• Mai 1997: IBM Rechner Deep Blue schlägt den Schachweltmeister Garry Kasparov.
  • Oktober 2015: Google Deepmind Rechner Alpha Go schlägt den Europameister Fan Hui im Brettspiel „Go“ – ein auf Grund der Vielzahl an Spielkonstellationen hochkomplexes Spiel.
  • Mai 2017: Google verkündet ein selbstlernendes System, das sich „selbst entwickelt“.
  • August 2017: Google stellt den Übersetzungsservice Google Translate auf ein Machine Learning-System um und erhöht die Qualität der Übersetzungen deutlich.

… die Liste wächst rasant.

Machine Learning, Deep Learning, Big Data, Smart Analytics. Die Revolution der Daten und intelligenter Algorithmen hat viele Namen. Doch woher kommt die aktuelle Revolution der Algorithmen? Und welche Anwendungsfälle ergeben sich für Medienunternehmen?

Drei Faktoren sind für die Revolution der Daten verantwortlich

  • Wachstum der Rechenpower: Rechenkapazität ist praktisch unbegrenzt vorhanden. Zum Beispiel über Dienstleister wie Amazon Web Services, Microsoft Azure oder Google Cloud Platform.
  • Verfügbarkeit von Daten: Durch das Internet ist die Verfügbarkeit von Datenmaterial, zum Beispiel Fotos, massiv gewachsen. Diese Verfügbarkeit von Daten ist essentiell, damit intelligente Algorithmen „lernen“.
  • Abkehr von regelbasierten Systemen: Früher waren regelbasierte Systeme „state-of-the-art“. Zum Beispiel wurden für die maschinelle Spracherkennung große formalisierte Regelwerke zur Beschreibung menschlicher Sprachen entwickelt. Heutige Systeme benötigen keine Regelwerke, sondern „lernen“ – ähnlich wie das menschliche Gehirn.

Wir funktionieren selbstlernende Algorithmen?

Das menschliche Gehirn besteht aus ca. 100 Milliarden Nervenzellen, den Neuronen. Neuronen speichern einfachste Informationen. Im Falle eines künstlichen, computergestützten Netzwerks wird in einem Neuron eine einzelne Zahl gespeichert.  Neuronen sind miteinander verschaltet und geben Impulse über diese Verschaltung weiter. Auf gleiche Weise arbeiten intelligente Algorithmen.

Die intelligenten Algorithmen passen in der Lernphase die Informationen in den Neuronen iterativ an. Zudem wird in jedem Schritt einer solchen Lernphase zufällig Information aus einigen Neuronen gelöscht. Der Grund: vor Betriebsblindheit schützen. Das zufällige Löschen von Information – im Fachjargon auch „Dropout“ genannt – hilft, das Netzwerk vor Überlernen („Overfitting“) zu bewahren. Ein „überlerntes“ Netzwerk kann nur noch die in der Lernphase gezeigten Fälle identifizieren und kann nicht mehr generalisieren. Aber gerade Generalisierung ist der Kern eines intelligenten Systems und zwingend notwendig, um das aus spezifischen Fällen gelernte Wissen auf unbekannte Fälle zu übertragen.

Mit den beschriebenen Modellen kann man Sprache erkennen, Fotos identifizieren, Situationen im Straßenverkehr bewerten und vieles mehr. Die Modelle funktionieren auch andersherum: Inhalte können „erschaffen“ werden, zum Beispiel Sprache, Texte, Musik oder Bilder.

Wie Medienhäuser von intelligenten Algorithmen profitieren können

Was hat das alles mit Medienhäusern zu tun? Einige Beispiele, wie Medienhäuser von intelligenten Algorithmen profitieren können:

 

Case 1: Roboterjournalismus zur automatisierten Generierung von Texten

Roboterjournalismus ist der wohl bekannteste Fall von intelligenten Algorithmen bei Medienhäusern. Vergleichsweise einfache und standardisierte Texte werden automatisch durch Algorithmen generiert. Heute wird Roboterjournalismus zum Beispiel eingesetzt für Börsenmeldungen, Wetter, Sportmeldungen, Finanzberichte oder Polizeimeldungen. Das Ziel: der Redaktion mehr Freiräume für inhaltlich anspruchsvolle und komplexe Inhalte zu schaffen.

Case 2: Steuerung der Aktivitäten in der Werbevermarktung

Zu welchem Werbekunden, zu welchem Zeitpunkt, mit welchem Angebot? Wer diese Kombination von Fragen optimal beantwortet, gewinnt das Rennen um die Werbeerlöse. Um diese Fragen zu beantworten, sind jedoch Unmengen an Daten notwendig. Kein Verkäufer kann diesen umfassenden Blick auf Markt, Kunden und Angebote leisten. Maschinen schon. Andere Unternehmen verkaufen bereits erfolgreich über Produktempfehlungen intelligenter Algorithmen. Amazon macht heute 35% des Umsatzes über solche persönlichen individuellen Empfehlungen. Ein großes Netzwerk, gefüttert mit allen Käufen der Amazon-Kunden arbeitet im Hintergrund. Auch für Netflix sind Empfehlungen eine essentielle Komponente im Geschäftsmodell. Für Medienunternehmen wird die Steuerung des Verkaufs durch intelligente Algorithmen die nächste Stufe im Kampf um die Werbeerlöse sein.

Case 3: Automatisierte Bearbeitung von Vorgängen im Aboservice

Kosteneffizienz und kurze Bearbeitungszeiten werden im Aboservice immer wichtiger. Intelligente Algorithmen können schriftliche Anfragen (E-Mails oder handschriftliche Briefe) automatisch klassifizieren und Standardvorgänge eigenständig beantworten: Urlaubsunterbrechungen, Abbestellungen oder Zustellreklamationen können so automatisiert, kostengünstig und schnell bearbeitet werden.

Case 4: Optimierung der Abogewinnung

In welchen Gebieten schaffen welche Aboaktionen welchen Erfolg? Diese Frage lässt sich mit heutigen Methoden auswerten. Intelligente Algorithmen helfen aber zusätzlich auch bei der Beantwortung der Frage: „Warum?“ Sie helfen, die inhärenten versteckten Eigenschaften von Gebieten, Abonnenten und erfolgreichen/nicht erfolgreichen Aktionen zu extrahieren. Hiermit gewinnen Sie einen wertvollen Einblick und können die Abogewinnung kontinuierlich optimieren.

Case 5: Frühwarnsystem für Kündiger

Welcher Abonnent ist aktuell unzufrieden und wird voraussichtlich bald sein Abonnement kündigen? Wie können Sie Ihre Ressourcen bestmöglich einsetzen, um Kündigungen proaktiv zu vermeiden? Am besten, noch bevor der Abonnent überhaupt selbst weiß, dass er bald kündigen wird? Intelligente Algorithmen können auch in dieser Aufgabe unterstützen.

Case 6: Vorhersage für Probleme in der Zustellung

Mit der Winterzeit wird die Zustellung von Zeitungen und Zeitschriften zur Zitterpartie. Spätestens mit dem ersten Glatteis schnellen die Reklamationen in die Höhe. Intelligente Algorithmen können unter Einbezug der früheren Zustellqualität einzelner Zusteller, der Bezirke, des Wetters, der geplanten Produktion vorhersagen wo mit höchster Wahrscheinlichkeit Probleme entstehen. Hierdurch können Medienunternehmen proaktiv handeln – statt reaktiv, wenn es meist schon zu spät ist.

Die Liste der Cases kann beliebig weitergeführt werden. Die Anwendungsfälle intelligenter Algorithmen sind schier unbegrenzt.

Auch Medienunternehmen trifft die Revolution der Daten – schneller als gedacht.