, , ,

Künstliche Intelligenz: Von der Nischentechnologie zum Hype

Definition von künstlicher Intelligenz, Anwendung im Marketing und in der prudsys RDE Recommendation Engine & Zukunftsvision

Definitionen, KI im Marketing, KI im Handel & was die prudsys AG damit zu tun hat

Es gibt derzeit kaum einen Begriff, der branchenübergreifend so häufig ins Feld geführt wird, wenn es darum geht, die nächste disruptive Technologie zu benennen, wie den der künstlichen Intelligenz (kurz: KI). Egal, in welchem Medium ich mich dieser Tage bewege, überall springt mir das Thema KI direkt ins Auge.

Ein paar Beispiele:

  • KI war eines DER Themen der dmexco 2017.
  • Microsoft bewirbt aktuell bei Facebook das Webinar „Künstliche Intelligenz im Handel“.
  • t3n titelt: „Künstliche Intelligenz als Geschäftsmodell: Wie Unternehmen sie einsetzen können“ (Online-Version des Artikels „Das Fundament der künstlichen Intelligenz“ in Heft 48/2017).
  • Vor ein paar Tagen erhielt ich eine Einladung von Joachim Graf von ibusiness.de zum Online-Event „Wie KI, IoT und ML Marketing und Commerce neu erfinden“.
  • Die Lebensmittel Zeitung titelt in Ausgabe 41 vom 13. Oktober 2017: “Künstliche Intelligenz begeistert Händler“.

Bevor wir jedoch der Frage nachgehen, was an dem Hype dran ist, sollten wir klären, mit was für einer Technologie wir es überhaupt zu tun haben.

Was ist eigentlich künstliche Intelligenz?

Googeln Sie kurz und Sie werden schnell ein paar Dinge feststellen:

  • Es werden synonym verschiedene Begriffe verwendet:

Der deutsche Begriff heißt künstliche Intelligenz, abgekürzt KI. Seltener erscheint auch der Begriff artifizielle Intelligenz, abgekürzt AI oder A.I. Die wissenschaftliche Literatur benutzt den englischen Begriff artificial intelligence, abgekürzt AI. In der Praxis bedienen sich verschiedene Autoren synonym aller Varianten.

  • KI ist echte Wissenschaft, Mathematik, Algorithmen, Formeln.
  • Es gibt bis heute keine einheitliche Definition von KI. Das Feld ist riesig und je nach Blickwinkel und Hintergrund des Betrachters verändert sich die Definition.

Definitionen von künstlicher Intelligenz

Verschiedene Wissenschaften haben eigene Ideen, Fragestellungen und Techniken zum Thema künstliche Intelligenz beigetragen: Philosophie, Mathematik, Wirtschaftswissenschaften, Neurowissenschaft, Psychologie, Informatik, Regelungstheorie und Kybernetik sowie die Linguistik. Russel & Norvigs Definition von KI als „die Suche nach dem besten Agentenprogramm in einer bestimmten Architektur“ (eigene Übersetzung) erscheint mir für diesen Artikel als ungeeignet.

Dr. Vishal Sikka, CEO von Infosys, weist in seinem Bericht darauf hin, dass es bis heute keine wissenschaftlich anerkannte Definition von KI gibt. Er übersetzt die Definition des MIT-Professors Marvin Minsky KI als „jegliche Tätigkeit, die bisher nur durch menschliche Intelligenz durchgeführt werden konnte, die jetzt von einem Computer durchgeführt wird.“ Gute Beispiele sieht er in den Bereichen visuelle Wahrnehmung, Spracherkennung, maschinelles Lernen, Entscheidungsfindung und in der Verarbeitung natürlicher Sprache.

Alexander Korth, Head of Webmetrics, bricht es in seinem Interview in der Lead Digital auf einen kurzen Satz herunter: „Künstliche Intelligenz (KI) bedeutet per Definition nur, dass eine Maschine etwas tut, wozu ein Mensch Intelligenz bräuchte.“ Im gleichen Atemzug schränkt er die Universalität schlauer Algorithmen ein: „KI-Lösungen sind nur auf eine bestimmte Aufgabe oder einen Aufgabentypus anwendbar. Die Annahme, einen schlauen Algorithmus auf eine fremde Aufgabenstellung übertragen zu können, ist falsch.“

Auf Wikipedia wird künstliche Intelligenz als „Versuch, eine menschenähnliche Intelligenz nachzubilden, d.h., einen Computer zu bauen oder so zu programmieren, dass er eigenständig Probleme bearbeiten kann“ definiert.

Ganz ähnlich formulierte es John McCarthy bereits im Jahre 1955: „Das Ziel künstlicher Intelligenz ist es, Maschinen zu entwickeln, die sich so verhalten, als wären sie intelligent“ (zitiert von René Büst in t3n).

In der Praxis finden wir nirgends „die“ KI – dazu hat Oliver Schonschek einen sehr interessanten Artikel („Moral, Kreativität, Lüge: Gibt es überhaupt Grenzen der künstlichen Intelligenz?“ vom 27.9.2017) auf ibusiness.de veröffentlicht. Vielmehr erscheint künstliche Intelligenz in verschiedenen Funktionen, Anwendungen oder Services, wie zum Beispiel:

  • Sprache: künstlich intelligente Services hören, sprechen und antworten.
  • Wahrnehmung/Sehen: künstlich intelligente Anwendungen „sehen“ Bilder, d.h. sie erkennen Bildinformationen und werten diese aus.
  • Lernen/Erinnern: künstlich intelligente Dienste sammeln Daten, werten sie aus und lernen daraus.
  • Reaktion: künstlich intelligente Programme reagieren auf „Reize“ in Form von Daten oder Ereignissen und „tun“ etwas.

Künstliche Intelligenz im Marketing

Speziell im Marketing helfen KI-Services dabei, die stetig wachsenden Datenmengen zu analysieren, Muster im Nutzerverhalten zu erkennen und daraus Vorhersagen für unterschiedliche Anwendungen abzuleiten. Auch beim zielgenauen Ausspielen von Werbung, der Segmentierung von Zielgruppen für Mailings und vielen weiteren für Menschen zeit- und arbeitsaufwändigen Aufgaben spielen KI-Services ihre Trümpfe aus. Sie unterstützen Marketer bei Routineaufgaben. Gleichzeitig gewinnt die Kreation treffender Kampagnen noch mehr an Bedeutung.

Wo und wie KI im Marketing bereits heute eingesetzt wird und was die Zukunft bringen könnte, beleuchtet der Artikel „Realität und Zukunft: So wird KI im Marketing eingesetzt“ von Georg Loewen, Head of Marketing DACH bei Selligent, der am 13. Juli 2017 in der Internetworld Business erschien. Er nennt hier unter anderem – ganz ähnlich den o.g. Services – Empfehlungen beim Onlineshopping (durch Recommendation Engines wie die prudsys RDE), Chatbots im Kundendienst, digitale Assistenten im täglichen Leben (wie Wearables, Google Home, smarte Fitness-App, die KI von Netflix) und personalisierte Suchergebnisse.

Künstliche Intelligenz in der Lösungswelt der prudsys AG

Wir als prudsys AG beschäftigen uns bereits seit 1998 mit dem Thema KI. Unsere Personalisierungslösung, die prudsys Realtime Decisioning Engine (kurz: prudsys RDE), basiert auf künstlicher Intelligenz, die in den Gebieten Recommendations, Marketing Automation und Dynamic Pricing bestmögliche Ergebnisse für Händler und Kunden erzielt.

Jens Scholz, Gründer und heutiger Vorstand der prudsys AG, formulierte es kürzlich sehr treffend in einem Interview (hier im Blog). „Die prudsys AG beschäftigt sich seit der Gründungsphase mit künstlicher Intelligenz und der Automatisierung von Entscheidungen. […] Besonders spannend fanden wir die Herausforderung, Daten in Echtzeit zu messen, unmittelbar daraus zu lernen und die Ergebnisse auch in Echtzeit zurückzuspielen.“

Dr. Michael Theß, ebenfalls Gründer der prudsys AG, veröffentlicht sein Wissen in mehreren Fachbüchern, Fachartikeln und Vorträgen in den Bereichen Data Mining, Realtime-Analytics, künstliche Intelligenz und die Anwendung dieser Dinge in einer Personalisierungslösung für den Handel. Eins seiner Lieblingsbücher ist das über 1.000 Seiten dicke „Artificial Intelligence: A Modern Approach“ von Stuart Russel und Peter Norvig – DAS internationale Standard-Lehrbuch für künstliche Intelligenz. Neben mir liegt die 3. Auflage von 2010 (als PDF online).

prudsys beschäftigt Spezialisten in seinem Data Science Team, die tagtäglich an innovativen Verfahren forschen und die der prudsys RDE zugrundeliegende KI fortwährend optimieren. Dabei kommen hauptsächlich intelligente Funktionen aus den Anwendungsgebieten Lernen/Erinnern sowie Reaktion zum Einsatz.

Adaptives Machine Learning und Reinforcement Learning

Historisch betrachtet begann die Entwicklung unserer KI-Technologie beim Data-Mining. Mit der Verfügbarkeit großer Datenmengen entwickelte sich der Wunsch, immer größere Datenbestände (Stichwort: Big Data) zu analysieren, Muster zu erkennen und diese Erkenntnisse gewinnbringend zu nutzen. Data-Mining entwickelte sich weiter in Richtung Machine Learning, das weit über die reine Mustererkennung in Datenbeständen hinausgeht. Nach der Lernphase verallgemeinert „die Maschine“ das Wissen und kann es so auf unbekannte Daten anwenden. Lernte „die Maschine“ anfänglich nur aus statischen Datenbeständen, entwickelte sich schnell die Notwendigkeit, adaptiv (oder inkrementell) zu lernen. Beim adaptiven maschinellen Lernen lernt „die Maschine“ aus jedem neuen Datensatz, den sie verarbeitet. Das bringt deutliche Vorteile hinsichtlich der Geschwindigkeit (Stichwort: Echtzeit) und der Qualität. Letztere verbessert sich noch weiter, wenn „die Maschine“ zusätzlich für jede „gute“ Aktion eine Belohnung erhält. Das bezeichnet man als verstärkendes Lernen oder Lernen durch Belohnung und Bestrafung – neudeutsch Reinforcement Learning. „Die Maschine“ lernt, wie in potenziell auftretenden Situationen zu handeln ist, um den Nutzen des Gesamtsystems zu maximieren.

Das war die einfachste Zusammenfassung. Wikipedia bietet zu jedem einzelnen Stichwort einen guten und detaillierten Überblick. Spannend ist hier, wie ein Aspekt zum nächsten führt. Der korrekte Begriff für „die Maschine“ ist Algorithmus oder Agent – was uns wieder zur Definition von Russel & Norvig zurückbringt.

Nochmal im Detail: Wie intelligent ist die prudsys RDE?

Grundlage für alle Anwendungen der prudsys RDE sind Daten, die Aufschluss über den Kunden und seine Bedürfnisse geben. Dazu gehören zum Beispiel Verhaltensdaten, historische Daten, Transaktions- sowie CRM- und ERP-Daten. Die prudsys RDE erkennt Muster und Gesetzmäßigkeiten in den Daten und kann so mit Voranschreiten der Lernphase auch unbekannte Daten beurteilen (= Machine Learning). Das bedeutet, dass die prudsys RDE automatisch und in Echtzeit Personalisierungsregeln lernt – z.B. auf Basis von Klicks, Warenkörben, Käufen, externen und internen Suchanfragen, geklickten Kategorien und Bannern oder selbstgewählten Events. All diese Daten sammelt die Software selbstständig und vor allem fortwärend.

Die Algorithmen der prudsys RDE erkennen aber nicht nur das Kundenverhalten und reagieren darauf (z.B. mit individuellen Empfehlungen), sondern sie messen zugleich die Akzeptanz der ausgespielten Inhalte (= Reinforcement Learning). Wird eine ausgespielte Empfehlung vom Kunden akzeptiert, belohnt sich das System. Wird die Empfehlung nicht akzeptiert, erfolgt auch keine Belohnung. So lernt die prudsys RDE sukzessive und kann mit jeder Interaktion immer besser und zielgerichteter auf jeden einzelnen Nutzer eingehen.

Für den Einsatz der Recommendation Engine im Handel bedeutet das: Wenn Sie einen Algorithmus einsetzen, der nach dem Prinzip des Reinforcement Learning arbeitet, sind Sie in der Lage, den Nutzen Ihres „Gesamtsystems“ langfristig zu maximieren – ergo die entscheidenden Kenngrößen wie Absatz, Umsatz oder Ertrag.

Aber es geht noch weiter: Die prudsys RDE kann durch so genannte Exploit- und Explore-Mechanismen von den gelernten Mustern abweichen, z.B. um Produkte oder Inhalte zu empfehlen, die schon lange nicht mehr oder noch nie empfohlen wurden und damit nicht Teil des gelernten Regelwerks sind. Indem die prudsys RDE Alternativen oder neuen Varianten probiert, stellt sie sicher, dass ihr Lern- und Aktionsspielraum flexibel bleibt. Für den Endkunden bedeutet das, dass er immer neue Inhalte oder Produkte angeboten bekommt und nicht in einer Art Filterblase stets die gleichen Empfehlungen erhält.

Das bietet vor allem für schnell wechselnde Sortimente, z.B. in der Modebranche, große Vorteile: Produkte neuer Kollektionen oder Marken fließen sofort und automatisch in die Empfehlungen ein.

Was hat das mit Schach zu tun?

Die Funktionsweise der prudsys RDE ist vereinfacht gesagt mit der eines Schachcomputers vergleichbar: Die Software erkennt die „Züge“ des Kunden, antizipiert die Kette aller möglichen nächsten „Züge“ und gestaltet die eigenen Aktionen (z.B. Produktempfehlungen) so, dass sie „das Spiel“ (z.B. den Zielparameter Umsatzoptimierung) gewinnt.

Recommendations & mehr

Die prudsys RDE bietet außer den Empfehlungen noch viele weitere intelligente Services für den Einsatz im Omnichannel-Handel. Oder umgekehrt: Verschiedene Anwendungen der künstlichen Intelligenz werden genutzt, um weitere Services innerhalb der prudsys RDE umzusetzen.

Maschinelles Lernen hat neben dem Reinforcement Learning weitere algorithmische Ansätze, die die prudsys RDE nutzt:

  • (Adaptives) überwachtes Lernen (Supervised Learning): „Die Maschine“ lernt aus den vorhandenen Daten, wie sich verschiedene Eingabewerte (Attribute) auf ein Zielmerkmal auswirken. Ziel ist es, auf der Basis von Attributen das Zielmerkmal vorherzusagen.
  • (Adaptives) unüberwachtes Lernen (Unsupervised Learning): Hier versucht “die Maschine” ohne ein im Voraus bekanntes Zielmerkmal, in den Daten statistisch relevante Muster zu erkennen.

Algorithmen des überwachten Lernens finden u.a. Anwendung bei der Vorhersage von Warenkorb-Abbrüchen und Retouren im Bereich der Marketing Automation. Ziel ist jeweils die frühzeitige Erkennung von Kunden, die nicht kaufen bzw. oft Waren retournieren, um bereits während des Einkaufens mit geeigneten Maßnahmen den Käufer positiv zu beeinflussen. Dies geschieht zum Beispiel durch die automatisierte Ausspielung von Kaufanreizen, sogenannten Incentives. Aber auch die Berechnung von optimierten Preisen basiert auf Algorithmen des unüberwachten Lernens. Das zu optimierende Zielmerkmal ist hier je nach unternehmerischer Zielstellung die Maximierung von Gewinn, Umsatz oder Absatz. Nach der Lernphase berechnet der Algorithmus den Preis, der die Zielgröße maximiert.

Die prudsys RDE nutzt Algorithmen des unüberwachten Lernens (vor allem das so genannte Clustering), um das System mit Informationen über Zusammenhänge zwischen Produkten anzureichern. Menschliche Nutzer stellen die Beziehungen her, indem sie Produkte gemeinsam in den Warenkorb legen und/oder kaufen. Diese Informationen fließen nach der Mustererkennung direkt in „die Maschine“ für nachfolgende Aktionen zurück.

Was bedeutet künstliche Intelligenz für den Handel der Zukunft?

„Künstliche Intelligenz (KI) wird den Handel revolutionieren“, schlussfolgert das Marketingperformance-Unternehmen OMD aus seiner Studie „Retail Revolution“ gegenüber acquisa. Gemeinsam mit der Goldsmiths University London befragten die Experten mehr als 15.000 Verbraucher in 13 europäischen Ländern nach ihrer Wahrnehmung und ihrem Verhalten in Zusammenhang mit Artificial Intelligence (AI) im Einzelhandel. Im Fokus steht nach Meinung der Experten vor allem die Optimierung des Kommunikationsprozesses zwischen Unternehmen (Marken) und Verbrauchern mit Hilfe intelligenter Services.

Alexander Korth sieht für den Handel auch in fünf Jahren noch große Unterschiede zwischen den Händlern je nach Branche und Größe. Er sieht jedoch einen gemeinsamen Trend: Händler bauen mehr Wissen über ihre Kunden auf, indem sie es aus bisher nicht vernetzten Systemen zusammenführen und um externe Daten anreichern. Diese Kundenprofile führen dazu, dass Händler mit Kunden mit der richtigen Botschaft auf dem richtigen Kanal kommunizieren.

Wird durch künstliche Intelligenz das Marketing überflüssig?

Nein, aber es wird sich verändern. Die Erwartungen sind sehr hoch: Rund 55 Prozent der in einer Studie von KRC Research befragten Marketingentscheider „sind davon überzeugt, dass künstliche Intelligenz die Marketingbranche stärker verändern werde als es die sozialen Medien geschafft haben“, resümiert Georg Loewen. Bereits heute arbeiten viele Lösungen mit KI, allerdings sieht man das nicht.

Auch Adobe DACH thematisiert die Herausforderungen des modernen, datengetriebenen, digitalen Marketings und die Notwendigkeit intelligenter Tools „die es erlauben, nicht nur die Informationen zu sammeln und zu verstehen, sondern daraus auch die richtigen Schlüsse zu ziehen – um den Kunden dann in Echtzeit das richtige Erlebnis auszuspielen.“

Der Futurist Gerd Leonhardt fasst es in einem Interview in der Zeitschrift acquisa vom 2. August 2017 in einem knackigen Satz zusammen: „Alles, was Routine ist und auf Zahlen und mathematischer Intelligenz beruht, können Maschinen besser als wir.“ Auch wenn hier Routinejobs wegfallen, ist es eine Chance für das Marketing, denn genau das „gibt uns dann die Freiheit, uns auf das zu konzentrieren, was wirklich zählt: relevante Stories entwickeln, Beziehungen aufbauen, unsere Kunden verstehen, gemeinsam Kampagnen entwickeln. Das sind menschliche Aufgaben, die nur Menschen erledigen können.“

Fazit

Künstliche Intelligenz ist längst Realität. Noch ist sie für die meisten Menschen unsichtbar und arbeitet im Hintergrund. Wenn wir online shoppen und Newsletter lesen, begegnen wir ihr bereits täglich. Das Thema erfährt derzeit einen Hype, der auch moralische Bedenken und Ängste in der Gesellschaft schürt. Selbst Internet-Pioniere wie Bill Gates und Elon Musk sehen die aktuellen Entwicklungen der künstlichen Intelligenz kritisch. Irmela Schwab (Autorin bei W&V und Lead Digital) zeigt in der Lead Digital 10/2017 sehr anschaulich die Grenzen von künstlich intelligenten Assistenten auf. Sie erinnert an die Einführung der EU-Datenschutz-Grundverordnung ab Mai 2018 und deren Auswirkungen auf die Nutzung von Daten im Marketing und als Trainingsdaten für die KI. Und sie plädiert für eine strategisch durchdachte Einführung künstlich intelligenter Systeme: „Damit das Tandem Mensch-Maschine gut als Team arbeitet, statt sich zu bekämpfen, müssen zuvor genaue Zukunftsszenarien überlegt und Regeln darauf abgestimmt werden“, fasst Schwab ihr wichtigstes To-Do für den Umgang mit KI zusammen. In der Praxis profitieren viele Branchen von künstlich intelligenten Helferlein, die wiederum den Menschen das Leben einfacher machen. Ganz langsam halten Anwendungen im Bereich Smart Home und digitale Assistenten auch im täglichen Leben Einzug.

Gut zu wissen: Künstlich intelligente Systeme erledigen immer nur eine Sache, dafür werden sie trainiert und diese eine Sache können sie extrem gut. „Computer sind gut in abgeschlossenen Environments zu arbeiten – Schach und Go, Klickverhalten und Maschinensteuerung. Sobald man das Bekannte verlässt, sobald es mehr als einer Fertigkeit bedarf, ist die natürliche Blödheit der künstlichen Intelligenz überlegen: Schachcomputer sind ziemlich unbegabt zum Fußballspielen, Schweißroboter sind keine guten Klavierspieler“, fasst es Joachim Graf, Zukunftsforscher, Publizist und Herausgeber von ibusiness.de in seinem spitzzüngigen Kommentar zusammen.

0 Kommentare

Ihr Kommentar

Sie haben weitere Anmerkungen zu diesem Thema?
Wir freuen uns auf eine spannende Diskussion.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.