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.

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.

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.

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.

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.