Diskriminiert Google? Mit Autosuggest lassen sich Verzerrungen beim maschinellen Lernen eindrücklich zeigen. Das hat auch Einfluss darauf, wie wir mit Generativer KI, mit ChatGPT&Co, umgehen sollten. Ein kurzer Auszug aus der Hofer Stadtvorlesung mit Andreas Wagener.

Auszug aus dem Vortrag: „Von Cyborgs und Digitalen Lebewesen: Wie generative KI&VR menschliches Leben (und Sterben) verändern“

Mehr zum Thema: der komplette Vortrag von Prof. Dr. Andreas Wagener: „Von Cyborgs und Digitalen Lebewesen: Wie generative KI&VR menschliches Leben (und Sterben) verändern“:

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 Warum Google Autosuggest keine Ostdeutschen (und Hessen) mag – und was das mit GenAI zu tun hat erschien zuerst auf Nerdwärts.de.

Programmatic Advertising hat nicht nur den Werbemarkt nachhaltig verändert, sondern gleichzeitig auch das Feld für eine Weiterentwicklung der Mediaplanung durch den Einsatz von KI bereitet. Dabei ist wichtig zu verstehen, dass der konzentrierte Blick auf die Nutzerdaten im Programmatic Advertising bereits zu einem tiefgreifenden Paradigmenwechsel geführt hat: Herkömmlicherweise waren in der Vergangenheit für die Platzierung in der Werbung – und zwar sowohl digital als auch analog – vor allem immer thematische Umfelder relevant. Man schaltete eine Anzeige für eine Luxusuhr im „Premiumumfeld“ eines Hochglanzmagazins oder im Wirtschaftsteil einer renommierten Tageszeitung, weil man davon ausging, dass man auf diese Weise – im Wege eines klassischen Content Targetings – am ehesten die anvisierte affine und kaufkräftige Zielgruppe erreichen konnte. Auch im WWW verfuhr man mit den Bannerbuchungen ähnlich, Online-Anzeigen wurden in vermeintlich passenden „Kanälen“ gebucht, die auf einen möglichst geringen Streuverlust hoffen ließen.

Paradigmenwechsel: Nutzerprofile statt Umfeld

Die umfangreichen Möglichkeiten heute, Daten über die Nutzer, über ihre Vorlieben und Verhaltensweisen, sammeln zu können, haben diese jahrzehntelang bewährte Vorgehensweise auf den Kopf gestellt: Man geht nun davon aus, dass es möglich ist, die Interessen und Bedürfnisse einer einzelnen Person aus den gesammelten Profildaten weitgehend exakt abzuleiten. Nicht mehr der Medienkanal und der dargereichte Inhalt entscheiden über die Werbemittelplatzierung, sondern allein die persönlichen Präferenzen der Zielperson. Nicht mehr das scheinbar passende mediale Umfeld für eine zuvor umrissene Zielgruppe wird gesucht, stattdessen erfolgt die Zuspielung von Werbebotschaften immer stärker aufgrund der individualisierten Informationen über einen einzelnen Nutzer – und zwar plattformunabhängig und zunehmend auch abgekoppelt vom inhaltlichen Kontext. Wo, an welcher Stelle, auf welchem Medium oder welchem Kanal ein Nutzer mit der Werbebotschaft konfrontiert wird, spielt nur noch eine untergeordnete Rolle, denn sein Interesse an einem zu bewerbenden Produkt ist durch die Informationsvielfalt grundsätzlich dokumentiert. Der Ort der Ansprache hat damit für den Erfolg der Werbemaßnahme an Relevanz eingebüßt.

Gezielte Mediaplanung gerät auf diese Weise zu einem äußerst komplexen Unterfangen, erfolgt sie doch nicht mehr allein entlang der Faktoren Medienkanal und Budget, sondern muss eine Vielzahl von Variablen miteinbeziehen, die nur schwer mit herkömmlichen Maßstäben zu überblicken sind. 

KI in der Mediaplanung

Sowohl bei der vorgelagerten Auswahl der Kanäle und Platzierungen als auch bei der eigentlichen Buchung sowie der dann folgenden Ausspielung der Werbemittel kann KI eine entscheidende Funktion zukommen. In der Praxis stehen diese Verfahren oft – mit Ausnahme der technologisch geprägten Werbegiganten wie Google oder Facebook – im Moment eher noch am Anfang, doch zeichnet sich auch im klassischen Daten getriebenen Werbeumfeld bereits eine Fülle an Innovationen ab, die diesen ohnehin bereits sehr automatisierten Markt zu noch mehr Eigenständigkeit entwickeln und in deren Rahmen die komplexen Entscheidungsmechanismen zunehmend auf intelligente Systeme übertragen werden.

KI sorgt für Bespielung der Kanäle

Der international tätige Bananen-Produzent Dole setzte die KI Albert für die Optimierung seiner Mediaplanung und die Bespielung der verfügbaren Kanäle ein. Dazu definierte man vorab eine Zielerfolgskennziffer, an der sich die KI orientieren sollte. Anschließend fütterte man das System mit Informationen zu möglichen Platzierungsoptionen, verfügbaren Kanälen und Werbeformaten sowie den Einschränkungen zur Laufzeit und Budgetierung der Kampagne. Auf dieser Grundlage lernte Albert mittels „Trial & Error“ die optimalen Entscheidungen zu treffen und legte fest, welche Formate in welche Medien zu welchen Zeiten belegt werden sollte und wie das Budget somit ergebnisorientiert zu investieren sei. Das System erstellte sich dazu eigenständig eine Erfolgsfunktion, die sich am maximalen „Return On Invest(ment)“ („ROI“) der Kampagne ausrichtete. Für Werbebuchungen auf Facebook stellte Albert beispielsweise fest, dass in bestimmten Regionen oder bei Nutzern mit bestimmten Endgeräten ein höherer Rückfluss aus dem Kapitaleinsatz – gemessen in Page Likes – zu verzeichnen war und passte somit eigenständig die Budgetallokation zugunsten dieser Optionen an.  Auf diese Weise übernahm die KI eine klassische Funktion – die Aussteuerung und Optimierung einer Werbekampagne –, die typischerweise zum Kernbereich des Aufgabengebietes einer Mediaagentur gehört.

Automatische Leadgenerierung mit KI

Einen ähnlichen Ansatz verfolgte Harley Davidson. Der amerikanische Motorradproduzent setzte eine KI auf sein „Media Asset Management“ an. Mit dem Ziel, Sales-Leads zu generieren, platzierte man automatisiert Anzeigen auf Google und Facebook. Ein KI-System wertete eigenständig die Wahrscheinlichkeit einer Conversion je nach verwendetem Targeting aus (Keywords und Interessenprofile). Zudem generierte es aus den damit erfolgreich angesprochenen Interessenten „Look-a-like“-Profile, die einer weiteren Verbesserung der Ansprache dienten. Auch die Werbemittel selbst unterzog das System einem entsprechenden Optimierungsprozess. Neben den Faktoren Umfeld und Nutzerverhalten wurde auch die Kombination aus Anzeigentext und Anzeigengestaltung untersucht und stetig auf das Ziel der Leadgenerierung hin verbessert. Somit entstand auch hier ein selbstlernendes System, welches eigenständig die Werbemittelgestaltung und -platzierung kontinuierlich optimierte. 

KI übernimmt Management der Media Assets

Inzwischen existieren auch Plattformen, die diese Leistungen skaliert zur Verfügung stellen. Manche Unternehmen bieten Werbungtreibenden an, die Anzeigenplatzierungen über verschiedene Kanäle und Websites hinweg zu überwachen und die Information über entsprechenden Bewegungen und Verhaltensweisen aktueller und potenzieller Kunden an zentraler Stelle zusammenzuführen.  Dies soll als Grundlage für ein optimiertes Mediamanagement dienen und eine ergebnisorientierte Distribution der Werbemittel gewährleisten.

Eine zunehmend wichtigere Rolle spielt KI bei der Marktorganisation im Programmatic Advertising bei den Ad Exchanges und der Real-Time-Vermarktung von herkömmlicher Displaywerbung. Die Informationen aus den vorliegenden Daten lassen sich zu Prognosen und Empfehlungen verdichten, die in der Kombination zu einer zielgenauen Ansprache führen können. Daraus lässt sich etwa eine automatisierte Inventarverwaltung ableiten, die, orientiert an den Bedürfnissen der Nachfrager von Werbeplatzierungen, aus den komplexen Zusammenhängen der Datenbasis entsprechende Muster ermittelt, die für eine zufriedenstellende, das heißt „Relevanz optimierte“ Angebotsunterbreitung sorgt. Dies setzt voraus, dass das Surfverhalten und die Umfeldnutzung zu aussagekräftigen Profilen verdichtet und diese Information systematisiert mit den ebenfalls dynamisch ermittelten Anforderungen der Mediaeinkäufer abgeglichen werden. Auf diese Weise kann es gelingen, die Buchungsoption mit der jeweils attraktivsten Wertschöpfung für den Werbeeinkäufer automatisiert zu identifizieren.

Berücksichtigung von Brand Safety

Viele Werbung treibenden achten bei der automatisierten Buchung von Werbeplätzen verstärkt auf die sogenannte „Brand Safety“. Wenn Buchungen anhand performance-orientierter Kriterien erfolgen, ist damit nicht gleichzeitig auch garantiert, dass die Werbung eines Unternehmens in einem „unzweifelhaften“ Umfeld ausgespielt wird. Viele Werbung treibende fürchten um ihren guten Ruf, wenn ihre Marke auf Websites auftaucht, die nicht zum mühsam gepflegten Image passen. Gleichwohl ist an dieser Stelle nochmals anzumerken, dass beim Programmatic Advertising ja meist der Nutzerkontakt ausschlaggebend für die Platzierung ist und dieser eben selbst wissentlich das entsprechende Umfeld angesteuert hat. Eine flächendeckende Buchung auf spezifischen Websites findet meistens eher nicht statt. Ob dann daraus wirklich negative Folgen für die Unternehmensreputation abzuleiten sind, sei dahingestellt.

Nichtdestotrotz ist dieser Aspekt in der Praxis für viele Werbung treibende außerordentlich wichtig. Selbst wenn eine bestimmte Umfeldplatzierung hohe Conversionzahlen aufweist, soll ein als negativ empfundener inhaltliche Kontext von der Auslieferung ausgeschlossen werden. Da die Auslieferung aber individuell, Nutzer orientiert, erfolgt, kann dies von der Werbekundenseite mit vertretbarem Aufwand meist nur im Nachhinein – im „Erfolgsfall“ – nachvollzogen werden. Für Abhilfe kann hier ebenfalls der Einsatz maschineller Lernverfahren sorgen. Aus zuvor als „negativ“ etikettierten Umfeldern lassen sich Muster für Klassifizierungen ableiten. Daraus kann das System lernen, bereits vor der Platzierung eines Werbemittels ein nicht adäquates Umfeld zu identifizieren und die Ausspielung zu unterbinden. Bislang erfolgte dies über händisch gepflegte Blacklists oder über Zertifizierungen von Websites einschlägiger Anbieter. Aber auch in diesem Bereich existieren erste Ansätze, dieses Problem über KI zu lösen– was zu einer erneuten „Disruption“ dieser bestehenden Teilmärkte führen könnte.

Blacklisting und Whitelisting

Umgekehrt ist es auch aus Publisher-Sicht manchmal angeraten, nicht jeden Werbekunden auf den eigenen Seiten Raum zu geben. Auch hier greift das Argument der Reputationsgefährdung, wenn eine sich selbst als dem „Premiumsegment“ zugehörig begreifende Website nicht durch die dort platzierte Werbung in Misskredit geraten will. Analog zur Werbekundenseite lässt sich dies nur schwer durch menschliche erzeugte „schwarze Listen“ verhindern, für die man ja eigentlich den Werbemarkt komplett kennen müsste. Auch hier könnte KI perspektivisch auf der Basis von optischer und textlicher Mustererkennung zum Einsatz kommen.

Schließlich sind auch die Nutzer selbst in der Lage, auf intelligente, selbstlernende Systeme zurückgreifen. So bietet der in den vergangenen Jahren bereits stark genutzte Adblocker-Anbieter „Eyeo“ auf einer eigenen Plattform die Möglichkeit, Screenshots missliebiger Werbung hochzuladen. Damit soll ein künstliches neuronales Netz „gefüttert“ werden, das entsprechende Anzeigen im Netz automatisch blockiert.

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 Mediaplanung, Programmatic Advertising und KI 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.

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.

KI im Marketing

Die Fähigkeit zu Lernen haben wir bisher immer mit Intelligenz verknüpft, nur intelligenten Lebewesen billigen wir diese Kompetenz zu: Ein Mensch erweitert im wörtlichen Sinne seinen Horizont, indem er lernt und neue Kenntnisse und Fertigkeiten erwirbt. Ein Hund kann lernen, zu apportieren oder auf bestimmte Befehle trainiert werden. Aber auch ohne menschliche Anleitungen baut er sich eigenständig einen Erfahrungsschatz auf, auf den er bei der Beurteilung von Situationen zurückgreifen kann, um sich in ähnlichen Situationen ähnlich zu verhalten – und zwar jenseits von angeborenen Instinkten. Das unterscheidet ihn von anderen, weniger oder nicht „intelligenten“ Tieren. Will man Intelligenz künstlich reproduzieren, so scheint dies zwangsläufig dazu zu führen, dass dabei insbesondere auch das permanente Ansammeln von Wissen und Erfahrungen, die fortwährende Erkennung von Wirkungszusammenhängen sowie die Ableitung und Aufbereitung von Erkenntnissen daraus ein wesentlicher Bestandteil sein muss – letztlich handelt es sich hierbei ebenso um typische Anforderungen, die auch für das Marketing gelten.

Maschinelles Lernen: eigenständige „Erkenntniszuwächse“ eines Systems

Mit „maschinellem Lernen“ (engl. Machine Learning) wird in der Regel die Fähigkeit eines Systems verbunden, automatisch zu lernen, ohne dabei fest auf die Ergebnisausgabe „programmiert“ zu sein – also ohne hierzu auf ein menschlich vorgegebenes, statisches Regelwerk zurückzugreifen oder einzelne Elemente einfach auswendig zu lernen. Vielmehr geht es darum, Erkenntniszuwächse eigenständig aus der Identifizierung von Mustern zu erzielen und bestimmte Gesetzmäßigkeiten aus bereitgestellten Datensätzen abzuleiten. Damit wird das System in die Lage versetzt, auch Vorhersagen über bestimmte Muster zu treffen, indem auf Basis der erkannten logischen Zusammenhänge Algorithmen modelliert werden, die dann automatisiert typische Datenprofile ermitteln und/oder Anomalien in der Datenstruktur aufdecken.

Unterschieden wird meist in drei Ansätze,

• dem überwachten Lernen (engl. Supervised Learning)

• dem verstärkenden Lernen (engl. Reinforcement Learning), und

• dem unüberwachten Lernen (engl. Unsupervised Learning)

wobei diese nicht nur unterschiedliche Verfahren darstellen, sondern auch grundsätzlich unterschiedliche Ziele haben.

Überwachtes Lernen: Anleitung des Systems

Von überwachtem Lernen spricht man, wenn das Ergebnis – die „Erkenntnis“ – bereits vorliegt und lediglich der Weg dorthin „trainiert“ werden soll. Dies geschieht anhand von schon existierenden Input-Output-Paaren: es liegen also ein Input-Signal und ein entsprechendes Output-Signal vor, beide haben einen kausalen Zusammenhang, d.h. das Input-Signal, eine bestimmte Ausgangslage, führt zwangsläufig zu einem bestimmten Output, also einem vorhersagbaren Ergebnis. Es geht somit darum, bekannte Gesetzmäßigkeiten nach- bzw. abzubilden, oft in Form von sogenannten „Entscheidungsbäumen“ („wenn…, dann …“). Die Ergebnisse des Lernprozesses lassen sich mit den bekannten, richtigen Ergebnissen vergleichen, also „überwachen“.

Regression und Klassifikation: quantitative und qualitative Mustererkennung

Grundsätzlich unterscheidet man zwischen Regressions- und Klassifikationsproblemen. Letztere beziehen sich auf die „Einsortierung“ einer qualitativen Erkenntnis, wie dies etwa bei der Identifizierung von Spam-Mails Anwendung findet. Das System wird hierbei mit „echten“ Spam-Mails trainiert, anhand der dabei als spezifisch erkannten Eigenschaften kann es später eigenständig entscheiden, ob eine Nachricht als Spam zu klassifizieren ist oder nicht. In der Praxis übernehmen dann häufig die Nutzer der eMail-Programme den Feinschliff: Jedes Mal, wenn wir eine Nachricht als „Spam“ markieren, lernt das System hinzu und bezieht diese neuen Erkenntnisse bei späteren Entscheidungen mit ein. „Regression“ bezieht sich stattdessen auf quantitative Ergebnisse. Hier geht es also um die Bestimmung eines Zahlenwertes, etwa zur Prognose von Preisentwicklungen oder zur Festlegung bestimmter Eintrittswahrscheinlichkeiten – wie zum Beispiel der Voraussage von Kündigungszeitpunkten oder des „Customer Life Time Values“ (des Kundenwertes). Auch dies geschieht auf der Basis „antrainierter Erkenntnisse“ von Musterzusammenhängen.

Re-Inforcement Learning – eigenständiges „Verstärkungslernen“

Das Verfahren des „Reinforcement Learning“ stellt In gewisser Hinsicht eine Sonderform des überwachten Lernens dar. Vom überwachten Lernen unterscheidet es sich jedoch dadurch, dass keine vorgegebenen korrekten Input-Output-Paare Verwendung finden. Das Training erfolgt eher situativ und dynamisch, auf der Grundlage von „trial & error“: Ähnlich wie beim menschlichen Verstärkungslernen, wird das System dazu animiert, eigenständig eine Strategie zu entwickeln, um „Belohnungen“ zu maximieren. Dazu wird ihm nicht explizit angegeben, welche Handlung in einer spezifischen Situation die beste ist, sondern zu bestimmten Zeitpunkten werden „Belohnungen“ oder auch „Bestrafungen“ erteilt, je nachdem inwieweit der eingeschlagene Weg als „richtig“ einzuschätzen ist. Daraus leitet es näherungsweise eine Nutzenfunktion ab, auf deren Grundlage versucht wird, die kausalen Zusammenhänge zu identifizieren.

AlphaGo: eigenständige Taktik durch Belohnung

Anwendung findet dieses Lernprinzip insbesondere bei Spielen. So beruhte der berühmte Erfolg des Google-Systems AlphaGo über den Go-Großmeister Lee Sedol in erheblichem Maße darauf, dass der dahinterstehenden KI, abgesehen von den grundlegenden Regeln, keine spezifischen Spielzüge und -strategien vorab antrainiert wurden, sondern sie sich eigenständig eine eigene Taktik erstellte, die sich an einer permanent optimierten „Gewinnfunktion“ ausrichtete. Das System belohnte sich durch den Sieg gewissermaßen selbst und stellte sämtliche Aktionen in den Dienst des Zieles.

Conversion-Optimierung mit Reinforcement Learning

Im Marketing ist hier insbesondere eine autonome Conversion-Optimierung denkbar. Der Motorradbauer Harley-Davidson setzte ein derartiges System ein, mit dem Ziel, möglichst viele Termine für Probefahrten vereinbaren zu können. Eine KI kombinierte dabei verschiedene Werbemittel mit verschiedenen Social-Media-Kanälen und optimierte eigenständig diese Faktoren mit dem Ziel einer möglichst hohen Anzahl an Terminvereinbarungen, wozu sich die Interessenten registrieren mussten.

Unsupervised Learning: Musteridentifizierung

Anders als bei den zuvor genannten Lern-Methoden liegen beim unüberwachten Lernen keinerlei vorgegebenen Datenpaare oder zu erreichende Zielwerte vor, mögliche kausale Zusammenhänge sind zunächst unbekannt. Stattdessen geht es gerade darum, das Vorhandensein von Mustern und Strukturen in den Daten aufzudecken und Regeln daraus abzuleiten.

Marktsegmentierung und Clusteranalyse

Typische Anwendungsfälle liegen einerseits in der Segmentierung, andererseits in der Komprimierung. Erstere hat die Gruppierung der Daten nach Gemeinsamkeiten zur Aufgabe – wie man es von einer Marktsegmentierung oder klassischen Clusteranalyse kennt. Das System erstellt also eigenständig Kriterien zur Kategorisierung und sortiert die Daten entsprechend. Dies kommt beispielsweise bei der Aufdeckung von Anomalien, etwa auch in der frühzeitigen Krebserkennung durch die Analyse von computertomographischen Körperscans zum Einsatz. Im Bereich des Marketings ist hier die automatisierte Identifizierung spezifischer Kundengruppen zu nennen, für die dann in einem nächsten Schritt maßgeschneiderte Werbemittel erstellt oder zielgenaue Produktempfehlungen abgegeben werden können.

Komprimierung und Konzentration auf das Wesentliche

Komprimierung hat das Ziel, eine Vielzahl von Eingabewerten in einer kompakteren Form darzustellen und sich auf die Hauptkomponenten von Zusammenhängen zu konzentrieren, ohne Einbußen in der Aussagekraft hinnehmen zu müssen. Abgesehen von der Möglichkeit, auf diese Weise Rechenoperationen einfacher und damit handhabbarer zu gestalten, eröffnet dies auch Ansätze wie die Haupt-Einflussfaktoren einer bestimmten Entwicklung zu identifizieren, etwa die Aufdeckung bestimmter, besonders wesentlicher und unter Umständen nicht offensichtlicher Motive für die Kündigung von Kunden.

KI im Marketing: Synchronisierung von Zielen und maschinellen Lernmethoden

Die Einsatzmöglichkeiten von KI im Marketing werden sehr stark von der Wahl der entsprechenden maschinellen Lernmethoden geprägt. Für die Praxis bedeutet dies, dass die Zielrichtung der Maßnahmen vorab detailliert festzulegen ist, um mögliche Datenmodelle exakt daran auszurichten. Nur dann gestattet der Rückgriff auf Künstliche Intelligenz die hochgradig automatisierte systematische Erfassung von Informationen sowie deren operative Verarbeitung.

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

Weitere Informationen zum Thema „KI im Marketing“ finden Sie hier:

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

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 Maschinelles Lernen und KI im Marketing: Lernmethoden und ihre Einsatzmöglichkeiten im Marketing 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.