Das SCHICKLER Strategieforum 2018: Sind Künstliche Intelligenz und Machine Learning die Wunderwaffen der Zukunft für Medienunternehmen?

Teil 2: Neue KI-Geschäftsmodelle und maschinenerlerntes Sprachverständnis

 

Technologie führt zu neuen Geschäftsmodellen – ein erfolgreiches Beispiel

Rolf-Dieter Lafrenz und Tom Krause, CEO und CTO des innerhalb von SCHICKLER geborenen Start-ups cargonexx, gaben einen praxisbezogenen Einblick in das technologiebasierte Geschäftsmodell, die Entwicklung unter Unsicherheit und appellieren an den Mut der Unternehmer.

Cargonexx revolutioniert den LKW-Transport mit Künstlicher Intelligenz, wobei diese definiert wird als Kombination aus Automatisierung, Intelligenz und maschinellem Lernen. Das Geschäftsmodell reduziert die Transaktionskosten und erhöht die Auslastung der LKWs. Künstliche Intelligenz in Form von selbst-lernenden Algorithmen optimiert Touren, sagt Preise voraus und generiert auf Basis wachsender Daten ein intelligentes Transport-Netzwerk. Über die Plattform ergibt sich eine Win-Win-Situation für Verlader (bessere Preise, Zeitersparnis) und Frachtführer (mehr Umsatz, weniger Arbeit). Auch die Gesellschaft und die Umwelt profitiert: weniger Verkehr durch bessere Auslastung und eine Reduzierung des CO²-Ausstosses sind die Folge. Zukünftig ist gepaart mit autonom fahrenden LKWs sogar ein völlig autonomes Transport-Ökosystem möglich.

Wertvolle Hinweise, wie die Umsetzung von neuen Geschäftsmodellen mit Künstlicher Intelligenz kostenseitig nicht zu einem Fass ohne Boden werden, hatte Tom Krause für die Teilnehmer am Beispiel cargonexx parat.  Um Risiken einzuschränken sollten bewiesene Methoden und Ansätze aus dem Start-up-Umfeld wie z. B. die Lean-Methode zum Einsatz kommen. Mit dem Vorgehen „Build – Measure – Learn“ wird vorhandene Unsicherheit wissenschaftlich reduziert. Dazu entwickelt man definierte Hypothesen in kleinen Features (MVP = minimal viable product) um die Hypothese dann zu bestätigen. Entscheidend ist das Lernen und Adjustieren mit echten Kunden, denn der Erfolg hängt davon ab, ob der Kunde den gewünschten Mehrwert erzielt.

Die Strukturierung der Problemstellung und eine auf Automatisierung ausgerichtete Prozessanalyse waren die Grundlage für das Machine Learning bei cargonexx. Die Analyse der Probleme in der Prozesskette vom Verlader zum Frachtführer verknüpft mit den Anforderungen der Player liefert Informationen für die Automatisierungsansätze zur Problemlösung (z. B. zeitintensive Angebotserstellung, Preisvergleiche und Abwicklung). Über immer wieder automatisch neu strukturierte Entscheidungsbäume mit ständig wachsendem Dateninput lernt die Maschine z. B. Freikapazitäten und Preise vorherzusagen und trainiert bzw. verbessert sich mit jeder Entscheidung.

Rolf-Dieter Lafrenz stellte nach dem interessanten und tiefen Blick in die KI-Werkstatt auch fest, dass nicht jeder Entscheider dieses Wissenslevel erreichen muss – wichtig ist es, den Nutzen der Technologie zu verstehen. Denn nur die Technologie führt zu neuen Geschäftsmodellen und neuen Märkten. Er schloss mit dem Appell, mehr Mut zu zeigen, breiter zu denken und neue Geschäftsansätze auszuprobieren.

 

Know your Customer – das Verständnis der Sprache im Kontext

Prof. Dr. Heiko Beier, Geschäftsführer von der moresophy GmbH und Professor für Medienkommunikation setzt seinen Schwerpunkt auf Cognitive Computing und das echte Verstehen von Sprache und Kontext durch Künstliche Intelligenz.

Im Zuge der DSGVO wird deutlich, dass die Nutzung der persönlichen Daten des Kunden für Werbezwecke zunehmend schwierig wird. Die Alternative ist kontextbezogener Content, d.h. eine Nutzung der aktuellen Interessen des Users in Echtzeit. Ich treffe den User in einem Kontext mit dem er sich jetzt gerade beschäftigt – und es ist dafür keine Profilbildung oder Zustimmung notwendig.

Bedingung hierfür ist das Verständnis der Sprache und in welchem Kontext sie verwendet wird. SRA (Semantic Relevance Advertising) schafft es, anhand der Sprache und des Umfeldes dem User ein optimales Werbeangebot zu unterbreiten. Maschinen können heute dieses Verständnis zu lernen. Nicht nur das Wort, sondern die Bedeutung ist dabei entscheidend. Zusätzlich lernen die Algorithmen zu verstehen, was für die User wichtig ist und wie sie sich ausdrücken – hier liegt der Schlüssel. Dies stellt den feinen aber relevanten Unterschied zwischen einem einfachen Keyword und dem echten Verständnis der Sprache dar.

Einsatzbereiche sind z. B. in der automatisierten Dialogsteuerung im Service möglich. Das automatische Verstehen von Kundenkommunikation im richtigen Kontext ermöglicht zudem die Ausspielung von passenden Werbeangeboten in z. B. themenbezogenen Foren.

Fazit: KI kann durch das Verständnis von Sprache und Kontext perfekte Umfelder mit Echtzeit-User-Interesse identifizieren.

 

Historie, Perspektiven, Geschäftsmodelle, Methoden und Anwendungsmöglichkeiten – das SCHICKLER Strategieforum 2018 beleuchtete verschiedene Dimensionen des Themas Künstliche Intelligenz zum Thema. Vielen Dank an die Referenten und Teilnehmer – wir freuen uns auf das nächste Strategieforum 2019!

 

 

Das SCHICKLER Strategieforum 2018: Sind Künstliche Intelligenz und Machine Learning die Wunderwaffen der Zukunft für Medienunternehmen?

Teil 1:
KI-Trends und Googles Machine-Learning-Erfahrungen

Roboter begrüßen freundlich am Eingang und übergeben Namensschilder, selbstlernende Sprach-Applikationen informieren im Dialog über die Agenda und den Tagesablauf. Die Sitzplätze werden von einem Algorithmus zugewiesen, der die individuellen Anforderungen und Interessen der Strategieforum-Teilnehmer berücksichtigt.

So hätte er sein können – der Empfang zum diesjährigen SCHICKLER Strategieforum 2018 mit dem Thema „Künstliche Intelligenz“. Aber es blieb persönlich und durch den herrlichen 360-Grad-Blick aus der 20. Etage des Atlantik-Hauses über das sonnige Hamburg auch „natürlich“.

„KI wird für die Menschheit wichtiger als Elektrizität und Feuer“, sagt der Google-CEO. Nicht nur die 40 Milliarden US-Dollar Investitionen im letzten Jahr, sondern auch die Rekordteilnehmerzahl von mehr als 50 Entscheidern aus der Medienbranche am Strategieforum spiegelte die Relevanz des Themas „Künstliche Intelligenz“ wider.

Um einen strategisch ganzheitlichen Blick auf das Thema zu bekommen, boten die Keynote-Speaker in diesem Jahr einen Mix aus Theorie und Praxis sowie branchenfremden und medienbezogenen Einsatzfeldern.

 

Haben wir eine Chance im weltweiten KI-Wettbewerb?

 

Prof. Dr. Alois Knoll, Lehrstuhlinhaber für Künstliche Intelligenz an der TU München, zeigte die Anfänge der Künstlichen Intelligenz auf und gab Einblicke in die wissenschaftliche Entwicklung, deren Möglichkeiten sich mit steigender Rechnerleistung stetig erweitern. Im Fokus der Wissenschaft steht das menschliche Gehirn – das Verständnis der Komplexität und die „Übersetzung“ in Technologien ist das Ziel eines europäischen Flagship-Projektes namens „Human Brain Project“.  Die dazugehörige Neurorobotics-Plattform hat zum Ziel, Gehirn- und Robotermodelle für kognitive Experimente zu vereinen (www.neurorobotics.net).

Und wo steht Deutschland bzw. Europa im weltweiten Wettbewerb? Insbesondere mangels Investitionswillen und fehlendem Datenvolumen (siehe DSGVO) können wir den Vorsprung und das exponentielle Wachstum von KI in USA und China nicht aufholen. Aber: wir können uns auf die nächste KI-Welle vorbereiten und diese systematisch „mitreiten“.

Die Trends in dieser nächsten KI-Welle werden geprägt sein von

  • Individualisierung und Privatheit („private AI“),
  • Fokussierung auf bestimmte intellektuelle Leistungen in verbesserter Echtzeit („narrow AI“)
  • Leistungsfähigen Algorithmen auf kleineren Datensätzen („small big data“) und
  • Nutzung von KI auf Spezialarchitekturen mit geringem Energieverbrauch („embedded AI“).

Voraussetzung dafür ist allerdings, dass in Deutschland und Europa die Investitionen in Künstliche Intelligenz durch die Unterstützung von Start-ups sowie die Schaffung von neuen Ökosystemen massiv erhöht werden – das Potenzial ist auf jeden Fall vorhanden. Entscheidend wird sein, wie wir es schaffen, Bedarf und Angebot, Anforderungen und Ideen sowie last but not least Unternehmen und Start-ups zusammenzubringen.

 

Googles Erfahrungen mit Machine Learning in Online-Marketing-Einkaufssystemen

 

Heutige Werbung muss für den Verbraucher relevant und unterstützend sein. Dies ist der Ausgangspunkt für die Nutzung von Machine Learning im Online Marketing, sagt Meinolf Meyer, Head of Sales Google Marketing Platform. Technologie und spezielles Wissen über den Kunden eröffnet Möglichkeiten, automatisch Werbung im richtigen Moment, für die passende Person mit der richtigen Message zu kaufen und auszuspielen.

Als Vertreter einer der großen weltweiten Player bezüglich Künstlicher Intelligenz teilte Meinolf Meyer mit den Teilnehmern Erfahrungen, die Google mit Machine Learning auf ihrer Online Marketing Plattform gemacht hat.

Das Futter für die eingesetzten Machine-Learning-Algorithmen sind verschiedene Datenpunkte in vier Clustern. Diese Signale sind z.B. Informationen über

  • „Audience“: wer (Alter/Geschlecht), wann (Wochentag/Tageszeit) und wo (Geodaten)
  • „Content“: welcher Kanal bzw. welches technische Umfeld
  • „Creative“: welcher Werbetyp (Banner, Video, …)
  • „Technology“: welches Device wird genutzt

Voraussetzung dafür ist allerdings, dass in Deutschland und Europa die Investitionen in Künstliche Intelligenz durch die Unterstützung von Start-ups sowie die Schaffung von neuen Ökosystemen massiv erhöht werden – das Potenzial ist auf jeden Fall vorhanden. Entscheidend wird sein, wie wir es schaffen, Bedarf und Angebot, Anforderungen und Ideen sowie last but not least Unternehmen und Start-ups zusammenzubringen.

Machine Learning verarbeitet diese Signale und hilft dabei die richtige Zielgruppe zu finden, Kampagnenerfolge zu messen und z. B. durch A/B-Testing die richtige Botschaft für die Zielgruppe zu ermitteln. Eine spezielle Anwendung ist das Smart Bidding, mit der bei jeder Online-Marketing-Auktion auf Basis von Milliarden von Informationen der optimale Gebotswert für die gewünschte Conversion ermittelt wird.

Die Erfahrung von Google zeigt, dass aktuell noch nicht der volle Umfang der Möglichkeiten genutzt werden kann, da relevante Daten für die Signale entweder nicht vorhanden oder nicht konsolidiert sind, weil sie bei verschiedenen Playern bzw. Agenturen verteilt vorliegen.

Fazit: Auch wenn teilweise die notwendige Voraussetzung der Datenverfügbarkeit noch nicht erfüllt ist – Machine Learning führt zu einer signifikanten Erhöhung der werberelevanten KPI’s auf der Google Advertising Plattform und kann Effizienz und Performance für Werbetreibende steigern.

 

…Fortsetzung folgt in Teil 2….