Wir reden viel über „Big Data“ und Deep Learning Netzwerke, die Unmengen an Daten benötigen. Dabei kann es so einfach sein – jedenfalls im Marketing. Um Kundenprofile zu erstellen bedarf es nur weniger Informationen:

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag „Mögen Sie Mayonnaise?“ – 5 Fragen, deren Antworten darauf ein User-Profil zu 80% abbilden erschien zuerst auf Nerdwärts.de.

Der Themenkreis des Evolutionary Computings bezieht sich auf einen eigentlich schon älteren Ansatz in der KI-Forschung, der versucht, aus dem natürlichen Prinzip der Evolution Ableitungen für die Lösung von Computerproblemen zu finden.

In der biologischen Evolution werden die Gene von Organismen ständig natürlichen Mutationen unterzogen, was in der Folge zu genetischer Vielfalt führt. Aus einer „Fortpflanzung“ entstandene „Erbengenerationen“ nehmen diese Mutationen auf und kombinieren deren Erbgut womöglich. Im Abgleich mit herrschenden Umweltbedingungen entsteht ein „Anpassungsdruck“, der zur (natürlichen) Selektion –  beziehungsweise „Eliminierung“ – führt, so wie es in Charles Darwins Postulat des „survival of the fittest“ zum Ausdruck kommt.

Darwin + KI: Evolutionäre Algorithmen

In einer vereinfachten Art und Weise übernimmt das Evolutionary Computing in der Informatik dieses Prinzip und wendet es meist auf die Lösung von Optimierungsproblemen an. Als Vorteil wird dabei gesehen, dass es damit zwar möglich ist, eine Vielzahl unterschiedlicher Fragestellungen zu verfolgen, gleichwohl lediglich eine vergleichsweise geringe Menge spezifischen Problemlösungswissens dazu vonnöten ist. Stattdessen muss nur eine „Fitness“-Funktion aufgestellt werden, die auf die möglichen „Lösungskandidaten“, bezogen werden kann und die es dabei gilt, zu optimieren. Aus der Fitness-Funktion lässt sich die „Güte“ oder „Passgenauigkeit“ eines Lösungskandidaten ableiten, sie beurteilt diesen also daraufhin, wie gut er zur Lösung des Optimierungsproblems geeignet erscheint.

Evolutionäre Algorithmen vs. Backpropagation

Als Alternative zur sogenannten Backpropagation finden Evolutionäre Algorithmen auch innerhalb künstlicher neuronaler Netzwerke Verwendung. Der Unterschied der beiden Verfahrensweisen liegt darin, dass bei Backpropagation ein „Gradientenverfahren“ (englisch „gradient descent“) Anwendung findet, wobei die Ergebnisse stetig verbessert werden, indem die Lösung gewissermaßen durch einen „Zick-Zack-Kurs“ schrittweise immer enger „eingekreist“ wird – also die Gewichtungen der Inputs nach und nach entsprechend der Fehleranalyse und „Ursachenforschung“ justiert werden.

Im Gegensatz dazu agieren Evolutionäre Algorithmen deutlich „zufälliger“ bei der Änderung der Gewichtungsparameter, was ihnen oft den Vorwurf der Ineffizienz einbrachte. Die Parallelität der Aktionen ermöglicht jedoch auch eine breiter ausgelegte und weniger „starre“ Anwendung. Dazu wird zunächst, weitgehend per Zufall, ein „Genom“ festgelegt, das dann, abhängig davon, wie gut es sich einpasst – also: wie gut es ein spezifisches Problem löst – mit anderen „Phänotypen“ und „Mutationen“ „reproduziert“ wird. Dies geschieht nicht nur mit einem Genom, sondern mit vielen Varianten gleichzeitig. Diese lassen sich miteinander kombinieren, also gewissermaßen „veredeln“. Anders als bei der Backpropagation werden „schlechte“ Bestandteile nicht an ihrer „Wurzel bekämpft“, sie „mendeln“ einfach aus, das heißt: ähnlich der biologischen Evolution findet eine Selektion lediglich nach der Passgenauigkeit, dem Ergebnis des Mutationsprozesses, statt.

Evolutionäre Algorithmen & Maschinelles Lernen

Während „Backpropagation“ oft nur mit dem überwachten Lernen in Verbindung gebracht wird, können Evolutionäre Algorithmen auch im Rahmen des unüberwachten Lernens, bei der Mustererkennung, und vor allem des Reinforcement Learnings Anwendung finden. Schließlich geht es ja auch in der Evolution darum, neue, noch nicht bekannte oder existierende Lösungen zu finden oder durch die „Belohnung“ der Selektion einen Anreiz für Passgenauigkeit zu identifizieren.

Derzeit ist noch umstritten, welche Rolle diese evolutionären Ansätze bei der weiteren Entwicklung von KI spielen werden, ob sie insbesondere auch ein Gegenentwurf oder eher eine Ergänzung zu Deep Learning und der aktuellen Funktionsweise von Künstlichen Neuronalen Netzwerken oder möglicherweise eine neue Entwicklungsstufe darstellen. Für manche verkörpern sie sogar einen wichtigen Meilenstein zu einer künstlichen Reproduktion „echter“ menschlicher Intelligenz, die sich auch ändernden Umweltbedingungen flexibel anpassen kann.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Evolutionäre Algorithmen: Die nächste Entwicklungsstufe der KI? erschien zuerst auf Nerdwärts.de.

Diese „3 A“ des KI-Marketings umfassen:

•             Analysieren

•             Automatisieren

•             Autonom agieren.

Alle drei Kategorien beschreiben grundlegende Einsatzbereiche für KI. Die Basis dafür bildet stets eine zunehmend angereicherte Form der Datenverarbeitung. Die hinter dieser Leistung stehende „Intelligenz“ nimmt dabei schrittweise zu.

Der Aspekt des Analysierens umfasst sämtliche Aufgaben der Datenerfassung und Dateninterpretation. Damit wird zugleich die Grundlage für die Funktionsfähigkeit intelligenter Systeme geschaffen sowie auch die für jede Form von Marketing wichtige Funktion der Informationserhebung und Schaffung von Entscheidungsgrundlagen beschrieben.

Automatisieren bezieht sich auf die darauf aufbauende Fähigkeit, weitgehend losgelöst vom weiteren individuellem Eingreifen, eben „automatisch“, zwar grundsätzlich eigenständig, aber entlang vorab definierter Rahmenbedingungen spezifische Aufgaben auszuführen.

Autonom agieren beschreibt hingegen eine eigenständige Handlungsfähigkeit eines Systems, auch ohne eine „Rückkoppelung“ mit festgesetzten „Aktionsmaximen“ und die Befähigung, womöglich eigene autonome Prozesse ohne menschliches Zutun zu etablieren.

Im Detail soll dieses Stufenmodel im Folgenden beschrieben werden:

 „A“ wie „analysieren“: Daten sammeln und strukturieren, Muster und Gesetzmäßigkeiten ableiten.

Wie schon angeführt, spielt die Verarbeitung von Daten zum Ziel der Informationsgewinnung im Marketing schon seit längerem eine zunehmend tragende Rolle. Das Diktum „Kenne Deinen Kunden!“ prägt die Arbeit in den Vertriebs- und Werbeabteilungen vieler Unternehmen; „Kennen“ und „Kunde“ haben den gleichen Wortursprung, sie sind etymologisch verwandt. Nur wenn die Vorlieben und Bedürfnisse und die Verhaltensweisen der Kunden bekannt sind, ist eine zielgerichtete Bearbeitung der Märkte möglich.

Gleiches gilt für die Anforderungen der Märkte selbst: Welche Bedingungen bestehen dort? Welche Konkurrenten existieren und wie verhalten sich diese? Zeichnen sich grundlegende Veränderungen und Trends ab, die das Marktgeschehen beeinflussen könnten? Diese und ähnliche Fragestellungen treibt Unternehmen nicht erst seit der Digitalisierung um. Die Analyse von Datenmaterial steht am Anfang aller KI-Tätigkeit. Daten bilden gewissermaßen die „Nahrung“ künstlicher Intelligenz, mit ihnen werden Künstliche Neuronale Netzwerke gefüttert, auf ihrer Basis können Algorithmen lernen und zielgerichtete Ergebnisse liefern. Wenn wir also von KI im Marketing sprechen, so bezieht sich dies zwangsläufig auf eine Form der „Daten getriebenen“ Marktbearbeitung – mindestens unterstützt oder auch maßgeblich gesteuert durch intelligente, autonom agierende Systeme. Die „intelligente“ Leistung besteht damit dann in der eigenständigen Prognose, nicht basierend auf menschlichen Annahmen und „Dreisätzen“, sondern darin, unabhängig davon Muster und Gesetzmäßigkeiten zu identifizieren.

Auf diese Weise werden nicht nur die Grundlage für automatisiertes oder autonomes Handeln geschaffen, sondern gleichzeitig auch bereits wichtige Erkenntnisse für das operative Marketing gewonnen. Neben allgemeinen Informationen zu Kunden und Märkten und der Identifizierung von „Trends“, finden diese Verwendung beispielsweise bei der Ansprache potenzieller Vertriebskontakte und der Vermeidung von Streuverlusten durch die daraus resultierende Möglichkeit der Individualisierung und Personalisierung.

Auch unternehmensinterne Informationssysteme können durch KI unterstützt oder maßgeblich geprägt werden. Die Vielzahl an Daten unterschiedlichster Herkunft und Beschaffenheit – „strukturiert“ oder „unstrukturiert“, in Text-, akustischer oder visueller Form – verhindert oft eine Erfassung und Auswertung nach herkömmlichen Methoden. Auch hier können Ansätze künstlicher Intelligenz womöglich Abhilfe schaffen. Diese in der Praxis teilweise auch als „Insight Engines“ bezeichneten Systeme decken Zusammenhänge auf und machen Wissen auf eine Art und Weise zugänglich, wie dies zuvor bestenfalls bei Googles Knowledge Graph bekannt war, indem diese ohne menschliche Anleitung sinnhafte Beziehungen von einzelnen Informationen untereinander ermitteln und diese durch eine entsprechende Abbildung für den Menschen zugänglich und konsumierbar machen.   

Um überhaupt zunächst ein KI-System „füttern“ zu können, bedarf es einer großen Anzahl von Datensätzen, die Rückschlüsse auf sinnvolle Kausalitäten und mögliche Wechselbeziehungen zwischen einzelnen Datenmerkmalen („Items“) zulassen. Nur wenn die Datenbasis qualitativ wie quantitativ höchsten Anforderungen genügt, sind diese Systeme auch in der Lage, einen sinnvollen und substanziellen Beitrag zum Unternehmenserfolg zu leisten.

Der Vorteil maschinellen Lernens, insbesondere von Deep Learning, gegenüber klassischen Verfahren des Data Minings liegt in der Fähigkeit, großen Mengen an Daten zu verarbeiten und dabei unter Umständen Zusammenhänge herzustellen, die bei herkömmlichen Vorgehensweisen nicht hätten erkannt werden können. Um dies sicher zu stellen, ist es noch wichtiger als in der rein menschlichen veranlassten Algorithmik, dass die zugrundeliegenden Daten „fehlerfrei“ vorliegen, denn mit steigendem Autonomiegrad eines Systems erhöhen sich auch die Schwierigkeiten, im Nachhinein eine unerwünschte oder schlichtweg „falsche“ Ausgabe auf den eigentlichen Fehler zurückzuführen, da der Pfad der Ergebnisfindung womöglich nur noch schwer nachzuvollziehen ist.

„A“ wie „automatisieren“: eigenständig Aufgaben innerhalb eines definierten Handlungsrahmens erfüllen

Schon seit geraumer Zeit hat sich der Begriff der Marketing Automation im digitalen Marketing etabliert. Dabei geht es um die weitgehend unabhängig vom menschlichen Eingriff ablaufende Abwicklung verschiedener, sich wiederholender Marketingprozesse in den einzelnen Segmenten des Marketing-Mix, wenngleich der Schwerpunkt in der Praxis auf der Verzahnung von Werbe- und Vertriebstätigkeiten liegt. Hier besteht seit längerem ein wachsender Markt von gewerblichen Anbietern, deren Leistungsportfolio sich durch den Rückgriff auf Technologien aus dem KI-Umfeld zunehmend erweitert.

Grundsätzlich lässt sich Marketing-Automation in drei grundlegende Bereiche unterteilen:

• Marketing Workflow Management (die Automatisierung der internen Marketingprozesse)

• Marketing Intelligence (die automatisierte Sammlung und Auswertung von Daten) und

• Marketing Dialogue Processing (automatisierte Abwickeln und/oder Steuern des Kundendialogs)

Zu den Details, hier entlang.

„A“ wie „autonom agieren“: eigenständige Handlungsfähigkeit und autonome Prozesse etablieren

Die Endstufe zum Einsatz von KI im Marketing markiert zweifelsohne deren völlige Eigenständigkeit. Gleichwohl ist festzuhalten, dass natürlich der Nutzen eines „vollständig autonomen Systems“ für die betriebliche Tätigkeit eines Unternehmens wohl kaum zielführend wäre, wenn nicht eine wie auch immer geartete Abgleichung mit dessen Zielen an irgendeiner Stelle stattfindet. Auch dürften derartige „singuläre“ Fähigkeiten im Moment technisch noch schwer abbildbar sein. Nichtsdestotrotz zeichnet sich bereits jetzt schon ein fließender Übergang zwischen „automatisierten“ und zumindest „teil-autonomen“ Ansätzen ab, insbesondere, wenn der oben angeführte Ansatz des Verstärkungslernens zum Einsatz kommt. Eine exakte Klassifizierung nach „automatisiert“ und „autonom“ gestaltet sich somit allerdings schwierig.

„Autonomie“ steht für „Selbstbestimmung“, was gleichbedeutend ist mit der Freiheit von extern aufgestellten Normen. In der Psychologie wird der Begriff auch mit „Willensfreiheit“ gleichgesetzt. Ein autonomes System ist nicht an zuvor definierte Regeln gebunden, sondern kann seinerseits neue Regelwerke aufstellen und diese selbsttätig zur Maßgabe des eigenen Handelns machen – oder auch wieder verwerfen, wenn sich eine andere Herangehensweise als sinnvoller erweist. Eine solche KI muss jedoch nicht zwingend einer der Science Fiction entlehnten „Zielvorstellung“ einer umfassenden, „generellen“ künstlich geschaffenen Intelligenz entsprechen, die in der Lage ist, vollumfänglich menschliche Verhaltensweisen und Denkmuster nachzubilden. Ein hoher Autonomiegrad kann auch innerhalb bestimmter, abgegrenzter Funktionsfelder und für spezifische Aufgabenstellungen erzielt werden.

Anwendungsgebiete der 3A

Derartige Ansätze, die auf eine hohe Eigenständigkeit des intelligenten Systems innerhalb eines definierten Aktionskorridors setzen, finden sich insbesondere in der intelligenten Verkehrssteuerung, beim „autonomen“ Fahren, militärische Anwendungen – Drohnen, militärische Robotersysteme – zählen ebenso hierzu. Auch diese werden natürlich nicht frei von jeglichen Regeln „trainiert“, sondern auf Basis eines vorab festgelegten „Verhaltenskodexes“ (beispielsweise Verkehrsregeln, „Entschlüsselung“ und Bedeutung von Verkehrsschildern) „angelernt“. 

Dabei steht beim Lernen dieser Systeme oft eine Ergebnisorientierung im Vordergrund. Je nach Aufgabe erscheint nicht zwingend der Weg hierzu entscheidend, sondern ist stattdessen allein oder in erster Linie die tatsächliche Erreichung eines in irgendeiner Form quantifizierbaren Zieles Ausschlag gebend. Daher stellt, wie bereits erwähnt, das Reinforcement Learning meist eine sinnvolle Trainingsmethode in diesem Kontext dar. Dieses kann aber durchaus zuvor, auf dem Weg zur Autonomie, durch die anderen Trainingsverfahren flankiert werden oder auf deren Ergebnissen aufbauen.

Im betriebswirtschaftlichen Aufgabenfeldern, insbesondere im Marketing, scheinen entsprechende Entwicklungen noch vergleichsweise schleppend voranzugehen. Wir befinden uns derzeit offensichtlich noch sehr am Anfang des Weges von der Marketing-Automation zur Marketing-Autonomisierung durch KI. Gleichwohl zeichnen sich auch hier erste Anwendungsmöglichkeiten ab. Intelligente Systeme, die eigenständig Kennzahlen und KPIs („Key Performance Indicators“) aus einer Vielzahl an im Unternehmen vorliegender Daten ermitteln und deren Erfolgswirksamkeit von der KI selbst anhand der späteren Entwicklungen in der Realität autonom evaluiert wird oder auch wirklich „intelligente“ und eigenständig handelnde Bots im Kundenservice oder Vertrieb, die nicht nur vorab fest definierten Protokollen folgen, sondern selbständig durch „Trial and Error“ erfolgreiche Prozeduren etablieren, könnten mögliche Beispiele hierfür sein.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Die 3A des KI-Marketings erschien zuerst auf Nerdwärts.de.

Über die Fähigkeit Künstlicher Intelligenz, „kreativ“ zu sein, etwa eigene „digitale Kunstwerke“ erstellen zu können, wird schon länger diskutiert. Während die ersten eigenständig erstellten Bilder eher auf Zufallsprozessen beruhten, gelang es später, gestalterische Abläufe zielgerichtet zu ermöglichen. Nicht nur künstlerische, abstrakte Bilder lassen sich damit erschaffen, auch fotorealistisches Material kann auf diese Weise erzeugt werden.

Von der künstlichen Kreativität zur künstlichen Realität

Zum Einsatz kommen hier sogenannte „Generative Adversarial Networks“ (GAN), die sich im Prinzip als gegeneinander agierende Künstliche Neuronale Netzwerke beschreiben lassen. Der Begriff „adversarial“, zu Deutsch etwa „gegensätzlich“, bezieht sich auf die dabei zur Anwendung kommende „Gegenüberstellung“ zweier miteinander interagierender Netzwerke. Das eine, der „Generator“, erzeugt Elemente, die vom zweiten, dem „Diskriminator“, bewertet werden. Das Generatornetzwerk könnte beispielsweise Bilder erstellen, deren Gegenstand und Inhalt dann vom Diskriminatornetzwerk – einer Bilderkennungs-KI – zu identifizieren sind.

Im Zuge dieses Prozesses könnte die Bilderkennungs-KI, welche mittels „echten Fotos“ trainiert wurde, die Fehlertoleranz sukzessive reduzieren. Um seine Bilder also weiterhin identifizierbar zu machen, muss sich das Bild erzeugende Netzwerk – der Generator – im Gegenzug gewissermaßen immer stärker „anstrengen“. Die auf diese Weise entstehende Qualitätsspirale bewirkt, dass die fotorealistische Anmutung der erzeugten Bilder automatisch verbessert wird: Die beiden Netzwerke trainieren sich gegenseitig.

In der Folge entstehen so „echt“ aussehende Fotos von Dingen, die nie existiert haben:

Auch menschliche Gesichter lassen sich mit dieser Methode erstellen. Schon zu fast legendärem Ruhm brachte es innerhalb kürzester Zeit die Website whichfaceisreal.com. Dort werden dem Besucher Fotopaare von menschlichen Gesichtern gezeigt, eines davon zeigt einen „echten“ Menschen, das andere ist ein künstlich erzeugtes Bild. Der Betrachter muss nun versuchen zu erraten, welches von beiden tatsächlich einen natürlichen Ursprung hat.

Zum Teil weisen die von der KI erzeugten Bilder noch recht offensichtliche Fehler auf – ein verschobener Haaransatz, verschwommene Bildhintergründe oder Körperteile erscheinen an Stellen, an die sie nicht gehören. Oft aber ist die Unterscheidung zwischen Künstlichkeit und „natürlicher Realität“ kaum noch möglich. Dem System gelingt es regelmäßig, den menschlichen Betrachter in die Irre zu führen. Die Qualität, die mit dieser Technik erreicht werden kann, ist so hoch, dass inzwischen sogar eine kommerzielle Bildagentur 100.000 KI-erzeugte menschliche Portraits als Stockfotos kostenfrei zum Download und zur Verwendung als Werbematerial feilgeboten hat.  Damit zeigt sich hier auch deutlich das vielbeschworene Disruptionspotenzial Künstlicher Intelligenz: mit einem Schlag könnten Models, Fotografen und auch Bildagenturen arbeitslos werden – und dies nicht erst in einer fernen und unbestimmten Zukunft.

Künstliches Bewegtbild: Deepfakes

Was mit (vermeintlichen) Schnappschüssen funktioniert, funktioniert auch mit Bewegtbild. Schon seit geraumer Zeit wird über sogenannte „Deep Fakes“ diskutiert, mit Hilfe von KI bearbeitete oder gänzlich erstellte Videos. Diesen können dazu verwendet werden, mittels gefälschtem, künstlich erzeugtem und unter Umständen kompromittierenden Bildmaterial eine mediale Öffentlichkeit zu schaffen, die nicht der Realität entspricht, sondern allein die Verfolgung von Manipulationszwecken zum Ziel hat. Denkbar ist hier ein breites Spektrum von Szenarien, vom „Einbau“ eines Prominenten in eine Sex-Szene in einem Pornofilm bis hin zu künstlich erzeugten Meinungsäußerungen eines Politikers, welche dessen angebliche moralische oder gesellschaftliche Verkommenheit belegen sollen.

Es wird zunehmend schwerer, hierbei Realität und Fälschung auseinanderzuhalten, was sich auch in einer erhöhten grundsätzlichen Skepsis niederschlägt. Exemplarisch dürfte der Fall des Präsidenten von Gabun, Ali Bongo, sein, der nach einer medizinischen Behandlung, vermutlich eines Schlaganfalles, längere Zeit nicht mehr in der Öffentlichkeit auftrat. Gerüchte, er sei verstorben, machten bald die Runde. Infolgedessen sah sich die Staatsmacht veranlasst, ein Video des Staatsoberhauptes mit einer Ansprache an die Nation zu veröffentlichen, um auf diese Weise der Behauptung dessen Ablebens zu widersprechen. Dies führte jedoch genau zum Gegenteil der erwünschten Reaktion: Viele zweifelten die Echtheit des Materials an und verdächtigten die Regierung der gezielten Manipulation, der künstlichen Erstellung des Filmmaterials, um den Tod des Präsidenten zu kaschieren. Die Aufregung mündete schließlich sogar in einen Putschversuch, der jedoch niedergeschlagen werden konnte:

Alternative Realitäten: Was ist künstlich, was ist echt?

Das Beispiel zeigt, dass sich die Unterscheidung zwischen künstlicher und „echter“ Realität für uns immer mehr zur medialen Herausforderung entwickelt. Das, was wir heute sehen und wahrnehmen, muss nicht mehr zwingend der Wirklichkeit entsprechen. Wir können uns auch nicht mehr sicher sein, ob der Gegenüber am Bildschirm ein echter Mensch aus Fleisch und Blut oder bloß ein Produkt von Pixeln ist.

Virtuelle und natürliche Welt wachsen auf diese Weise Stück für Stück zusammen. Die Unterscheidung, was echt und was künstlich ist, verliert offenbar immer mehr an Bedeutung. Darin spiegelt sich vielleicht auch der gesellschaftliche Rahmen, in dem wir uns bewegen, ein Stück weit wider, wo Fakenews und Filterblasen an Einfluss gewinnen und „Echtheit“ und Unverfälschtheit nicht notwendigerweise einen Maßstab darstellen.

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Künstliche Intelligenz schafft alternative Realitäten erschien zuerst auf Nerdwärts.de.

Es spricht einiges dafür, dass man den Ursprung der Geschichte der Künstlichen Kreativität auf diesen berühmt gewordenen Versuch von Google zurückgeführt werden kann: 2012 wurden einer Künstlichen Intelligenz wahllos „Youtube-Stills“, also Einzelbilder aus Youtube-Videos, „vorgelegt“, die diese dann sortieren sollte – und zwar, ohne dass man ihr die entsprechenden Kategorien vorgegeben hatte.

Dieser Vorgang ist in etwa vergleichbar mit einem Szenario, in dem man einem Menschen einen großen Stapel Fotos in die Hand drückt, mit der Bitte, diesen zu sortieren. Auf dessen Frage nach dem „Wie?“ – würde ihm entgegnet: „Denk Dir was aus!“. Die Kriterien hierzu müssten als eigenständig vom Sortierenden festgelegt werden. Vermutlich würde ein Mensch sich dann an bestimmten gemeinsamen Merkmalen orientieren, die er meint, auf den Bildern entdecken zu können, z.B. ähnliche Motive, Farben oder Situationen.

„Autodidaktisches Lernen“ einer KI

Nach einem vergleichbaren Ansatz ging auch das mit Bildern gefütterte künstliche neuronale Netzwerk vor, das Google selbst als Simulation eines kleinen, neugeborenen menschlichen Gehirns bezeichnete. Tatsächlich konnte die KI ähnliche Objekte in den Bildern ausmachen und sortierte diese entsprechend. Dabei entwickelte das System eigenständig Prüfkriterien, indem besonders häufig auftretende Merkmale „übereinandergelegt“ und „verstärkt“ wurden. Anhand der so entstandenen Prüfmuster erfolgte die Kategorisierung von Einzelbildern je nachdem, wie hoch die KI deren Übereinstimmungen mit den Merkmalen der Vergleichsexemplare bewertete.

Auf diese Weise legte das System verschiedene Klassifizierungen fest: Tatsächlich gelang es ihr Menschen auf den Bildern zu identifizieren und sogar Geschlechter zu unterscheiden. Das ist insofern bemerkenswert, als dass der KI das „Konzept“ Mensch überhaupt nicht klar sein konnte. Ohne zu wissen oder zu verstehen, was ein Mensch ist, war sie dennoch in der Lage, diesen – als offenbar sinnvolle – Bilderkategorie zu identifizieren und sogar Geschlechtsmerkmale dabei zu unterscheiden. Damit simulierte dieser Versuch auf künstlich-technische Weise erfolgreich die Mechanismen, wie sie womöglich bei Neugeborenen und Kleinkindern ablaufen, die ihre ersten und durch angeleitetes Lernen noch wenig beeinflussten Schritte in einer für sie neuen Welt unternehmen. Google verwendete in diesem Kontext auch den Begriff des maschinellen „autodidaktischen Lernens“.

Vom maschinellen Lernen zur künstlichen Kreativität

Aufschlussreich war jedoch auch die weiterführende Analyse dieser Methodik. Da, wie oben beschrieben, auf den Bildern bestimmte Merkmale verstärkt und mit identifizierten Mustern verglichen wurde, untersuchte man gespannt, wie die KI wohl mit Bildern umgehen würde, auf denen zumindest für das menschliche Auge „nichts“ zu sehen war, auf denen also keine optischen Strukturen und Konturen erkannt werden konnten. Und tatsächlich wendete das System die gleiche Vorgehensweise an: Auf einem Foto, auf dem ein Mensch nicht mehr als womöglich ein „weißes Rauschen“ erblicken konnte, „verstärkte“ die KI von ihr „wahrgenommene Elemente“ und glich diese mit anderen, bekannten Bildbestandteilen ab. Auf diese Weise „justierte“ die KI schrittweise ihre Entscheidung über das, was sie in dem Bild „wahrnahm“ und passte darüber den „Output“, ein zunehmend vom Ausgangszustand „verfremdetes“ Bild, schrittweise an. Das Ergebnis hatte mit dem Original optisch nichts mehr gemein, ein völlig neues Bild war somit entstanden.

KI und Künstliche Kreativität

Ein Vergleich von Ausgangs- und Endpunkt offenbarte keinerlei Ähnlichkeit oder Verwandtschaft: Die KI hatte etwas Neues geschaffen, sie war somit gewissermaßen „kreativ“ tätig geworden. Auch wenn, wie bereits beschrieben, zuvorderst die Fähigkeit des „Lernens“ – die wir vor allem dem Menschen und den Säugetieren zuschreiben –, mit dem Vorhandensein von Intelligenz verbunden wird, besteht vermutlich eine weitreichende Einigkeit, dass Kreativität ein zutiefst menschliches Kompetenzmonopol darstellt, welches ohne das Vorhandensein von „Geist“ und die entsprechenden intellektuellen Voraussetzungen nicht denkbar erscheint. In unserer allgemeinen Wahrnehmung setzt Kreativität vermutlich noch stärker die Existenz von Intelligenz voraus, als das in Bezug auf die Lernfähigkeit der Fall ist. Umso erstaunlicher mutet es an, wenn nun, wie in diesem Fall, eine Maschine scheinbar Fähigkeiten erworben hat, mit denen neue Dinge „erschaffen“ werden können.

In Folge dieser Erkenntnis ließ man der KI „gestalterisch“ freien Raum. Daraufhin entstand eine schier unzählbare Menge an neuen, autonom durch Computer generierten Bildern, an KI-geschaffenen „Kunstwerken“, teilweise mit verblüffendem, scheinbar intellektuellem Tiefgang.

KI komponiert Musik

In einem weiteren Schritt wurden dieses Prinzip und die Vorgehensweise auf andere Bereiche ausgedehnt. Die neuronalen Netzwerke lernten ebenso, Musik zu komponieren wie auch mehr oder minder eigenständig fiktionale Texte mit prosaischem Anspruch zu „verfassen“. Aus der Erkennung von Mustern in Musik lassen sich heute „vergleichbare“ Kompositionen ableiten – also autonomisiert aus bestehenden „Hits“ neue, ähnliche Songs erstellen, die die gleichen Eigenschaften wie das Original aufweisen, also auch die gleichen Zielgruppen ansprechen könnten.

Genutzt wird dies zum Beispiel beim „Soundbranding“, wenn eine bestimmte Klangformation zur akustischen Unterfütterung einer Marke beitragen soll. Wird bei den Adressaten eines Werbeclips beim Hören der Begleitmusik eine spezifische Stimmung ausgelöst, die sie eigentlich mit einem bekannten Lied, dem Original verbinden, so lässt sich diese Emotionalität unterschwellig mit der Marke verknüpfen. Man „erinnert“ sich an das ursprünglich gehörte Original und den natürlich idealerweise positiven Kontext und überträgt diese Einstellung auf das beworbene Produkt. Aus der intensiven Analyse der Zusammenhänge von Klängen und Emotionen lassen sich dann gezielt jeweils zum Markenkern „passende“ Kombinationen ableiten. Dies könnte dann unter anderem zu analytisch ermittelten Sound-Logos und kompletten akustischen Markenauftritten führen, deren Wirksamkeit nun, durch den Einsatz intelligenter Verfahren, auch belegbar und planbar wird.

Die Technologie der „GANs“

In jüngerer Zeit rückten zudem sogenannte „Generative Adversarial Networks“ („GAN“) zunehmend in den Fokus, die insbesondere bei der Erstellung künstlicher fotorealistischer Bilder zum Einsatz kommen. Der Begriff „adversarial“, zu Deutsch „kontradiktorisch“ oder „gegensätzlich“, bezieht sich auf die dabei zur Anwendung kommende „Gegenüberstellung“ zweier miteinander interagierender Netzwerke. Das eine, der „Generator“, erzeugt Elemente, die vom zweiten, dem „Diskriminator“, bewertet werden.  Das Generatornetzwerk erhält als Input ein zufälliges Signal und erzeugt daraus ein Bild. Das Diskriminatornetzwerk muss aus dem Vergleich mit „echten“ Bildern entscheiden, ob es sich bei dem vom Generator übergebenen Bild um einen Teil dieser Gruppe oder um ein „künstlich erzeugtes“ handelt.

Das „Trainingsziel“ des generativen Netzwerkes besteht darin, die Fehlerrate des diskriminierenden Netzwerkes dabei sukzessive zu erhöhen, es also zu täuschen, so dass letzteres die synthetischen Bilder als „echt“ einstuft. Da beide Netzwerke ihre Fähigkeiten im Laufe des Prozesses erhöhen – also auch der Diskriminator, die „Messlatte“ zunehmend für eine Einstufung als echtes Bild höher anlegt – verbessert sich damit auch „automatisch“ die fotorealistische Qualität der erzeugten Bilder. Die Netzwerke trainieren sich auf diese Weise gegenseitig.

KI-Kunst bei Christie’s

Weltweit Schlagzeilen machte in diesem Kontext die Erschaffung einer abstrakten Portraitreihe der (fiktiven) Familie „de Belamy“ durch eine KI – und deren anschließende Versteigerung bei Christie’s in New York. Ein Generatornetzwerk erzeugte „handgemalt“ erscheinende Bilder, denen der verwendete Diskriminator im Vergleich mit anderen, tatsächlich menschlich geschaffenen Kunstwerken trotz der tatsächlichen „synthetischen“ Erstellungsmethode gerade noch einen künstlerischen Ursprung zusprach. Bei einem Startpreis von immerhin US-$ 7.000 für das Gemälde des angeblichen Familienoberhauptes „Edmond de Bellamy“ wurden in der Auktion schließlich satte US-$ 432.500,00 erzielt.

Gemeinsamer Kreativprozess von Mensch und Maschine

Der Ansatz der GAN-Technologie findet inzwischen auch bei der Unterstützung menschlicher kreativer Prozesse Verwendung. Der Designer Philippe Starck setzte diese zur halbautomatisierten Ideenfindung in einem Projekt mit Autodesk für die Entwicklung eines neuen Stuhls ein. Dazu wurden mittels einer  „prototype generative design software“ nach Vorgaben des Designers verschiedene Optionen innerhalb dieses Rahmens von der KI ausgelotet. Dem Menschen obliegt dann die finale Entscheidungen welche Richtungen im weiter eingeschlagen oder welche Entwürfe schließlich umgesetzt werden sollen.

Für die Entwicklung von Computersystemen und Algorithmen markiert die Fähigkeit zur Kreativität auf dem Weg zur „menschlich“ werdenden Maschine sicherlich einen Meilenstein. Ähnlich wie das Lernen – oder sogar noch stärker – verkörpert dies eine Kompetenz, die wir intensiv und zwangsläufig mit dem Vorhandensein von Intelligenz verbinden. Natürlich laufen menschliche Kreativitätsprozesse auch auf andere, vielschichtigere und tiefergreifendere Weise ab. Dennoch dürfte unser Blick auf KI und unsere Beurteilung ihrer aktuellen und zukünftigen Leistungsfähigkeit durch diese Wahrnehmung wesentlich geprägt werden.

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Künstliche Intelligenz und künstliche Kreativität erschien zuerst auf Nerdwärts.de.

Maschinelles Lernen, das „Training“ von Datenmodellen und der Einsatz von Algorithmen prägen den Marketing-Alltag heute bereits nachhaltig – oft ohne, dass es für den eigentlichen Anwender sichtbar wird. Gerade haben wir uns an „Recommendation Engines“ à la Amazons „Kunden die das gekauft haben, haben auch gekauft…“ oder „lernende“, dynamische Preisverfahren, die Preise jeweils individuell und kontextuell bestimmen, gewöhnt.

Künstliche Intelligenz: zunehmend Standard im Marketing

Währenddessen schreitet die Entwicklung mit großen Sätzen voran. Immer granularer – sogar auf DNS-Ebene – lassen sich mit Hilfe von KI Angebote heute personalisieren. Gesichtserkennung wird eingesetzt, um nicht nur die Zielgruppenzugehörigkeit eines Adressaten in Echtzeit zu bestimmen, sondern auch seine Emotionen, seine Einstellung gegenüber Produkten zu identifizieren. Und ebenso in der Mediaplanung greift man heute auf immer automatisiertere Entscheidungsverfahren zurück. Die Ausspielung von Werbung erfolgt profilbasiert in Millisekunden auf Grundlage von Mobilfunk- und andere Daten, autonom entschieden und durchgeführt von einem intelligentes System.

KI im Marketing – ein neues Zeitalter?

Immer öfter erbringen intelligente Systeme jedoch auch kreative Leistungen. Sie erstellen künstliche Fotos von Dingen, die nie existiert haben, sie schaffen alternative virtuelle Realitäten mit Inhalten – textlich wie audiovisuell – die auch im Marketing Verwendung finden: Sich gegenseitig trainierende Deep Learning Netzwerke, sogenannte „GANs“ (Generative Adversarial Networks), produzieren massenhaft fotorealistische Stockbilder, die in der werblichen Kommunikation Verwendung finden können. Auch Bewegtbild lässt sich inzwischen in realistischer Optik durch KI produzieren. Sogar „virtual beings“, „virtuelle Lebewesen“, werden geschaffen, die als virtuelle Influencer Mode, Musik und andere Lifestyle-Artikel vermarkten.

Mit Recht lässt sich wohl behaupten, dass wir damit in einem neuen Zeitalter im Marketing angelangt sind.

Zum Vortrag von Prof. Dr. Andreas Wagener zu KI im Marketing: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag KI im Marketing: maschinelle Kreativität und virtuelle Influencer erschien zuerst auf Nerdwärts.de.

Daten als Kern der Plattformökonomie

In der Plattformökonomie geht es um die Etablierung von Standards, um die Schaffung von Netzwerkeffekten durch die Errichtung einer zentralen Plattform, die die Zugänge auf einem bestimmten Markt herstellt und damit kontrolliert – wir alle kennen die vielzitierten einschlägigen Beispiele von Uber („das weltgrößte Taxisunternehmen besitzt selbst kein einziges Taxi…“), Booking.com, Facebook, Amazon oder Google. Daten spielen hierbei eine ganz entscheidende Rolle. Nur durch deren Auswertung und durch den zielgerichteten Einsatz der daraus gewonnenen Erkenntnisse lassen sich die Kundenbeziehungen organisieren und das System insgesamt mit Leben füllen. Daten sind damit gleichzeitig DNA und zentrales Nervensystem der Plattformen.

Plattformökonomie: Gatekeeper mittels Daten

Der Plattformökonomie wird attestiert, dass sie tradierte Märkte aushebelt: Erfolgreiche Plattformen zwängen sich als Gatekeeper zwischen Endkunde und ursprünglichem Anbieter. Letztere verfügen zwar eigentlich über die notwendigen „Hard Assets“ – die Taxis, Hotels oder Content – werden somit aber gewissermaßen zum bloßen Zulieferer „degradiert“, mit entsprechenden Folgen für Autonomie und Ertragskraft. Wer diesem Schicksal enteilen will, hat nur die Chance, entweder eigene Plattformen zu gründen oder sich selbst mit entsprechenden Netzeffekten und datenökonomischen Instrumenten zu wappnen.

Skaleneffekte in der Datenökonomie

Die zentrale Frage lautet dabei stets: Wie lässt sich das eigene Leistungsversprechen durch die Verknüpfung mit Daten aufwerten? Entscheidend in diesem Kontext ist, dass nur der Zugang zu massenhaften Daten echte Wertschöpfung ermöglicht. Ein einzelner Datensatz ist stets wertlos. Werte entstehen in der Datenökonomie erst, wenn Verknüpfungen hergestellt und Muster identifiziert werden, wenn es gelingt, daraus die „Soft Assets“ zu schaffen, die das ursprüngliche Leistungsversprechen auf diese Weise entscheidend anreichern.
Schiere Größe ist in der Plattformökonomie wie überhaupt in der Digitalen Wirtschaft meist ein entscheidender Vorteil. Alle Technologieunternehmen, die heute die digitalen Märkte dominieren, haben ab einem bestimmten Zeitpunkt auf die Generierung von Skaleneffekten gesetzt. Für den hiesigen Mittelständler, selbst auch für die großen, global tätigen Unternehmen hierzulande, etwa aus dem Automobil- und Maschinenbau, stellt sich dann natürlich die Frage, wie es möglich ist, da mitzuhalten – auf den ersten Blick ein unmöglich erscheinendes Unterfangen. Im eigenen Verfügungsbereich sind meistens nur beschränkte Datenressourcen vorhanden. Wertzuwächse hängen gleichwohl aber sehr wesentlich von der Menge der verarbeitbaren Daten ab.

Synergieeffekte entstehen nur, wenn Daten aus ihren Silos befreit werden

Die Antwort darauf kann nur in der Erzeugung von Synergieeffekten liegen. Diese entstehen jedoch nur, wenn es gelingt, Daten aus ihren Silos zu befreien und für die Vernetzung freizugeben. In vielen Unternehmen werden Daten streng getrennt von einander vorgehalten. Das hat einerseits natürlich technische Gründe – die Hürden bei der Zusammenführung – Systeminkompatibilitäten, unterschiedliche Datenstrukturen und Dopplungen – erscheinen nicht selten beträchtlich. Andererseits stehen allzu oft auch Revierstreitigkeiten und Befindlichkeiten von „Provinzfürsten“ im Unternehmen einer Zusammenführung im Weg.

Jenseits des eigenen Horizonts

Natürlich muss es gelingen, diese Hindernisse aus dem Weg zu räumen, entweder durch gute Führungsleistung oder technisch, mittels ausgefeilteren technologischen Ansätzen zur Datenstrukturierung, etwa auch aus dem Bereich des maschinellen Lernens. Allein das wird in den meisten Fällen nicht reichen. Selbst wenn es gelingt, diese internen Erschwernisse zu beseitigen, ist der Bedarf an Daten und die Anforderungen an die Anzahl und Detaillierung von Datensätzen kaum von einem Unternehmen allein zu bewerkstelligen. Zukunftstechnologien wie Künstliche Intelligenz und Virtual Reality sind in großem Maße Daten getrieben. Wenn die einzige Quelle zu deren Erzeugung und Sammlung das eigene Unternehmen ist, dürfte das kaum ausreichen, um hier Erfolge zu erzielen.

Hoher Datenbedarf: Künstliche Intelligenz, Blockchain & Co

Insbesondere das Training von KI, im Wege von Deep Learning und mittels Künstlicher Neuronaler Netzwerke, erfordert riesige Mengen von Datensätzen. Nur wenn diese Vielfalt gewährleistet ist, kann es dem System gelingen, Muster zu identifizieren und „Erlerntes“ eigenständig auf neue oder wenigstens „verwandte“ Sachverhalte zu projizieren.

Sharing Economy für Daten

Daher gilt es, den Blick auch über den Tellerrand hinaus kreisen zu lassen und die notwendigen Synergien auch außerhalb des eigenen exklusiven Zugriffsbereich zu suchen. Vielleicht ist es notwendig, hier neue Formen der Kooperationen zwischen einzelnen, unter Umständen sogar konkurrierende Marktteilnehmern zu etablieren: eine Art „Sharing Economy“ für den Datenaustausch und den Betrieb gemeinsamer Datenplattformen. Denkbar wären beispielsweise Cloud basierte Lösungen, die Skalierungen und die Einbindung von Drittdaten sowie auch den Rückgriff auf externe Rechnerkapazitäten ermöglichen. Das Zusammentreffen von Machine- und Deep-Learning und nahezu unlimitierter, kostengünstiger Rechenleistung aus der Cloud könnte vielen Unternehmen einen „barrierefreien“ Einstieg in die Arbeit mit Künstlicher Intelligenz ermöglichen.

Kooperationen in der Cloud?

Tatsächlich gibt es bereits erste derartige Kooperationen und Plattformen, die den gegenseitigen Austausch von Daten sowie auch kompletter Lern- und Trainingsmodelle für KI ermöglichen. NVIDIA, als Hersteller von Grafikkarten ursprünglich bekannt und groß geworden, betreibt etwa eine eigene Cloud basierte Plattform zum Simulieren und Testen des Fahrbetriebs autonomer Fahrzeuge. Zu den teilnehmenden Unternehmen gehören die großen Automobilhersteller, wie Daimler, Toyota, Audi und VW oder Tesla. Die „offene“ Plattform ermöglicht es, so NVIDIA, „selbstfahrende Autos, Lkws und Shuttles zu entwickeln und einzusetzen, die funktionssicher sind und nach internationalen Sicherheitsnormen zertifiziert werden können.“

Blockchain & KI

Auch aus der Kombination von Blockchain und KI ergeben sich Anwendungsszenarien. Das Berliner Start-Up XAIN arbeitet unter anderem mit Infineon zusammen, um Zugriffsrechte auf Fahrzeugfunktionen durch KI-Algorithmen zu regeln, ohne dass dabei private Daten der Automobilnutzer zentral gespeichert werden müssen. Über das so geschaffene Netzwerk können lokale KI-Algorithmen voneinander lernen, ohne Datenhoheit und die Privatsphäre der beteiligten Anwender zu tangieren.

Blockchain für Datentransaktionen

Das finnisch-schweizerische Unternehmen Streamr bietet den Blockchain basierten Zugang zu einer „Open-Source-Plattform für den freien und fairen Austausch der Echtzeitdaten weltweit“ an und will Datenströme auf diese Weise dezentral zwischen vielen möglichen Beteiligten handelbar machen. Auf diese Weise wäre ein breiter Austausch und der Zugriff auf eine Vielzahl von Daten insbesondere auch für Trainingszwecke möglich, der zudem auch einen finanziellen Anreiz für die Teilnehmer bereithält, ihre Daten zur Verfügung zu stellen. Ähnliche Ansätze existieren zu Hauf im Silicon Valley. Der dezentrale, „distribuierte“ Handel mit Daten ist von einer Reihe von Unternehmen bereits zum Geschäftsmodell erkoren worden. SingularityNET etwa bietet eine Plattform, auf der Entwickler ihre Leistungen im Austausch für andere KI-Dienste oder auch Krypto-Entgelte anbieten können.

Neues Denken erforderlich

Der Rückgriff auf solche Angebote und Verfahren setzt jedoch ein Umdenken, ein grundsätzlich anderes „Mindset“ voraus als vermutlich in den meisten Unternehmen derzeit vorherrscht. Natürlich auch bedingt durch gesetzliche Vorgaben wie DSGVO und ePrivacy-Verordnung, aber eben auch durch eine grundsätzlich restriktive Denkweise, tendieren viele Entscheider dazu, Daten als „exklusiv“ zu betrachten. Das freie und freigiebige Teilen des „Datengoldes“ erscheint vielen schlichtweg abwegig.

„Nur zusammen sind wir stark“

Doch wenn gleichwohl Daten immer ein exklusiver Vorteil innewohnt: in der digitalen Ökonomie lässt sich echter Wert nur durch Größe und vielfältige Anreicherung erzielen. Wenn – was die Regel ist – ein Einzelner dazu nicht in der Lage ist, bleibt nur, das Heil in der Kooperation und im intensiven gegenseitigen Austausch, auch gerade mit vermeintlichen Konkurrenten, zu suchen. Nur so könnte langfristig die Chance gewahrt wären, gegen die Technologie-Riesen aus USA und zunehmend auch aus China zu bestehen.

Daher gilt: Free Your Data – Gebt den Daten ihre Freiheit zurück!

Dieser Artikel ist ein Auszug aus dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing, Haufe, Freiburg, 2023

Weitere Informationen zum Thema finden Sie hier:

Vortrag von Prof. Dr. Andreas Wagener, Hochschule Hof am 17.10.2018:
„Willkommen in der Matrix! Wie KI und Blockchain in der Industrie 4.0 zusammenwachsen“

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Brauchen wir eine Sharing Economy für Daten? Raus aus den Silos – Gebt den Daten die Freiheit zurück! erschien zuerst auf Nerdwärts.de.

Künstliche Intelligenz (KI) und Blockchain sind derzeit womöglich die am intensivsten diskutierten Themen im Bereich der digitalen Transformation. Beiden wird immer wieder erhebliches Potenzial zugeschrieben, die Spielregeln auf den Märkten aufzubrechen und zu „disruptieren“. Unweigerlich stellt sich dann die Frage – jenseits allen „Buzz-Word-Bingos“ –, ob sich hierbei dann nicht Szenarien ergeben, die einen kombinierten Einsatz nahelegen. Diese finden sich vor allem im Bereich des (Industrial) Internet of Things sowie der dezentralen Koordinierung autonomer intelligenter Systeme.

KI und Blockchain: ein Traumpaar?

Tatsächlich stehen beide Technologien immer noch ziemlich am Anfang, wenngleich Künstliche Intelligenz in der Anwendung schon deutlich fortgeschrittener zu sein scheint als der Einsatz von Blockchain- bzw. besser: – „Distributed Ledger“-Verfahren. Das mag auch damit zusammenhängen, dass viele mit Blockchain vor allem immer noch Kryptowährungen sowie insbesondere die nervenaufreibende Achterbahnfahrt des Bitcoin-Kurses verbinden und die technischen Hintergründe hier oft noch weitaus komplexer und abstrakter erscheinen als dies (vermeintlich) beim maschinellen Lernen intelligenter Systeme der Fall ist. Dabei muss es gar nicht so kompliziert sein, wenn man sich auf den Kern der Blockchain-Wirkungsweise konzentriert und das Ganze isoliert von den „Zusatztechnologien“, die Bitcoin zugrunde liegen – wie etwa das Miningverfahren und die Anonymisierungsaufwendungen – betrachtet. Die Herausforderung besteht darin, die ursprünglich zentralen Funktionen bei der Transaktionsabwicklung nun auf die breite Masse der Netzteilnehmer zu übertragen, also zu „dezentralisieren“. Das muss längst nicht immer auf so komplizierte Weise funktionieren wie bei Bitcoin. Man braucht etwa kein zeitaufwändiges und Ressourcen verschwendendes Mining-Verfahren, das bei Bitcoin ja einerseits der „Geldschöpfung“ andererseits der Motivation der Nutzer, am System mitzuwirken, dient.

NASA will Blockchain-Raumschiffe mit KI

Natürlich gilt es, in diesem Kontext skeptisch und vorsichtig zu sein. Die Gefahr, einem Marketing-orientierten Bullshit-Bingo dabei auf den Leim zu gehen, ist nicht gerade gering. Entsprechend ist wohl in diesem frühen Stadium selbst die Ankündigung der NASA einzuordnen, für die im Jahre 2069 geplante Erforschung von Alpha Centauri „Blockchain-Raumschiffe“ einsetzen zu wollen. Einleuchtend erscheint zunächst, dass für die Navigation der unbemannten Sonde, wie eben auch im selbstfahrenden Auto, KI zum Einsatz kommt. Da unterscheiden sich die Anforderungen zwischen Straße und All vermutlich zumindest grundsätzlich nicht. Blockchain-Technologie wie etwa von Ethereum könne für die „massive Menge an hoch-dimensionalen Daten“, die dabei verarbeitet werden müssen, zum Einsatz kommen, wie uns die NASA wissen lässt. Ein Datenstrang, der resilient, manipulationssicher, schnell lesbar ist und das Ausführen von dezentralen Programmen erlaubt, wäre dabei angeblich hilfreich. Technische Details, wie das konkret funktionieren soll, gibt uns die US-Weltraumbehörde dazu jedoch vorerst nicht.

Dezentrale Marktplätze: Blockhain und KI

Erste „tatsächliche“ Ansätze KI und Blockchain zusammenführen, gab es im Bereich des Datenaustausches. Zumindest in der Theorie oder der frühen Praxisphase existieren bereits einige „dezentrale Marktplätze“ über die Daten, beispielsweise zu KI-Trainingszwecken, gehandelt werden können. Dabei handelt es sich grundsätzlich um ein spannendes Anwendungsgebiet von Blockchain, wäre damit doch in Zukunft eine „echte“ Datenidentität und eine dezentrale Verfügungsmacht Einzelner über ihre Daten denkbar – etwa könnten wir dann individuell die Bedingungen in Form eines Smart Contracts hinterlegen, wer zu welchem Preis und zu welchem Zweck auf unsere persönlichen Daten zugreifen darf.

KI-Trainingsdaten dezentral vermarkten

Analog dazu könnte man Fahrzeugdaten – in Echtzeit – einsammeln und anderen zugänglich machen, Systeme mit diesen Daten „füttern“ und auf diese Weise eine ausreichende Menge an Daten für das maschinelle Lernen beschaffen. Vor allem in den USA existieren bereits eine Menge solcher Geschäftsansätze. Viele der dahinterstehenden Unternehmen sind jedoch noch sehr jung, und weisen oft eine gewisse Schieflage hinsichtlich der personellen Verteilung zwischen dem „Executive Board“ und den Mitarbeitern, die diesen gegenüber in der Regel deutlich in der Unterzahl sind, auf. Als einer der vermutlich bekanntesten Vertreter kann hier SingularityNet als Beispiel angeführt werden.

Von der Blockchain 1.0 zu DAG – Directed Acyclic Graph

Eine andere Sicht ergibt sich durch die Weiterentwicklungen der Blockchain-Technologie. Während man von der Bitcoin-Blockchain manchmal als „Blockchain 1.0“ und von Ethereum, aufgrund des zugrundeliegenden, jedwede Art von Smart Contracts ermöglichenden „General Purpose“-Ansatzes, von „Blockchain 2.0“ spricht, hat sich mit der DAG-Technologie („Directed Acyclic Graph“) eine neue Entwicklungsstufe ergeben, gewissermaßen die „Blockchain 3.0“. Weniger formal streng als die vorangegangenen Ansätze, ermöglichen die „Gerichteten Azyklischen Graphen“, eine Blockchain-ähnliche Struktur, in der weiterhin die Transaktionen transparent, chronologisch und unveränderbar in einem Netzwerk gespeichert werden. Statt eines komplexen Mining-Verfahrens wird die Validierung der Transaktionen aber durch andere Maßnahmen incentiviert, etwa indem Teilnehmer nur dann auf Transaktionen selbst durchführen können, wenn sie zuvor selbst mehrere Transaktionen anderer Teilnehmer überprüft und freigegeben haben. Gleichzeitig eliminiert man damit typische Probleme der Distributed-Ledger-Technologie, wie etwa den hohen Verbrauch an Energie- und Zeitressourcen beim Mining sowie potenziell auch die Vermeidung des „51%-Problems“, wonach, sobald ein einzelner Akteur mehr als die Hälfte der „Mining-Macht“ im System erreicht hat, er dieses dominieren kann und damit die Dezentralität letztlich „aushebelt“.

Blockchain im Internet der Dinge

Derartige Ansätze, wie sie beispielsweise in unterschiedlicher Ausprägung von IOTA, IOTChain, Byteball oder DAGCOIN vertreten werden, zielen vor allem auf das „Internet der Dinge“, wo Transaktionen zwischen einzelnen Maschinen und Geräten dezentral abgebildet werden sollen. Für diese Vorgänge ist weder Zeit noch die notwendige Energie für ein aufwändiges Mining- und Validierungsverfahren vorhanden. Zudem sind die Anforderungen an die Manipulationssicherheit hier weit weniger kritisch als das bei einem digitalen Geldsystem wie Bitcoin der Fall ist. Damit kann es grundsätzlich gelingen, einige der Kinderkrankheiten der vorangegangenen Blockchain-Protokolle über Bord zu werfen.

Smart Contracts und Micropayment in der Sharing-Industrie

Auch wenn gleichwohl diese Ansätze derzeit ebenfalls noch mit einigen Problemen zu kämpfen haben, wäre sie perspektivisch jedoch durchaus geeignet, die Distributed-Ledger-Verfahren auf eine neue Ebene zu heben. Denkbar wäre eine Art „Micropayment“ für die Sharing-Industrie, indem man die „Dinge“ eigenständig miteinander kommunizieren und Verträge erfüllen lässt. Im Wege eines Smart Contracts könnte dann z.B. das eigene Smartphone einen „Hotspot“ erstellen, der anderen Geräten es automatisiert ermöglicht, diesen für WLAN-Zugriff zu nutzen. Dafür fiele dann eine Gebühr an, die dem Smartphone gutgeschrieben und dem zugreifenden Gerät belastet würde. Dies könnte dann dezentral und autonom auf Gerätebene erfolgen, ohne dass deren Besitzer hierzu eingreifen müssten.

Eine autonome „Maschinenwirtschaft“?

Das Szenario lässt sich auch auf die industrielle Produktion übertragen. Wenn Maschinen eigenständig miteinander kommunizieren und in der Lage sind dabei unabhängig vom menschlichen Eingriff Transaktionen untereinander auszuführen, führte dies zu erheblichen Veränderungspotenzial. Eine Maschine, welche zunächst für die angelieferten Rohstoffe autonom „belastet“ wird und im Anschluss daran dann das erstellte Produkt zur Weiterverarbeitung übergibt und dafür wiederum eine „Entgeltung“ erhält – alles entsprechend transparent vermerkt auf einem „Distributed Ledger“ – ermöglichte nicht nur eine Revolution in Buchführung und Controlling mit eigenen maschinenspezifischen Kosten- und Leistungsträgern sowie eigenen Profitcentern je Einheit. In letzter Konsequenz ergäbe sich daraus sogar eine autonome „Maschinenwirtschaft“, in der intelligente Industriesysteme untereinander Prozesse und Güterströme eigenständig organisieren und abwickeln.

KI könnte Blockchain zur intelligenten Arbeitsteilung nutzen

Die Systematik ließe sich auch insbesondere auf die Organisation und die Zusammenarbeit zwischen einzelnen intelligenten Systemen beziehen. Im Moment wird oft davon ausgegangen, dass wir eine „generelle Künstliche Intelligenz“, die dem Menschen auch seiner Vielfältigkeit gleichkommt, nur schwer erzeugen können. Die meisten Künstlichen Intelligenzen sind auf sehr spezifische Probleme trainiert und daher auch entsprechend in ihrer Leistungsfähigkeit darauf beschränkt. Der Rückgriff auf Blockchain als Element Prozessorganisation könnte dann jedoch die Grundlagen für eine arbeitsteilige Ökonomie der Künstlichen Intelligenzen liefern. Stellt eine KI ihren spezifischen Arbeitsschritt fertig, so wäre es dann möglich, die Übergabe der jeweiligen Teilleistung zur Weiterarbeitung in einem Distributed Ledger zu vermerken und über einen Smart Contract an die nächste zuständige Einheit zu übergeben. Indem die entsprechenden Arbeitsprozesse lückenlos abgebildet und übergeben würden, ließe sich auf diese Weise eine intelligente Arbeitsteilung zwischen autonomen Dienstleistungen und Maschinen/Geräten organisieren.

Eine dezentrale Version von Uber, mit selbstfahrenden Autos, geleitet von KI?

Im Zusammenhang mit Smart Contracts wir oft die Frage diskutiert, ob sich aus diesen rigorosen „wenn-dann“-Verknüpfungen auch ganze Organisationen sogenannte DAOs („Decentralized Autonomus Organizations“) errichten lassen. Diesen würden dann verbindliche Regeln verordnet, was bei Eintritt bestimmter Ereignisse zwingend „zu tun“ ist. Diese Regeln müssen jedoch bislang von Menschen vorgegeben werden. Kombiniert man dies nun mit den Entscheidungsverfahren Künstlicher Intelligenz, zum Beispiel über Mustererkennung oder auch über „Reinforcement Learning“, bei dem die KI entlang definierter Erfolgsmerkmale – zum Beispiel Gewinnmaximierung – trainiert wird und darauf aufbauend letztlich eigenständige Entscheidung trifft, könnten irgendwann tatsächlich komplett autonome Unternehmen entstehen, die unabhängig vom menschlichen Eingriff am allgemeinen Wirtschaftsgeschehen teilnehmen. An ersten entsprechenden Anwendungen arbeiten bereits Anbieter wie etwa Fetch. Gibt es also vielleicht irgendwann eine dezentrale Version vom Taxi-Dienst Uber, der dann womöglich ausschließlich auf selbstfahrende Autos setzt, dessen Prozesse über Blockchain-Technologie organisiert werden und der auf Grundlage von Entscheidungen durch KI geführt wird?

Blockchain & KI als „Framework“ der Maschinenautonomie

Natürlich ist vieles davon jetzt noch „Science Fiction“. Aber wenn man bedenkt, welche Energie derzeit in fragwürdige Projekte zur Abbildung der Supply-Chain auf der Blockchain oder in „private Blockchain“ investiert wird, ist es vielleicht schon angebracht, darüber nachzudenken, wie das große Potenzial dieser Technologie wirklich sinnstiftend gehoben werden kann. Smart Contracts und Blockchain könnten das Fundament das „Framework“ einer Roboter-Autonomie bilden: KI sorgte dann für die Findung von Entscheidungen, die „Distributed Ledger“-Technologie für die Koordination der daraus resultierenden Handlungen.

Schaffung eines eigenen Wirtschaftssektors autonomer Maschinen: die Industrie 5.0

Intelligente maschinelle Systeme wären auf diese Weise in der Lage, ein Einkommen zu erzielen, sich ins „Krankenhaus“ (Werkstatt) einzuweisen und Rechnungen mit dem „verdienten“ Geld zu bezahlen. Aufgaben, für die eine KI oder Maschine nicht ausgelegt ist, können von dieser an andere „intelligente Organismen“ in dem Blockchain-Netzwerk abgegeben werden – und zwar selbstständig, ohne dass sie ein Mensch dazu anhält. In letzter Konsequenz würde dies zu einem „arbeitsteiligen autonomen Maschinensystem“ führen, einem neuen autonomen Wirtschaftssektor. Die Ideen, die man mit dem Begriff der „Industrie 4.0“ bislang verband – der digitalen Automatisierung – würden übertroffen und womöglich in eine neue, fünfte industrielle Revolution münden – der digitalen Autonomisierung.

Neue Aktualität für alte Ideen: Maschinensteuer & Co.

Die damit verbundenen Auswirkungen wären sehr weitreichend. Unabhängig von ihrer Bewertung gewännen viele in der Vergangenheit diskutierte – und oft verworfene – Konzepte und Ideenansätze eine neue Relevanz. Denn auf einmal würden Themen wie die „Besteuerung von Maschinen“ und auch das „Bedingungslose Grundeinkommen“ eine ganz andere Aktualität und womöglich auch Plausibilität besitzen.

Weitere Informationen zum Thema finden Sie hier:

Vortrag von Prof. Dr. Andreas Wagener, Hochschule Hof am 17.10.2018:
„Willkommen in der Matrix! Wie KI und Blockchain in der Industrie 4.0 zusammenwachsen“

Vortrag von Prof. Dr. Andreas Wagener, Hochschule Hof am 22.10.2016 Industrie 4.0, Datenökonomie und Künstliche Intelligenz: Wie Daten und Algorithmen Wirtschaft und Gesellschaft verändern:

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Der Weg zur Roboterautonomie: wie KI und Blockchain die Maschinengesellschaft erschaffen könnten erschien zuerst auf Nerdwärts.de.

Künstliche Intelligenz durch lernenden Algorithmus

Angeblich ermittelt man über einen „komplexen“ Algorithmus, was der passionierte Biertrinker an seinem Lieblingsgetränk vornehmlich schätzt, um dann daraus Feinabstimmungen für das Geschmacksdesign abzuleiten. „Lernend“ ist das System insofern, als dass mit dem (Online-)Feedback der Kunden der Algorithmus ständig frisch gefüttert wird. Auf diese Weise möchte man laufend Justierungen des Brauprozesses vornehmen können, die dann zur stetigen Verbesserung des fertigen Produktes führen sollen. Gewissermaßen gelänge somit dann eine „Produktpolitik in Echtzeit“.

AI-Bot im Facebook Messenger als Kunden-Interface

Um diesen, für das Geschäftsmodell elementaren, Feedbackprozess zu gewährleisten, sind auf jeder Bierflasche entsprechende Scancodes angebracht, mit denen der Konsument dann direkt zu einem AI-Bot im Facebook-Messenger weitergeleitet wird, der mit einer kurzen Fragekette die Eindrücke und Meinungen zur weiteren Verarbeitung durch den Algorithmus einsammelt.

Innerhalb der ersten vier Wochen sollen die Brauverfahren auf diese Weise bereits mehr als 10 Mal entsprechend angepasst worden sein.

Wir warten nun gespannt auf den nächsten Ansatz: Künstliche Intelligenz und Weinerzeugung…?

Zum Video der AI-Brauer:

IntelligentX: The World’s First Beer Brewed by AI from IntelligentX on Vimeo.

Mehr Beiträge wie diesen finden Sie auch auf unserer Newsseite auf XING sowie auf Facebook.

Der Beitrag Bierbrauen mit Künstlicher Intelligenz & Crowdsourcing erschien zuerst auf Nerdwärts.de.

Trump klingt nach Erfolg, Drumpf nach…?

Angesichts der ja nun durchaus in entgegengesetzte Richtungen weisenden Phonetik der beiden Familiennamen („Trump klingt wie ein aus der Flasche ploppender Champagnerkorken, Drumpf wie eine im Flug gegen ein Fenster klatschende Taube“) leitete Oliver in Anlehnung an Donald Trumps Kampagnenslogan „Make America Great Again“ eine eigene Gegen-Kampagne mit dem Hashtag #MakeDonaldDrumpfAgain ab – inklusive eigens angemeldeter Marke, eigener Website und einer Drumpfinator-Browser-App, mit der sich auf Textseiten automatisiert sämtliche „Trumps“ in „Drumpfs“ umwandeln lassen.

Bot als Beitrag zu #MakeDonaldDrumpfAgain

Offensichtlich dadurch inspiriert entwickelt der MIT-Forscher Bradley Hayes seinen Twitter-Bot @DeepDrumpf, der auf Basis von Deep Learning-Technologien Datenmuster in Trumps Wortschatz zu automatisierten Tweets verwertet.

„Sie glauben Donald Trump sagt verrückte Sachen? Warten Sie nur bis Sie seinen Twitterbot hören“ bewirbt Hayes‘ Institutsblog die Schöpfung. Trump sei ein naheliegendes Opfer, steht dort. So zeichne sich seine Sprache durch eine gewisse „Simplizität“ aus, und auch wenn potenziell ebenso andere Kandidaten im US-Präsidentschaftswahlkampf für die Entwicklung eines Bots in Frage gekommen wären, so sei Trump eben derjenige gewesen, mit dem ein erster Feldversuch am Erfolg versprechendsten gewesen sei, lässt Hayes verlautbaren.

@DeepDrumpf:

DeepDrumpf

John Oliver entwickelt #MakeDonaldDrumpfAgain

Der Beitrag Der Trump-Bot auf Twitter erschien zuerst auf Nerdwärts.de.