Künstliche Intelligenz – was bedeutet das eigentlich?

Digitalisierung, Transformation, Industrie 4.0, Start-Ups, CDOs usw. sind “Buzzwords”, die uns in den letzten Jahren in allen Belangen unseres Lebens auf irgendeine Art und Weise verstärkt beschäftigen. Kaum zu denken, ohne Handy zu (über)leben, ohne Internet zu recherchieren oder ohne digitaler Anzeige den nächsten Zug zu erwischen. Eine Sache, die uns dabei ebenfalls ständig begleitet, ist das Thema künstliche Intelligenz.

Was bedeutet eigentlich künstliche Intelligenz?

Künstliche Intelligenz bzw. Artificial Intelligence (AI) ist die Automatisierung intelligenten Verhaltens. Ziel ist es, bestimmte Aspekte des menschlichen Denkens auf den Computer zu übertragen. AI bedeutet ebenfalls, dass ein System eigenständig Probleme lösen kann. Es bezeichnet die Lernfähigkeit von Programmen.

Eine der Voraussetzungen für AI ist, dass sie Schlussfolgerungen selbstständig ziehen kann und dadurch befähigt ist, neue, nicht von Menschen programmierte Entscheidungen zu treffen. Es handelt sich allgemein gesagt um mathematische Operationen (statische Analyseverfahren = Wahrscheinlichkeitsrechnungen), die “erweitert” werden: Lineare Regressionen (Einflussgrößen X und Zielgröße Y), logistische Regressionen etc.

Allgemein besteht ein Unterschied zwischen künstlicher Intelligenz, Machine Learning und Deep Learning. Anhand eines “Schüler”-Beispiels ist dies etwas genauer erklärbar:

Künstliche Intelligenz (AI) ist die genaue Vermittlung von Informationen an einen Schüler, die er lernen soll. Ohne der künstlichen Intelligenz wären also weitere Schritte gar nicht möglich bzw. würden nicht existieren.

Deep Learning ist ein Teilbereich des maschinellen Lernens, der zum Einsatz kommt,  wenn andere maschinelle Lernverfahren an Grenzen stoßen. Ein Problem mit klassischen Machine-Learning-Methoden ist zeitintensives Feature Engineering, wofür üblicherweise auch ein hohe Domain-Expertise nötig ist. Bei Deep Learning kann auf dieses manuelle Feature Engineering verzichtet werden. Hier werden über mehrere Schichten viele Eingabedimensionen von selbst auf Features reduziert, die für die korrekte Bestimmung der Ausgabe notwendig sind.

So können z.B. aufgrund persönlicher Gewohnheiten Filme in einer Online-Bibliothek vorschlagen werden, die zu mir passen. Hier werden Metriken wie Verweildauer, Vorlieben für Genres und Bewertungen ausgewertet. In der Gesundheitsbranche geht dies noch tiefer – z.B. werden DNA-Proben oder Zusammenhänge zwischen Krankheitserreger und Keimen analysiert.

AI, Machine Learning und Deep Learning
AI, Machine Learning und Deep Learning


Welche Vorteile soll uns künstliche Intelligenz im Online Marketing Bereich bieten?

  • Übernahme von monotonen und immer wiederkehrenden Aufgaben
  • KI soll volles Potential aus Daten schöpfen, um dadurch gezielt Kunden ansprechen zu können (u.a. auch für die Neukundenakquise)
  • Automatische Kampagnen-Aussteuerung bzw. Generierung zu vom System definierten Zeitpunkten
  • Personalisierungsmöglichkeiten z.B. im Online-Shop
  • Integration von Recommendations (Empfehlungen – z.B. “Kunden die X gekauft haben, haben auch Y gekauft”)
  • Übergabe von Daten an Social Media (z.B. für Facebook Product Ads)

Deep Learning bzw. künstliche Intelligenz im Allgemeinen soll also mehr oder weniger den Arbeitsalltag erleichtern und durch Kombinationen von Daten gewisse Schritte einleiten, um z.B. Landing Pages anzupassen, Lieferadressen abzugleichen oder flexible Benutzerverwaltungen automatisch zu generieren.

Nicht nur Google nützt inzwischen die Möglichkeiten von künstlicher Intelligenz, sondern auch viele andere Tools wie RYVE, Certona, SAP Hybris, IBM, Salesforce Einstein usw.
Auch im Industriebereich findet AI natürlich in verschiedensten Bereichen Verwendung und auch Facebook nützt diverse Möglichkeiten in Bezug auf automatische Chatbots und Werbeausspielungen. Jedes Ergebnis von Suchanfragen auf Facebook wird von künstlicher Intelligenz und dem Kombinieren und Auswerten verschiedenster Daten beeinflusst.

AI-Checklist – wichtig zu wissen:


– AI-Algorithmen benötigen eine gewisse Zeitspanne, um zu “lernen”.
– AI kann Prozesse vereinfachen bzw. intelligent automatisieren, ist jedoch nicht fehlerfrei. Eine Kontrolle (besonders anfänglich) ist unumgänglich.
– Allgemein ist AI (noch) nicht fehlerfrei. Man spricht hier allgemein zwar von einem sehr hohen “Genauigkeitsgrad” in den verschiedenen Anwendungen, der allerdings nicht immer 100% erreichen kann. Dies macht z.B. die Verwendung in der Medizin oder in der Flugzeugtechnik etwas komplizierter bzw. auch gefährlicher.  Künstliche Intelligenz kann z.B. Mediziner bei der Auswertung komplexer Labordaten unterstützen. Ein Anwendungsbereich kann etwa sein, mikroskopisch oder endoskopisch aufgenommene Bilder von Zellen, Geweben oder Schleimhautoberflächen auf verdächtige Merkmale hin zu untersuchen. Dabei werden u.a. Methoden der wissensbasierten Bilderkennung und Mustererkennung eingesetzt

Anwendungsbereiche: Von Luftfahrt bis Cross-Channel 

Autonomes Fliegen wird hingegen voraussichtlich noch eher ein Zukunftstraum bleiben. Auch wenn einige Fluginstrumente und Geräte in Flugzeugen ebenfalls mit einer Art “Machine Learning” funktionieren, ist ein Fliegen ohne Pilot wohl noch nicht denkbar. Vor allem in Notsituationen kann man auf den Faktor Mensch (noch) nicht verzichten. Die Firma Airbus arbeitete hier beispielsweise schon seit längerem an derartigen Entwicklungen u.a. für Head-Up Displays (HUD). 

Airbus Cockpit mit HUDs
Airbus Cockpit mit HUDs © Airbus


Die gleiche Vorgehensweise gilt auch für autonome Züge. Hier wird im ersten Schritt eher ein halbautomatischer Zugbetrieb bevorzugt, wie er heute teilweise schon im Einsatz ist (z.B. automatisches Bremsen oder eine computergesteuerte Höchstgeschwindigkeit).

Cross-Channel-Marketing: foodora mit KI-Technologie

Im “klassischen” Online-Marketing, im sogenannten Cross-Channel-Bereich (Verbindung der Offline- und Online-Welt), kann man als Beispiel für die positive Implementierung von KI-Lösungen foodora nennen. Das deutsche Lieferservice-Unternehmen implementierte eine KI-Technologie, die die Daten von konvertierenden Neukunden analysiert. Mit diesem Ergebnis konnten weitere potentielle Zielgruppen anhand des Datenmusters logisch geschlussfolgert werden. Dieses Kundencluster wurde dann durch eine großflächig angelegte Display Kampagne angesprochen. Dadurch wurden innerhalb weniger Tage Millionen Neukunden erreicht und der Kundenstamm langfristig ausgebaut. Auch die Conversions stiegen an. foodora nutzt außerdem Alexa, die ja ebenfalls auf einer Art “künstlicher Spracherkennung basiert. (Links: 1 und 2

Google Shopping Bid Management: Whoop!

Auch smecs Google-Shopping-Tool Whoop! nützt diverse Möglichkeiten der künstlichen Intelligenz, um aus möglichst vielen Datenkombinationen zu lernen und so die optimalen Gebote auszuspielen. Hier darf aber der “menschliche” Aspekt nicht fehlen und dementsprechend kann man über das Whoop! Backend dem Algorithmus “befehlen”, wie er in welchen Situationen agieren soll.

Screenshot Whoop!
Screenshot Whoop!

Attribution, Chat Bots und mehr

Zukünftige Google Tools wie “Attribution” knüpfen ebenfalls an den Möglichkeiten der künstlichen Intelligenz an – in Kombination mit Google Analytics, Google Ads etc.  
Auch datengetriebene Attributionsmodelle sind hier eingeschlossen.

Im Bereich Programmierung gibt es verschiedene Frameworks bzw. Systeme wie TensorFlow, Matlab oder Theano zur datenstromorientierten Programmierung. Die Integration funktioniert programmiertechnisch meist über die “Import”-Funktion einer Library (z.B. TensorFlow).

Einfacher Code für simple künstliche Intelligenz aus einem Videospiel (Quelle)
Einfacher Code für simple künstliche Intelligenz aus einem Videospiel (Quelle)


Die Einbindung derartiger “AI-Tools” ist aber teilweise auch schon sehr einfach über WordPress Plug-Ins etc. möglich bzw. auch für Mailchimp, Drupal etc. vorhanden (Chatbots, Facebook-Messenger-Automatisierung, Personalisierung etc.). So können auch schon “normale” End-User frei damit experimentieren.

Chatbots und Künstliche Intelligenz - Quelle
Chatbots und Künstliche Intelligenz (Quelle)

 

Grenzen der künstlichen Intelligenz

Die Verwendung von digitalen Medien – egal in welcher Art und Weise – ist inzwischen selbst bis indigenen Völkern im tiefsten Südamerika vorgedrungen. Ob dies positiv oder negativ ist, will ich hier nicht beurteilen. Ich traue mich aber, den Unterschied im Nutzungsverhalten der jeweiligen User zu bewerten. Nehmen wir hier das Beispiel Smartphone her: In Marokko wird die Google Bildersuche genauso genützt wie in den USA, Österreich oder Panama. Die Google Bildersuche baut ebenfalls auf Algorithmen auf und wendet hier dementsprechend Parameter der künstlichen Intelligenz in der Verbindung von gezielten Erkennungsmustern zwischen den Bildern an.

 

Herausforderung Google Bildersuche


Bei einer Suche z.B. nach „Toilette“ werden hauptsächlich Toiletten angezeigt, die eher der “westlichen Weltanschauung” einer Toilette entsprechen: Saubere, gepflegte Toilettensitze mit Spülung, Klobrillen und jeglichem Komfort. Dass allerdings in den meisten Teilen der Welt derartige Toiletten nicht vorhanden sind, weiß diese „maschinelle Bildersuche“ im Abfragemoment ja nicht.

Natürlich passt Google hier das Suchergebnis der Bilder dem jeweiligen Suchanfrage-Standort an, aber dennoch – die Frage welche Toilette hier angezeigt werden soll, wenn der User danach sucht, bleibt in diesem Beispiel doch sehr komplex. Man kann eine mögliche Grenze erkennen, welche maschinell nicht wirklich überschritten werden kann, da dieser Punkt einfach zu menschlich und von verschiedensten Faktoren abhängig ist (dazu auch ein interessanter Artikel in der Printausgabe des Standard 18./19 November 2017).

Derartige Themen und Gegebenheiten sollten auch im Online-Marketing z.B. in Bezug auf usergerechte Werbung beachtet werden. Im europäischen bzw. nordamerikanischen Raum ist dies vielleicht in Bezug auf das Toilettenbeispiel noch nicht ganz so wichtig. Versucht man aber, neue Märkte wie Afrika oder den asiatischen oder südamerikanischen Raum zu erschließen, dann spielt dies definitiv eine wichtige Rolle. Hier wird künstliche Intelligenz speziell in der Anfangsphase von neuen Werbemaßnahmen nicht unmittelbar signifikant unterstützen können.

Falsche Produktempfehlungen

Weitere Grenzen der künstlichen Intelligenz sind auch eher banale Themen wie die Anzeige falscher Produkte in in den Recommendations, die für den User nicht interessant sind bzw. keinen Zusammenhang zueinander haben. Es handelt sich um Annahmen, die im Vorfeld getroffen werden müssen und die bei zu vielen Algorithmen gar nicht mehr korrekt ausgeführt werden können. Es ist hier gar nicht mehr möglich, die “Richtigkeit” anhand statistischer Relevanz zu überprüfen.

Bei dem vorigen Onlineshop-Beispiel ist die negative Auswirkung der falschen Produktempfehlungen vielleicht noch abschätzbar, bedrohlicher werden derartige “Bugs” im Bereich der KI erst bei autonomen Fahrzeugen oder automatischer Waffensysteme. Es gibt hier keine allgemeine oder einheitliche Formel, welcher Algorithmus für welche Anwendung geeignet ist. Je weitreichender die Einsatzgebiete solcher Algorithmen sind, umso gefährlicher sind mögliche Fehlschlüsse oder Ungenauigkeiten solcher Systeme.

Am Ende darf der Hausverstand nicht fehlen

Künstliche Intelligenz ist definitv ein Zukunftsthema, das schon heute in unseren Alltag integriert ist. Die Herausforderung ist es neben dem Erfassen von Daten auch, diese zu modellieren und komplexe Aussagen daraus treffen zu können. Dazu benötigt es nicht nur “klassische” Informatiker, sondern auch Statistiker, Marketingprofis und Visionäre, die über den Code und Zahlen hinausblicken,  um konkrete Aussagen treffen zu können. Und am Ende des Tages darf natürlich der gesunde menschliche Hausverstand nicht fehlen. Und dies ist womöglich die größte Herausforderung.

Weitere interessante Links zu diesem Thema:

https://www.fraunhofer.de/de/forschung/forschungsfelder/kommunikation-wissen/kognitive-maschinen-kuenstliche-intelligenz-ki.html

https://www.aiaustria.com

https://scilogs.spektrum.de/gehirn-und-ki/kuenstliche-intelligenz

Vielen Dank auch an unseren Data-Science-Experten Thomas Grubinger für seinen Beitrag zu diesem Artikel.