitätslabels erstellen
Vision AI Gewinnen Sie mit AutoML Vision Informationen aus Bildern in der Cloud oder auf Edge-Geräten. Mit vortrainierten Vision API-Modellen können Sie Emotionen, Texte und noch sehr viel mehr erkennen. Mit ML Bilder mit branchenführender Vorhersagegenauigkeit verstehen
ML-Modelle zum Klassifizieren von Bildern nach benutzerdefinierten Labels mithilfe von AutoML Vision trainieren
AI Infrastructure Deep Learning Container Vorkonfigurierte und optimierte Container für Deep Learning-Umgebungen. Prototyping Ihrer KI-Anwendungen in einer portablen und konsistenten Umgebung
Deep Learning VM Image Vorkonfigurierte VMs für Deep Learning-Anwendungen Modelltraining und -bereitstellung beschleunigen
GPUs Leistungsfähige GPUs in Google Cloud für Machine Learning, wissenschaftliches Computing und 3D-Visualisierung. Beschleunigung von Rechenjobs wie Machine Learning und HPC
Bestimmte Arbeitslasten auf Ihren VMs beschleunigen
TensorFlow Enterprise Zuverlässigkeit und Leistung für KI-Anwendungen mit auf Unternehmen zugeschnittenem Support und verwalteten Diensten. Unternehmensentwicklung mit Langzeitsupport für bestimmte Distributionen fördern
Ressourcen auf CPUs, GPUs und Cloud TPUs skalieren
TensorFlow für verwaltete Dienste entwickeln und bereitstellen
Tagged: