Marketing mit K├╝nstlicher Intelligenz

Marketing mit K├╝nstlicher Intelligenz

Marketing war schon immer in zwei Disziplinen unterteilt: Kreative, die mit ├╝berlegenen Slogans und Bildern Menschen zum Kauf von Produkten oder Dienstleistungen bewegen, und datengetriebene, die jede Interaktion mit einer Anzeige verfolgen und versuchen, den Erfolg rein datengetriebener Kampagnen zu verbessern. Mit der zunehmenden Nutzung des Internets und neuerdings auch von Smartphones und Wearables ist die Menge an Daten, die zur Optimierung von Kampagnen und Werbezielen zur Verf├╝gung stehen, drastisch gestiegen. Es wird erwartet, dass das globale Datenvolumen im Jahr 2023 zum ersten Mal 100 Zetabyte ├╝bersteigt. In dieser Menge an strukturierten und unstrukturierten Daten sind wertvolle Informationen ├╝ber die Vorlieben, die Geschichte und die Ausl├Âser von Millionen von Kunden versteckt, die ein Mensch nicht mehr verstehen und in handlungsorientierte Aktionen umsetzen kann. Dies macht den Einsatz von k├╝nstlicher Intelligenz erforderlich.

KI BERATUNG VON MF ROCKET

Eine valide KI-Strategie generiert heute schon konkrete Business-Mehrwerte. Mit der KI-Beratung von MF Rocket K├╝nstliche Intelligenz jetzt optimal nutzen!

In diesem Teil

Targeting mit KI

Der heilige Gral des Marketings ist das Targeting, also die gezielte Ansprache eines Nutzers mit Werbeinhalten, innerhalb der vielzitierten Parameter, zur richtigen Zeit, mit dem richtigen Angebot. In der Vergangenheit wurden verschiedene statistische Methoden eingesetzt, um dieses Problem anzugehen. Die Verbreitung von relativ neuen Nutzerinteraktionspunkten, die hier eine digitale Spur hinterlassen, er├Âffnet neue Wege der gezielten Nutzeransprache durch maschinelles Lernen und k├╝nstliche Intelligenz.

Die Datenmenge, die selbst ein kleiner Onlineshop ├╝ber verschiedene Marketingkan├Ąle produziert, steigt rapide an und erreicht schnell ein Volumen, das der Mensch in einer endlichen Zeit nicht mehr analysieren kann. Au├čerdem gibt es oft ein Ziel, das ├╝ber digitale Kommunikationskan├Ąle gemessen werden kann, sei es ein Kauf in einem Online-Shop, ein Telefonanruf, ein Download oder das Schreiben einer E-Mail. Damit steht das gesamte Repertoire des ├╝berwachten Lernens zur Verf├╝gung, um Marketingma├čnahmen im Rahmen des maschinellen Lernens zu optimieren und zu automatisieren.

Das New Yorker Start-up Albert hat es sich zum Ziel gesetzt, digitale Kampagnen nicht nur zu optimieren, sondern auch vollst├Ąndig zu automatisieren. Um dies zu erreichen, analysiert die k├╝nstliche Intelligenz fr├╝here Online-Marketing-Aktivit├Ąten, wie z. B. bezahlte Suchkampagnen auf Google, Facebook oder Bing, bis hin zu einzelnen Kampagnen, Anzeigengruppen und Motiven. Albert wendet die gewonnenen Erkenntnisse in Verbindung mit einem definierten Ziel an, z. B. der Senkung der Akquisitionskosten, und f├╝hrt eine Reihe von statistisch validen Tests durch, um die optimale Verteilung der Budgets auf die einzelnen Kan├Ąle, Kampagnen und Anzeigengruppen zu ermitteln.

Albert zeigt in einer Fallstudie, die in Zusammenarbeit mit dem Modelabel Natori durchgef├╝hrt wurde, dramatische Leistungsverbesserungen auf. Natori ist seit 1977 ein Damenmodelabel in den Vereinigten Staaten. Im Zuge der Digitalisierung stellten sie fest, dass junge, agile Unternehmen online mehr Aufmerksamkeit erregten und Natori die Stammkunden wegnahmen. Natori hatte keine eigene Online-Marketing-Expertise und verlie├č sich ausschlie├člich auf das Teilen von Pressemitteilungen auf Social-Media-Profilen. Auch die klassische Printwerbung war immer durch den Wunsch eingeschr├Ąnkt, so k├╝nstlerisch wertvoll wie m├Âglich zu sein.

Albert wurde eingesetzt, um neue Kunden auf Facebook und Instagram anzusprechen. Nach der Ermittlung von KPIs und der Entwicklung einer Reihe von Werbemitteln begann die k├╝nstliche Intelligenz, das Nutzerverhalten zu testen und die Kampagnen zu optimieren. Dies f├╝hrte zu einer 84-prozentigen Steigerung der Verk├Ąufe in den sozialen Medien und einer 18-prozentigen Steigerung der Rendite der Werbeausgaben innerhalb von sechs Monaten. Angesichts der Ausgangssituation sollten diese Zahlen kritisch hinterfragt werden. Faszinierend ist, dass Albert errechnete, dass Natori, um die besten Ergebnisse zu erzielen, auf so genannte Karussellanzeigen setzen sollte. Eine neue Art von Werbemittel f├╝r das Unternehmen. Albert erstellte und testete diese mit verschiedenen Texten in Kombination, und die Online-Konversionen des Modelabels stiegen innerhalb eines Monats um 24 Prozent .

Es ├╝berrascht nicht, dass auch die gro├čen Akteure der Online-Werbung, allen voran Google und Facebook, die Entwicklung der k├╝nstlichen Intelligenz vorangetrieben haben und ihre eigenen Frameworks ver├Âffentlicht haben: Google mit TensorFlow und Facebook mit Torch.

Die Haupteinnahmequelle f├╝r beide Unternehmen ist eine riesige Datenbank, Rechenleistung und Werbung.

Beide Unternehmen sind darauf angewiesen, dass die Werbetreibenden m├Âglichst effektive Anzeigen schalten und so ihre Werbeausgaben im jeweiligen Netzwerk erh├Âhen. Es ist daher keine ├ťberraschung, dass Google und Facebook den Werbetreibenden die grundlegendsten Tools f├╝r maschinelles Lernen zur Verf├╝gung stellen, um ihre Kampagnen zu verbessern – selbst wenn das werbende Unternehmen selbst nicht ├╝ber das Wissen oder die Kapazit├Ąten dazu verf├╝gt.

Oder, wie Google bei der Vorstellung seiner Tools im Jahr 2018 erkl├Ąrte, erwarten die Nutzer/innen personalisierte, relevante Werbung in gro├čem Umfang.

Responsive Search Ads funktionieren nach demselben Prinzip wie Albert. Der Werbetreibende stellt 15 ├ťberschriften und vier Anzeigentexte zur Verf├╝gung, und das System testet automatisch die vielversprechendsten Kombinationen und ber├╝cksichtigt dabei auch externe Parameter, wie z. B. die spezifische Suchanfrage eines Nutzers. Nach Angaben von Google f├╝hrt dieses System zu einer Steigerung der Anzeigenklicks um 15 %.

├ähnliche Systeme werden f├╝r Google Shopping-Kampagnen verwendet, mit dem Unterschied, dass der Nutzer festlegen kann, ob die Produktanzeigen nur den Verkauf f├Ârdern sollen oder ob sich die Kampagne auch darauf konzentrieren soll, neue Nutzer zu erreichen oder ein Gesch├Ąft zu besuchen.

Ein oft zitierter Aphorismus beim Vergleich der beiden Unternehmen lautet: “Google wei├č, wonach wir suchen, Facebook wei├č, was wir denken.”

Wenn es darum geht, die Anzeigenschaltung zu individualisieren oder den Newsfeed einer Person zu kuratieren, setzt Facebook nat├╝rlich ├Ąhnliche maschinelle Lerntechniken ein wie Google. Da zu Facebook aber auch andere Unternehmen wie WhatsApp, Instagram und Oculus geh├Âren, hat Facebook ganz andere M├Âglichkeiten, k├╝nstliche Intelligenz zu nutzen.

Obwohl er nicht von Facebook initiiert wurde, hat der Cambridge Analytica-Skandal vielen Menschen vor Augen gef├╝hrt, wie leistungsf├Ąhig die Analysem├Âglichkeiten von Social Media-Inhalten sein k├Ânnen, bis hin zur Erstellung von Pers├Ânlichkeitsprofilen und der Vorhersage von Wahlpr├Ąferenzen.

Ein Beispiel aus dem nicht-kommerziellen Angebot von Facebook zeigt die Vorhersagekraft, die Facebook-Daten bieten k├Ânnen.

Facebook nutzt zum Beispiel die M├Âglichkeiten der k├╝nstlichen Intelligenz und seinen Datenreichtum, um unter anderem vorherzusagen, ob ein Nutzer selbstmordgef├Ąhrdet ist. Selbstmord ist die h├Ąufigste Todesursache bei den 15-29-J├Ąhrigen weltweit. Laut Statistik ereignet sich alle 40 Sekunden ein Selbstmord, davon 45.000 pro Jahr in den Vereinigten Staaten.

Bis 2016 konnten Nutzer/innen die Beitr├Ąge anderer Personen als m├Âgliches Anzeichen f├╝r Selbstverletzung oder Selbstmord kennzeichnen, woraufhin ein/e Facebook-Mitarbeiter/in den Beitrag ├╝berpr├╝fte und gegebenenfalls weitere Ma├čnahmen ergriff.

Die automatisierten Analysefunktionen von Facebook haben sich seither erheblich weiterentwickelt. Angefangen bei Bag-of-Words- oder N-Gram-Ans├Ątzen in der logistischen Regression ├╝ber Random-Forest-Algorithmen bis hin zur aktuellen Iterationsstufe, die auf der Facebook-eigenen Natural Language Engine Deeptext basiert, pr├╝ft dieses neuronale Netzwerk automatisch jeden Beitrag und alle dazugeh├Ârigen Kommentare und markiert sie entsprechend f├╝r die ├ťberpr├╝fung durch einen menschlichen Moderator, wenn es Hinweise auf Selbstmord gibt.

Facebook hat im Rahmen der Entwicklung von DeepText bidirektionale rekurrente neuronale Netze entwickelt, um Text in Verbindung mit Bildern oder Videos besser verarbeiten zu k├Ânnen, die auf Worteinbettungen beruhen. BRNNs k├Ânnen so auf Zust├Ąnde in Schichten zugreifen, die zeitlich vor oder hinter der aktuellen Schicht liegen.

Wenn dieses System ein Posting als Hinweis auf einen Selbstmord einstuft und der Moderator zustimmt, wird der Fall an ein speziell geschultes Expertenteam aus den Bereichen Psychiatrie, Strafverfolgung und Medizin weitergeleitet. Je nachdem, wie dieses Expertenteam die Nachricht bewertet, kannst du dem Nutzer in der Facebook-App oder auf der Website Hilfsangebote anzeigen oder in schwerwiegenderen F├Ąllen Polizei und Feuerwehr ├╝ber den Nutzer informieren und den Ersthelfern pers├Ânliche Informationen zur Verf├╝gung stellen. In einem Blogbeitrag Ende 2018 erkl├Ąrte Facebook-Gr├╝nder Mark Zuckerberg, dass diese letzte Eskalationsstufe der direkten Intervention weltweit 3500 Mal pro Jahr genutzt wird . Es hei├čt, dass suizidgef├Ąhrdete Menschen sehr davon profitieren, wenn sie einfach auf Hilfsangebote hingewiesen werden.

Seit der Einf├╝hrung der Datenschutzgrundverordnung DSGVO in Deutschland und der Europ├Ąischen Union ist es nicht mehr m├Âglich, Nachrichten auf Suizidabsichten zu ├╝berpr├╝fen.

Ein Dokument, das dem Online-Magazin The Intercept zugespielt wurde, zeigt, dass es m├Âglich ist, Verhalten auf der Grundlage von Social-Media-Daten vorherzusagen. The Intercept ┬áhat es sich seit den Leaks von Edward Snowden zur Aufgabe gemacht, ausf├╝hrlich ├╝ber politische, soziale und technische Nachrichten zu berichten.

Das Magazin berichtet ├╝ber ein internes Facebook-Tool namens FBLearner Flow, das Facebook im Jahr 2016 als Randnotiz eingef├╝hrt hat. Im Jahr 2016 wurde FBLearner Flow als ein Tool beschrieben, mit dem relevantere Werbeanzeigen geschaltet werden k├Ânnen. Laut The Intercept geht FBLearner Flow jedoch ├╝ber die Ausrichtung von Anzeigen auf der Grundlage bekannter demografischer Daten oder angeklickter Likes hinaus. FBLearner Flow kann das zuk├╝nftige Nutzerverhalten anhand der vollst├Ąndigen Nutzerprofile von Facebook vorhersagen, die auf 29.000 verschiedenen Datenpunkten basieren. So k├Ânnen Werbetreibende angeben, dass sie Nutzer/innen erreichen wollen, die im Begriff sind, die Produktmarke zu wechseln. Es wird ein Loyalit├Ątsindex berechnet, der R├╝ckschl├╝sse auf die Wechselbereitschaft aufgrund von Ver├Ąnderungen in den Lebensumst├Ąnden des einzelnen Nutzers zul├Ąsst und nicht aufgrund der Tatsache, dass der Nutzer Ver├Âffentlichungen eines Wettbewerbers gelesen hat.

FBLearner Flow, das als R├╝ckgrat von Facebook bezeichnet wird, ist ein Framework, das wie andere AutoML-Produkte einen Gro├čteil der manuellen Arbeit bei der Erstellung von Vorhersagen durch maschinelles Lernen automatisiert, z. B. die Feinabstimmung und die Auswahl der Merkmale. Au├čerdem erm├Âglicht das Tool die Wiederverwendung von Algorithmen, die urspr├╝nglich f├╝r andere Zwecke entwickelt wurden. Als Facebook FBLearner Flow zum ersten Mal erw├Ąhnte, nutzten es bereits 25 % der Facebook-Entwickler/innen, obwohl sie keine Erfahrung mit maschinellem Lernen hatten. In den zwei Jahren vor der Ver├Âffentlichung wurden mehr als eine Million Modelle trainiert, so dass Facebook mehr als 6 Millionen Vorhersagen pro Sekunde machen konnte.

Erstellung von Inhalten mit KI

Im Marketingumfeld kann k├╝nstliche Intelligenz Aufgaben wie Datenanalyse, Profiling und datengest├╝tzte Vorhersagen ├╝bernehmen. Die treibende Kraft hinter Empfehlungssystemen, dynamischer Preisgestaltung und Targeting-Anwendungen sind Deep-Learning-Netzwerke und Machine-Learning-Anwendungen. Wenn es um den Einsatz von maschinellem Lernen im Marketing geht, denkt wahrscheinlich niemand an die Arbeit der Kreativen, das Verfassen einer passenden Werbebotschaft oder das Erstellen von Bildern f├╝r eine Werbekampagne.

Online-H├Ąndler, vor allem solche, die variantenreiche Produkte verkaufen, stehen vor der Herausforderung, eine gro├če Anzahl von Produktvarianten, manchmal auch in Kombination, darzustellen, damit sich die Kunden ein vollst├Ąndiges Bild machen k├Ânnen.

Das ist besonders in der Modebranche zu beobachten. Die Nutzer/innen wollen verschiedene Kombinationen von Oberteilen, Hosen, Schuhen und Accessoires an Models mit unterschiedlichen K├Ârperformen und -gr├Â├čen sehen – es w├Ąre eine Mammutaufgabe, jede m├Âgliche Kombination im Bild festzuhalten.

Zalando, ein Online-Modeh├Ąndler, hat sich dieses Problems angenommen und ein System entwickelt, das auf StyleGAN basiert. In einem Wettbewerb zwischen zwei Netzwerken erzeugen Generative Adversarial Networks immer bessere Bilder. Das erste Netzwerk versucht, Bilder zu erzeugen, die so authentisch wie m├Âglich erscheinen, w├Ąhrend das zweite Netzwerk versucht, die erzeugten Bilder von den Originalen zu unterscheiden.

Zalando Research hat zwei Netzwerke mit einem Datensatz trainiert, der 380.000 Fotos von Models in einer bestimmten K├Ârperhaltung sowie sechs Kleidungsst├╝cke/Accessoires enthielt. Das erste Netzwerk wurde so trainiert, dass es Kleidungsfarbe und K├Ârperhaltung von einem Modell auf das n├Ąchste ├╝bertr├Ągt. Die endg├╝ltigen Bilder werden durch das zweite Netzwerk erzeugt. Die Kleidungsst├╝cke und die K├Ârperhaltung werden in das Netz eingespeist, das dann die gew├╝nschten Bilder erzeugt . StyleGAN kann auf eine Vielzahl von Produkten angewendet werden, die aufgrund einer gro├čen Anzahl von Varianten kombinatorische Herausforderungen darstellen, aber auch in anderen Bereichen des Marketings, in denen verschiedene Bildkompositionen getestet werden sollen.

In anderen Bereichen, z. B. beim Rapid Prototyping neuer Modedesigns, setzt Zalando Generative Adversarial Networks  ein.

Farbe, Stoffbeschaffenheit und Form k├Ânnen als Eingangsmerkmale verwendet werden, um Bilder des fertigen Kleidungsst├╝cks zu generieren, damit Designer/innen schnell sehen k├Ânnen, wie verschiedene Kombinationen aussehen k├Ânnten.

KI BERATUNG VON MF ROCKET

Eine valide KI-Strategie generiert heute schon konkrete Business-Mehrwerte. Mit der KI-Beratung von MF Rocket K├╝nstliche Intelligenz jetzt optimal nutzen!

In diesem Teil

Texterstellung mit KI

Seit vielen Jahren ist Content Marketing die bevorzugte Werbemethode in vielen Unternehmen. Inhalte, die weiterbilden, beraten oder einfach nur unterhalten sollen. Content Marketing enth├Ąlt im Gegensatz zu traditionellen Werbeinhalten keine direkte Werbebotschaft. Content Marketing zielt darauf ab, das Markenbewusstsein und die Markenwahrnehmung durch nicht-kommerzielle Inhalte zu erh├Âhen, und tr├Ągt somit erst in zweiter Linie zu Umsatzsteigerung und Mehrwert bei.

Content Marketing erfordert wie andere Formen von Marketing- und Werbemitteln eine gro├če Anzahl von Texten und Inhalten, die traditionell von Menschen geschrieben werden.

Seit einiger Zeit sind Forscher/innen und Entwickler/innen damit besch├Ąftigt, neuronalen Netzen beizubringen, Texte zu erstellen, und zwar mit einigen kuriosen stilistischen Schn├Ârkeln. Vor f├╝nf Jahren wurde zum Beispiel ein rekurrentes neuronales Netzwerk vorgestellt, das Kurzgeschichten zu Bildern erfand. Das Netzwerk “Neural Storyteller” wurde mit 14 Millionen Abs├Ątzen aus Liebesromanen und Songtexten von Taylor Swift trainiert, um entsprechende Beschreibungen zu erzeugen.

Zum Beispiel generierte das neuronale Netzwerk die folgende Passage als Antwort auf ein Foto von zwei Sumo-Ringern inmitten eines Kampfes: Im Hinterkopf war er ein Mann ohne Hemd, und ich fluchte, als er sich vorbeugte, um mich auf die Schulter zu k├╝ssen. Er wollte mich erw├╝rgen, weil ich mich in den sch├Ânen Jungen verwandelt hatte, w├Ąhrend er seine Boxershorts trug.

Das ist zwar unterhaltsam, aber f├╝r ernsthafte Anwendungen ist es unbrauchbar.

2019 stellte Facebook Research ein neues Modell f├╝r die Generierung von Geschichten vor . Es basiert auf dem Reddit WritingPrompts Forum. Die Nutzer/innen posten einen “Prompt”, der aus einem oder mehreren W├Ârtern bestehen kann, und andere Nutzer/innen versuchen, auf der Grundlage des Prompts eine Geschichte zu schreiben und sie als Kommentar zu posten.

Verschiedene Netzwerkarchitekturen wie CNN und RNN haben gezeigt, dass sie kurze Textsequenzen erzeugen k├Ânnen, aber bei l├Ąngeren Passagen den Fokus verlieren. Zu diesem Zweck f├╝hrt Facebook eine neue Architektur namens “Fusion Models” ein, bei der ein neuronales Netzwerk lernt, was ein zweites nicht kann.

Im Vergleich zum Neural Storyteller sind die Ergebnisse viel glatter und menschen├Ąhnlicher. Anhand der Aufforderung “Aliens entf├╝hren Menschen” produzierte das Netzwerk die folgende Kurzgeschichte: “Es ist zwei Wochen her, und der letzte meiner Art ist verschwunden.” Es ist nur eine Frage der Zeit, bis es nichts mehr gibt. Ich habe keine Ahnung, was hier los ist… Ich bin unf├Ąhig zu denken. Ich h├Âre einen Schrei aus der Ferne. Ich h├Âre ein seltsames, fremdes Ger├Ąusch. Ich versuche zu sprechen, aber ich werde von etwas unterbrochen, das sich wie eine Trommel anf├╝hlt, aber ich bin mir nicht sicher, was es ist. Ich meine, ich bin nur ein paar Jahre ├Ąlter als der Durchschnittsmensch. Aber ich kann die Schwingungen h├Âren und f├╝hlen. Ein Schiff n├Ąhert sich, und ich kann es h├Âren. Der Boden zittert durch die Wucht des Aufpralls und eine laute Explosion durchbricht die Stille.”

Das GPT-2-Modell von OpenAI (https://github.com/openai/gpt-2) hat internationales Interesse geweckt, auch au├čerhalb der technischen Gemeinschaft. OpenAI hat es sich zum Ziel gesetzt, k├╝nstliche Intelligenz zu demokratisieren und gleichzeitig auf die Gefahren ihrer unregulierten Nutzung hinzuweisen. Sie ist irgendwo zwischen einem Startup und einer NGO angesiedelt. Mit dem OpenAI Gym hat OpenAI eine Plattform geschaffen, auf der Nutzer/innen ihre eigenen auf maschinellem Lernen basierenden Anwendungen mithilfe von Videospielen trainieren k├Ânnen. Als die k├╝nstliche Intelligenz OpenAI five im Jahr 2019 das Weltmeisterteam im kooperativen Multiplayer-Spiel Dota-2 besiegte, erzielten die Entwickler von OpenAI einen mehr als respektablen Erfolg.

Nachdem sie u.a. eine Millioneninvestition von Microsoft angenommen haben, ist OpenAI alles andere als unumstritten. Sowohl der urspr├╝ngliche Mitbegr├╝nder Elon Musk als auch angesehene Institutionen wie MIT Technology Review ├╝ben scharfe Kritik an OpenAI und vermuten entweder eine politische Agenda hinter der Ver├Âffentlichung bestimmter Forschungsergebnisse oder dass das Unternehmen versucht, sich durch Transparenz und das Teilen von Forschungsergebnissen einen wirtschaftlichen Vorteil zu verschaffen.

Daher sollte man den Behauptungen von OpenAI ├╝ber ihr Transformatormodell GPT-2 mit Vorsicht begegnen. OpenAI hat GPT-2 als das effektivste System f├╝r eine breite Palette von Aufgaben der nat├╝rlichen Sprachverarbeitung vorgestellt. Tats├Ąchlich ist es so gut, dass eine Ver├Âffentlichung des Modells zu riskant w├Ąre.

Stattdessen wurde eine stufenweise Ver├Âffentlichung gew├Ąhlt: zuerst kleine Modelle mit wenigen Parametern, dann mittlere und schlie├člich das endg├╝ltige Modell, das von einem System zur Erkennung von mit GPT-2 erstellten Texten begleitet wurde.

OpenAI ist vergleichbar mit einem BERT a Transformer-Modell, das auf 40 GB Internettext trainiert wurde. Die Daten, die OpenAI verwendet, wurden auf indirekte Weise kuratiert. Um in den Datensatz aufgenommen zu werden, mussten die Texte mindestens 3 Karma auf der Reddit-Plattform erhalten haben (analog zu Facebook-Likes).

In der anf├Ąnglichen Ank├╝ndigung hie├č es, dass die von GPT-2 produzierten Texte nicht von denen zu unterscheiden sind, die von Menschen geschrieben wurden, und es wurden auch Beispiele angef├╝hrt, in denen das Modell aus einem Zweizeiler einen seitenlangen zusammenh├Ąngenden Text produziert. Die zugrundeliegende Methode basiert darauf, das Modell so zu trainieren, dass es das n├Ąchste Wort in einer Sequenz vorhersagen kann, wobei alle vorherigen W├Ârter ber├╝cksichtigt werden.

Im Prinzip ist die Qualit├Ąt des Modells unbestritten. Die Cornell University hat die generierten Texte verglichen und dem Modell mit 1,5 Milliarden Parametern einen Glaubw├╝rdigkeitswert von 6,91 von 10 m├Âglichen Punkten zugewiesen. Die Glaubw├╝rdigkeitspunkte beschreiben, f├╝r wie vertrauensw├╝rdig die Menschen die generierten Texte halten. Das mittlere Modell mit 774 Millionen Parametern erhielt auf der gleichen Skala einen Wert von 6,72, was die Kritik an der Ver├Âffentlichungsstrategie als Publicity-Gag verst├Ąrkt. Das kleinste Modell mit 355 Millionen Parametern erhielt einen Wert von 6,07.

Unsere Kollegen vom Center on Terrorism, Extremism, and Counterterrorism (CTEC) des Middlebury Institute of International Studies untersuchten die Modelle auf eine m├Âgliche Nutzung durch Terroristen zur automatischen Generierung von Propaganda. Das CTEC verwendete GTP-2 als Grundlage und trainierte es darauf, Texte aus den Spektren der wei├čen Vorherrschaft, des Marxismus, des radikalen Dschihadismus und des Anarchismus zu erzeugen.

Laut CTEC war diese synthetische Propaganda glaubw├╝rdig und wurde in der Regel von Menschen geglaubt. Daher ist es beruhigend zu wissen, dass das von OpenAI ver├Âffentlichte Erkennungstool Texte, die mit GPT-2 erstellt wurden, mit einer Genauigkeit von bis zu 95% erkennen kann.

Im Folgenden wird die Beschreibung des aktuellen US-Pr├Ąsidenten von whitehouse.gov mit einem automatisch erstellten Text verglichen, um zu zeigen, wie glaubw├╝rdig mit GPT-2 erstellte Texte sein k├Ânnen.

Die Einleitung ist in beiden Texten gleich oder diente GPT-2 als Eingabe, um den Rest des Textes zu erstellen.

Einleitung:

Donald J. Trump ist zum 45. Pr├Ąsidenten der Vereinigten Staaten gew├Ąhlt worden. Er glaubt, dass die Vereinigten Staaten ├╝ber ein enormes Potenzial verf├╝gen und dass sie selbst ihre bemerkenswertesten Leistungen in der Vergangenheit noch ├╝bertreffen werden.

 

Variante 1 (von Menschen geschrieben):

Sein Wahlkampfslogan f├╝r die Pr├Ąsidentschaft war “Make America Great Again”, und genau das tut er jetzt. Donald J. Trump ist der Inbegriff der amerikanischen Erfolgsgeschichte. Im Laufe seiner Karriere hat er immer wieder neue Ma├čst├Ąbe f├╝r gesch├Ąftlichen und unternehmerischen Erfolg gesetzt, insbesondere in den Bereichen Immobilien, Sport und Unterhaltung. Mr. Trump baute seinen privaten Erfolg aus, als er in die Politik und den ├Âffentlichen Dienst eintrat.

 

Variante 2 (GPT-2 produziert):

Um Amerikas Gr├Â├če wiederzuerlangen, m├╝ssen wir den Lauf unserer Geschichte ├Ąndern. Um dieses Ziel zu erreichen, will Donald J. Trump die historische Agenda f├╝r die Erneuerung Amerikas fortsetzen und vorantreiben, eine Agenda, die Amerikas Gr├Â├če wiederherstellt. Pr├Ąsident Trump wird dieses Land gr├Â├čer machen, als es jemals war, und gro├če Dinge vollbringen, die ein dauerhaftes Verm├Ąchtnis f├╝r unser Land hinterlassen werden.

 

Beide Texte weisen bestimmte Gemeinsamkeiten auf, wie z. B. die Erw├Ąhnung des Wahlkampfslogans in der einen oder anderen Form, was interessante R├╝ckschl├╝sse auf das Trainingsset zul├Ąsst, das Mitte bis Ende 2018 erstellt wurde.

Die mit GPT-2 erstellte Variante ist die zweite, die mit keinem anderen Input als dem bereits erw├Ąhnten Set erstellt wurde.

Das verwendete Modell ist das GPT-2-Modell mit 774 Millionen Parametern, das nicht weiter trainiert oder feinabgestimmt wurde. Anhand des Beispiels kann man sich leicht vorstellen, welche Ergebnisse m├Âglich sind, wenn auf der Grundlage des Basismodells ein dom├Ąnenspezifisches Training durchgef├╝hrt wird, z. B. mit dem zuvor ver├Âffentlichten Wahlkampfmaterial von Mr. Trump.

Auch wenn Wahlkampf eine Form der Werbung ist, ist es nat├╝rlich m├Âglich, GPT-2 durch produkt-, marken- oder branchenspezifische Eingaben auf die jeweilige Branche abzustimmen. Eine einfache Feedbackschleife, die auf den Reaktionen der Nutzer/innen auf synthetisch erzeugte Texte in sozialen Netzwerken basiert, kann zum Beispiel eingerichtet werden.

Open AI hat Ende Mai 2020 GPT-3 , das bisher gr├Â├čte Sprachmodell, vorgestellt. GPT-3 ist das mit Abstand gr├Â├čte Modell mit unglaublichen 175 Milliarden Parametern. Im Vergleich dazu hat das Turing-NLG-Modell von Microsoft, das im Februar 2020 ┬ávorgestellt wurde, “nur” 17 Milliarden Parameter.

Die Autorinnen und Autoren zeigen in dem entsprechenden Beitrag, dass gro├če Sprachmodellaufgaben auch ohne explizites Training Spitzenergebnisse erzielen k├Ânnen. Viele Aufgaben k├Ânnen ├╝bersprungen werden, wenn das Ausgangsmodell nur gro├č genug ist.

Die Forscher/innen pr├Ągen die Begriffe Few-Shot, One-Shot und Zero-Shot, um die F├Ąhigkeiten von GPT-3 mit anderen Architekturen oder Modellgr├Â├čen zu vergleichen.

 

Few-Shot bezieht sich auf eine Methode, bei der dem Modell eine Textbeschreibung der zu l├Âsenden Aufgabe sowie K Beispiele f├╝r die zu l├Âsende Aufgabe gezeigt werden. Das Open AI Team verwendete K-Werte zwischen 10 und 100.

GPT-3 zeichnet sich vor allem beim Verfassen von Texten aus. Um die F├Ąhigkeiten von GPT-3 auf die Probe zu stellen, wurden 25 Artikel├╝berschriften und Untertitel zuf├Ąllig aus dem Nachrichtenaggregator newser.com ausgew├Ąhlt und zu Artikeln vervollst├Ąndigt.

Die so entstandenen Artikel wurden 80 Probanden gezeigt, die feststellen sollten, ob sie von einem Menschen oder einer Maschine geschrieben worden waren. Nur 52% der Artikel wurden bei diesem Verfahren richtig eingestuft, das waren 2% mehr als beim Raten. Das ist eine bemerkenswerte Leistung angesichts der Bedenken, die in Open AI ├╝ber die Ver├Âffentlichung von GPT-2 ge├Ąu├čert wurden.

Automatische Texterstellung mit MF Rocket + GPT-3

Mit L├Âsungen von MF-Rocket erstellst du deine Texte mit GPT-3. Als eine der ersten Agenturen in Deutschland mit unbeschr├Ąnktem Zugang zu GPT-3 unterst├╝tzen wir dich gerne bei der Entwicklung neuer L├Âsungen.

Verbesserung und Korrektur von Inhalten mit KI

Es ist nicht nur schwierig, neue Inhalte zu erstellen, auch die Verbesserung und Verfeinerung bestehender, von Menschen erstellter Inhalte ist ein Ziel der k├╝nstlichen Intelligenz.

Grammarly, ein Startup aus San Francisco, hat Deep Learning und Natural Language Processing in einer einzigen Anwendung kombiniert. Grammarly kombiniert Rechtschreib- und Grammatikpr├╝fungen mit h├Âherwertigen Sprachfunktionen wie der Umwandlung von Umgangssprache in Hochsprache, Plagiatspr├╝fung und Echtzeit-Tonmessung. Die App l├Ąsst sich mit allen g├Ąngigen Textanwendungen wie Word, Slack und Browsern integrieren.

Grammarly erreicht dies durch die Kombination verschiedener Architekturen, die in anderen Bereichen etabliert sind. Im Bereich der Bildverarbeitung ist StyleTransfer gut beschrieben. Als Eingabe werden zwei Bilder verwendet, z. B. ein Urlaubsschnappschuss und ein Bild von Edvard Munchs “Der Schrei”. Die stilistischen Eigenheiten des Schreis k├Ânnen auf das eigene Foto ├╝bertragen werden, so dass es aussieht, als sei es von Munch gemalt worden.

Grammarly versucht etwas ├ähnliches, allerdings nur mit den stilistischen Besonderheiten von Sprache. Das vorgestellte System geht an das Problem heran, als w├Ąre es ein ├ťbersetzungsproblem. Es ├╝bersetzt von der Umgangssprache in die Hochsprache und nicht vom Englischen ins Deutsche.

Grammarly erreicht dies, indem es phrasenbasierte ├ťbersetzungen mit einem Encoder-Decoder-basierten neuronalen Netzwerk kombiniert. Der urspr├╝ngliche Datensatz umfasste 100.000 zusammenh├Ąngende Satzpaare, die in Umgangssprache oder Hochsprache geschrieben waren. Die Datensynthese des phrasenbasierten Modells mit Hin- und Her├╝bersetzungen ergibt einen Datensatz von ├╝ber einer Million Paaren.

Management in der Kundenerfahrung mit KI

Es ist umstritten, ob das Management der Kundenerfahrung direkt zum Marketing geh├Ârt. Dem Nutzer das bestm├Âgliche Erlebnis zu bieten und ihn in einen treuen Kunden zu verwandeln, ist zumindest ein Ziel des Marketings. Dementsprechend werden h├Ąufig ├Ąhnliche Instrumente wie Webanalysen und personalisierte Adressen eingesetzt.

Andererseits ist es unbestreitbar, dass ein gutes Kundenerlebnismanagement zu h├Âheren Ums├Ątzen f├╝hrt.

Das Kundenerlebnis, vor allem im Online-Bereich, kann mit maschinellem Lernen direkt gemessen und verbessert werden. Aber auch indirekte Effekte wie eine verbesserte Betrugserkennung tragen zur Verbesserung des Kundenerlebnisses bei. Wenn ein Kreditkartenunternehmen seine F├Ąhigkeit verbessert, betr├╝gerische Transaktionen zu erkennen, sch├╝tzt es nicht nur seinen Gesch├Ąftsbetrieb, sondern verbessert auch das Erlebnis f├╝r ehrliche Kunden, indem es es schneller, besser und weniger m├╝hsam macht.

Airbnb ist ein Unternehmen, das sich durch einen pers├Ânlichen und umfassenden Kundenservice auszeichnet. Airbnb ist ein Marktplatz, auf dem Menschen ihre H├Ąuser, Wohnungen oder Ferienh├Ąuser an andere Menschen vermieten k├Ânnen. Airbnb beh├Ąlt einen Prozentsatz von jeder Transaktion und will daher so viele teure Vermietungen wie m├Âglich. Die Tatsache, dass die Nutzer/innen in der Lage sein sollten, Unterk├╝nfte zu finden und zu buchen, die ihnen gefallen, und Airbnb daher regelm├Ą├čig nutzen, sorgt f├╝r Spannungen.

Das Innenleben einer guten Suchmaschine ist zwar nicht so einfach, wie die Allgegenwart von Google und Co. vermuten l├Ąsst, aber Airbnb stand vor der Herausforderung, nicht nur eine der gr├Â├čten Suchmaschinen auf eine Nicht-Suchmaschinen-Seite zu verlagern, sondern auch ein geeignetes Ergebnis-Ranking mit einer Reihenfolge zu erstellen, die sowohl wirtschaftliche Interessen als auch die Zufriedenheit der Nutzer/innen vereint.

Gleichzeitig sind viele andere Vorhersagemodelle in die Airbnb-Suchergebnisseite integriert, z. B. die Wahrscheinlichkeit, dass der Gastgeber die Buchung des Kunden akzeptiert, die Wahrscheinlichkeit, dass der Kunde den Aufenthalt genie├čen wird, und so weiter.

Das Modell, das die Wahrscheinlichkeit berechnet, dass ein Nutzer eine Buchung abschlie├čt, ist dabei das dominierende System auf Airbnb.

Das Ranking, das eine Airbnb-Suche liefert, hat sich drastisch ver├Ąndert. Zu Beginn der Plattform wurde jedem Suchergebnis manuell ein Relevanzwert zugewiesen. Diese von Menschen kommentierten Daten wurden dann verwendet, um Entscheidungsb├Ąume mit Gradient Boosting zu trainieren. Gradient Boosting wird als Optimierungsalgorithmus f├╝r Entscheidungsb├Ąume verwendet, was bedeutet, dass die B├Ąume in Reihe geschaltet werden, wobei jeder neue Baum versucht, den Fehlerwert des vorherigen zu verringern. Die Erh├Âhung der Anzahl der neuen B├Ąume f├╝hrt nicht zu einer ├ťberanpassung. Die Genauigkeit der Vorhersage stagniert schlie├člich.

Genau das ist bei Airbnb passiert: Die Vorhersagegenauigkeit stagnierte und wurde nicht besser.

Das endg├╝ltige Modell basiert auf einem neuronalen Netzwerk mit zwei versteckten Schichten, das 192 Eingangsmerkmale wie Preis, Ausstattung und Buchungshistorie erh├Ąlt.

Obwohl die Verbesserungen in der Unternehmensleistung nur relativ angegeben werden, bezeichnet Airbnb die Umstellung auf neuronale Netzwerk-Suchergebnisse als die effektivste Ma├čnahme, die Airbnb ┬áergriffen hat.

Alle Kapitel im Ratgeber K├╝nstliche Intelligenz

Computer security technology
Blog

K├╝nstliche Intelligenz in der Sicherheitstechnik

Wenn es um k├╝nstliche Intelligenz geht, werden h├Ąufig martialische Anspielungen aus der Popkultur verwendet. Ob es nun um Killerroboter geht, die von einer m├Ąchtigen k├╝nstlichen Intelligenz gesteuert werden, oder um Weltuntergangsszenarien, die von abtr├╝nnigen Computern ausgel├Âst werden. In Wirklichkeit hat

mehr lesen ┬╗
Smart farming, using modern technologies in agriculture
Blog

K├╝nstliche Intelligenz in der Landwirtschaft

Immer erschwinglichere Sensoren, die Drohnentechnologie und der verst├Ąrkte Einsatz von IoT-Anwendungen und mobilen Daten├╝bertragungsm├Âglichkeiten bereiten den Boden f├╝r den breiten Einsatz von k├╝nstlicher Intelligenz in der Landwirtschaft. KI BERATUNG VON MF ROCKET Eine valide KI-Strategie generiert heute schon konkrete Business-Mehrwerte.

mehr lesen ┬╗