Machine Learning und Künstliche Intelligenz – Definition und Einsatzbereiche

Das Thema Maschinelles Lernen (Machine Learning) bzw. Künstliche Intelligenz (Artificial Intelligence) ist momentan in aller Munde. Maschinen sollen immer größere Teile der menschlichen Arbeit übernehmen und die Gesellschaft der Zukunft dadurch grundlegend verändern.

Entsprechend treibt das Thema nicht nur Computer Freaks, IT Spezialisten oder verwandte Spezien um, sondern betrifft die gesamte Gesellschaft und ist mittlerweile auch in den Nachrichten regelmäßig present.

Auch die Bundesregierung befasst sich mit dem Thema Digitalisierung und Künstliche Intelligenz. Ende Juni kam zum ersten mal ein Kabinettsausschuss zusammen, der sich speziell mit Fragen der Digitalisierung befassen soll. Die Bundesregierung lies verlauten, man plane eine nationale Strategie zur Künstlicher Intelligenz.  In Bayern geht man schon mit konkreten Schritten weiter – der Freistaat hat sich entschieden, 280 Millionen Euro in die Förderung von Künstlicher Intelligenz zu investieren. Auch das unterstreicht die Wichtigkeit des Themas. Wer in Zukunft auf dem Markt noch wettbewerbsfähig bleiben will, wird keinen Weg darum herum finden.

Doch was ist Künstliche Intelligenz und Maschinelles Lernen überhaupt genau? Das Thema klingt auf den ersten Blick wie die Science-Fiction und vielen von uns kommen Gedanken an die Bücher von Jules Verne oder Filme mit selbstfahrenden Autos oder sprechenden Maschinen. Tatsächlich können wir schon heute konkreten Anwendungen in der Praxis treffen. Im Folgenden möchte ich einige Beispiele vorstellen, die den Menschen bereits lästige Tätigkeiten abnehmen und den abstrakten Begriff des Machine Learning etwas greifbarer machen.

  1. Autonomes Fahren

Fast jeder von uns erinnert sich an eine US-Amerikanische Fernsehserie mit einem schwarzen Auto als Hauptdarsteller.  Was vor ein paar Jahren bei Knight Rider noch wie ein Märchen aussah, kann heute technisch realisiert werden.  Autonomes Fahren wird langsam Wirklichkeit. Die

Bundesanstalt für Straßenwesen  und andere Institute in Europa und den USA haben verschiedene Stufen für autonomes Fahren definiert. Momentan befinden wir uns zwischen Stufe 2 und 3 von insgesamt 6 Stufen. Autos können heutzutage schon autonom beschleunigen, bremsen, einparken, die Spur halten und im Stau auch selber fahren. Es gibt auch Modelle, die bereits völlig autonom fahren können, der Mensch muss aber jederzeit in der Lage sein, die Kontrolle über das Fahrzeug zu übernehmen. Ungeklärt ist noch, wer beim komplett autonomen Fahren im Falle eines Unfalls verantwortlich wäre. Auch wirft die Programmierung der Software die ethische Frage auf, wie sich das Fahrzeug bei einem unausweichlichen Unfall verhalten soll. Soll lieber der Passant überfahren werden und dafür die PKW-Insassen den Unfall unbeschadet überstehen oder andersrum? Oder – wenn der Zusammenprall nicht vermeidbar ist – soll lieber die ältere Dame statt ein Kind überfahren werden?

Diese ethischen Problem verhindern derzeit die Durchsetzung des autonomen Fahrens, technisch ist es heute schon möglich.

  1. Haushaltshelfer

Jeder von uns kennt die kleinen technischen Helfer, wie z.B.  Mähroboter oder Staubsaugerroboter. Sie sollen uns Menschen vor allem langweilige oder schwere Arbeit abnehmen und erfreuen sich immer größerer Beliebtheit.

  1. Persönliche Assistenten

Jeder kennt mittlerweile Alexa, Siri, Google Assistent, Cortana, Bixby usw. Sie sind fest in unseren Smartphones oder PCs integriert und lassen uns nicht aus den Augen. Ein interessantes Beispiel, das ich mal mit dem persönlichen Assistenten erlebt habe: Auf dem Heimweg von einem Kunden hatte ich mein Smartphone als Navi aktiviert. Gleichzeitig erhielt ich einen Anruf und unterhielt mich einige Minuten per Freisprechanlage, ohne das Smartphone dabei oder danach zu beobachten. Irgendwann stellte ich verwirrt fest, dass das Navi das Ziel geändert hatte und diverse Suchanfragen gestartet hatte. Im Nachhinein konnte ich rekonstruieren, dass ich während des Telefonats in einem anderen Kontext das magische Wort zur Aktivierung des Assistenten genutzt hatte, der daraufhin mein Gespräch verfolgte, die Route änderte und alles andere in die Suchmaschine eingab. So ein persönlicher Assistent ist also manchmal auch mit Vorsicht zu genießen und muss in seinem Tatendrang gebremst werden.

  1. Übersetzer

Im Internet gibt es diverse Portale für die Übersetzung von und in alle möglichen Sprachen der Welt. Das bekannteste ist sicher Google Translate. Auch diese basieren auf Künstlicher Intelligenz. So lernen die Systeme immer mehr dazu und die Übersetzungen werden immer besser – teilweise ähneln sie bereits professionellen Übersetzung, auch wenn es hier immer wieder lustige „Variationen“ gibt.

  1. Wettervorhersage

Während man sich in der Vergangenheit mit mehr oder weniger verlässlichen Bauernregeln behelfen musste, ist die Vorhersage des Wetters heute ziemlich genau, zumindest für die nächsten 24 Stunden bis 3 Tage. Auch hier bildet Künstliche Intelligenz bzw. Machine Learning die Basis, Modelle lernen aus vergangenen und aktuellen Wetterdaten und können Entwicklungen immer besser berechnen.

  1. Watson

Watson ist ein Computerprogramm der Firma IBM, das auf der Basis von KI funktioniert und in allen möglichen Bereichen wie Finanz, Versicherungen, Sicherheit, Medizin, Transport und viele anderen zum Einsatz kommt. Watson bietet ein API mit der eine Kommunikation und eine Integration in die IT-Landschaft möglich ist. Nutzer können per Sprachsteuerung Fragen eingeben, auf die das System Antworten findet. In der Quizshow Jeopardy! stellte das Programm sein Wissen unter Beweis uns schlug die bis dato unbesiegten Gewinnerteams deutlich.

  1. Medizinische Diagnose

Ob Hautkrebs, Darmkrebs oder generell bei der medizinischen Diagnostizierung ist die Künstliche Intelligenz auf dem Vormarsch. In Zukunft wird dieser Bereich sicher noch mehr an Bedeutung gewinnen. Führende Mediziner sagen schon heute, dass KI z.B. CT-Untersuchungen „mit mindestens vergleichbarer, schließlich aber auch höherer Qualität befunden kann als erfahrene Radiologen“.

  1. Börse und Geldanlage

Auch die nächste Generation der Finanzberater könnte aus KI-gestützten Computerprogrammen bestehen. Sogenannte „Robo-Advisor“ versprechen uns eine bessere Beratung als durch Bankberater, legen unser Geld automatisiert für maximalen Gewinn an und sind dabei noch günstiger.

  1. Juristische Recherche in Kanzleien

Die Arbeit von Rechtsanwälten und Juristen besteht zu einem Großteil aus aufwändiger Recherche, z.B. zu Präzedenzfällen, der massenhaften Analyse von Akten und der Entwicklung von Argumenten. All das können Maschinen besser, schneller und vor allem günstiger. Die Beratungsfirma McKinsey schätzt, dass 22 Prozent der Tätigkeiten von Anwälten und 35 Prozent der Aufgaben von Rechtshelfern automatisiert werden könnten.

 

Soweit also einige Beispiele aus unseren Leben, wo sich Künstliche Intelligenz mit enormer Geschwindigkeit durchsetzt. In diesen Beispielen kann sich Machine Learning deshalb so schnell durchsetzen, weil es bei den Tätigkeiten hauptsächlich darum geht, große Datenmengen statistisch auszuwerten und durch „Lernen“ die richtigen Schlüsse zu ziehen. So ist z.B. die Wettervorhersage umso besser, je mehr Daten aus der Vergangenheit man hat, anhand derer man Schlüsse ziehen kann.

Ähnlich ist es bei der Medizin – je mehr Erfahrung ein Spezialist mitbringt, also je mehr Ultraschalle, CTs, MRTs und andere Bilder er bzw. das Programm schon gesehen hat, desto sicherer ist die Diagnose. Was für einen Anfänger vielleicht nur Klecks ist, ist für einen erfahrenen Betrachter schon ein Befund.

Das alles können Maschinen besser als Menschen. Sie vergessen nichts, sind nie müde, haben nicht mal einen schlechten Tag und verfügen über riesige Speicherkapazität.

Maschinelles Lernen ist dabei die Vorstufe zur Künstlichen Intelligenz. Bei einem klassischen Algorithmus legen Programmierer oder Analysten eine bestimmte Logik fest, die sich im Laufe der Zeit nicht ändert. Die Maschine verarbeitet dann die Daten entsprechend des Schemas. Bei Abweichungen oder unbekannten Konstellationen kann der klassische Algorithmus die Daten nicht verarbeiten und gibt einen Exception-/Ausnahmefehler zurück.

Beim Maschinellen Lernen hingegen kann die Logik sich im Laufe der Zeit anpassen, die Maschinen “lernen” und Künstliche Intelligenz entsteht.
Wie das technisch funktioniert, werden wir uns in einem der nächsten Blogbeiträge anschauen. Dazu werden wir und auch ein praktisches Beispiel aus Modebranche anschauen und sehen, wie man künftige Verkäufe anhand von Wetterdaten und Künstlicher Intelligenz vorhersagen kann.

Stammkundenpflege durch Predictive Analytics

Dass die Neukundenakquise teuer und aufwändig ist, davon kann wohl jedes Unternehmen ein Lied singen. Aktionen, um Stammkunden zu halten und zum Wiederkauf zu animieren, bieten da oft die günstigeren Marketingmaßnahmen.

Die generelle Herausforderung bei jeder Kundenaktion besteht darin, den richtigen Kunden für ein Angebot zu finden, bzw. dem bestehenden Kunden das richtige Angebot zuzusenden.

Dieses Problem haben auch Private Shopping Clubs, auf deren Besonderheiten ich in einem früheren Beitrag bereits eingegangen sind. Da diese nur einen eingegrenzten Kreis an Mitgliedern haben und Neukunden nur begrenzt aufnehmen, ist es umso wichtiger, „schlafende“ Kunden zu wecken und zum Wiederkauf zu animieren. Denn oftmals werden Kunden, die in einem bestimmten Zeitraum keinen oder nicht genug Umsatz getätigt haben, vom Club ausgeschlossen. Das schafft zwar Platz für neue Mitglieder, bedarf aber auch mehr Aufwand und Investment als die Stammkundenpflege.

Um „Schläfer“ zu reaktivieren, müssen zuerst die Kunden identifiziert werden, die in einem festgelegten Zeitraum nicht mehr bestellt haben. Anschließend können diese mit gezielten und spezifischen Angeboten angesprochen werden, um sie zu einem erneuten Kauf zu animieren.

Noch besser wäre es aber doch, wenn die Kunden gar nicht erst inaktiv werden, sondern bereits vorher aktiviert werden. Mit Hilfe von Predictive Analytics und Machine Learning haben wir dazu bei einem unserer Kunden ein Modell entwickelt, das genau diese Herausforderung meistert.

Um proaktiv agieren zu können, müssen wir identifizieren, inwiefern sich inaktive Kunden von denen unterscheiden, die immer fleißig bestellt haben. Anschließend erstellen wir ein Modell, das die entsprechenden Attribute identifiziert und beschreibt.

Anhand dieses Modells wird mit Hilfe von Predictive Analytics herausgefiltert und klassifiziert, wer in Zukunft “Abwanderer” oder weiterhin fleißiger Käufer sein wird. So kann man den zukünftigen Wert des Kunden besser einschätzen und vorausahnen. Beim Private Shopping Club hilft dies möglicherweise, diejenigen vor der Beendigung der Mitgliedschaft zu bewahren, die zum fleißigen Käufer reaktiviert werden könnten.

Auf Basis dieses Modells können nun Strategien, Maßnahmen und Aktionen geplant werden, die den Kunden binden. Durch die Segmentierung können gezielte Marketingaktionen durchgeführt werden. So kann einem potenziellen Abwanderer vielleicht ein Rabattcode für den nächsten Einkauf gesendet werden, damit er aktiv bleibt.

Die Vorteile des Modells im Überblick:

  • Es lassen sich Vorhersagen betreffend des zukünftigen Kundenwertes treffen, die ansonsten (von einem Mitarbeiter) nur schwer berechenbar sind.
  • Das automatisierte Vorgehen zur Segmentierung der Kunden erleichtert und beschleunigt die Arbeit des Mitarbeiters und ermöglicht oftmals sogar erst die Filterung der in Frage kommenden Kunden.
  • Wer seine Kunden besser kennt, kann dessen Bedürfnisse besser verstehen, gezielt darauf eingehen und geeignete Aktionen ins Leben rufen. Eine personalisierte Ansprache nach Kundentypen ist effizienter als eine produkt- und preisfokussierte Ansprache
  • Kunden können reaktiviert werden bevor sie inaktiv werden und Unternehmen sparen sich so den Aufwand der Neukundenakquise

Machine Learning und Künstliche Intelligenz im Handel

Künstliche Intelligenz (englisch: Artificial Intelligence, abgekürzt AI) ist momentan der große Trend der Online-Branche und wird nach Schätzung von E-Commerce Experten auch 2018 eines der Top-Themen bleiben.

Das Thema „Machine Learning“ ist Teil dieser technischen Entwicklung. Die Definition nach Wikipedia beschreibt Maschinelles Lernen als Oberbegriff für die künstliche Wissensgenerierung aus Erfahrung. Ein künstliches System sammelt Erfahrungen aus Beispielen und kann diese nach und nach verallgemeinern. Dies erfolgt nicht durch ein Auswendiglernen, sondern durch das Erkennen von Mustern aus diversen Beispielen. Mit diesem Hintergrund ist es einem künstlichen System möglich, auch unbekannte Daten auszuwerten und eine Prognose abzugeben.

Mit der Erkennung von Mustern aus Personendaten haben wir uns bereits im Blogartikel zum Thema „maßgeschneiderter Content“ beschäftigt. Dabei werden Algorithmen festgelegt, um die Kaufwahrscheinlichkeit bei Kunden/Interessenten einzuordnen und die Nutzer entsprechen gezielt anzusprechen und zu steuern.
Es gibt verschiedene algorithmische Ansätze, die Maschinelles Lernen ermöglichen. Einige Beispiele finden sich hier.

Einer dieser algorithmischen Ansätze ist das überwachte Lernen. Bei dieser technisch recht einfachen Methode gibt ein Lehrer dem System einige Ansätze vor. Er teilt dem System beispielsweise mit, was es in welcher Situation zu tun hat. Google hat dazu die „Teachable Machine“ erschaffen, um Nutzer an das Thema heran zu führen. Wie im Video zu sehen, kann mir hier das System so „trainieren“, dass es ein Katzenfoto zeigt, wenn ich eine Hand hebe, ein Hundefoto wenn ich keine Hand hebe und ein Kaninchenfoto, wenn ich Krimassen schneide. Dies ist nur eines von zahlreichen Google-Projekten zum Machine Learning.

Bei genauerem Hinsehen trifft die Bezeichnung “Künstliche Intelligenz” beim Machine Learning nicht ganz zu, da sich Machine Learning eher mit der Entwicklung von automatisierten Algorithmen auf Basis von empirischen Daten bzw. Trainings-Daten befasst. Der Fokus liegt dabei auf der Optimierung der Ergebnisse bzw. Verbesserung der Vorhersagen aufgrund von Lernprozessen.

Die Künstliche Intelligenz befasst sich hingegen mit einem noch viel komplexeren Ziel. Es geht dabei darum, Entscheidungen aufgrund erhobener Daten zu treffen, die menschliche Verhaltensweisen mit einbinden.

Auch im Handel findet künstliche Intelligenz mehr und mehr Einzug. Für E-Commerce- und Omni-Channel Händler ist es ein sehr gutes Instrument, um vorhandene Daten auszuwerten und am Ende des Tages mehr Umsatz zu erzielen. Jedoch reicht dabei kein so einfaches Vorgehen wie im gerade betrachteten Beispiel. Um ein Muster aus den komplexen Kundendaten zu erkennen, bedarf es tieferer Analysen.

Um im Wettbewerb nicht unterzugehen, wird sich der Handel mehr und mehr an den Systemen der Künstlichen Intelligenz bedienen und Machine Learning, sowie vorwiegend neurale Netzwerke einsetzen müssen.