Zurück

101h

Künstliche Intelligenz – Irren ist noch menschlich

Max am

Alle reden drüber und die Wenigsten verstehen unter Künstlicher Intelligenz oder KI das, was es per Definition sein sollte. Für mich muss das ein System sein, dem ich nicht stetig jede Wenn-Dann-Regel vordefinieren muss, sondern eine Lösung, die sich ausgehend von einer Basis-Konfiguration bis zu einem gewissen Grad selbst anpasst, um das beste ihr mögliche Ergebnis zu erzielen.

Was es an jeder Ecke gibt

Wenn-Dann-Lösungen kann man inzwischen fast überall als „Artificial Intelligence“ einkaufen oder anmieten. Diese APIs bieten dir die Möglichkeit Daten einzugeben und auf Basis dieser Daten Regeln zu erstellen. So habe ich eine endliche Liste an Begriffen, die dann eine bestimmte Aktion auslösen.

Wenn ich mir jetzt vorstelle, dass ich einen Chatbot bauen will, der für mich Bestellungen auf der Website meines Bier-Lieferservice annimmt, meinem Kunden entsprechend antwortet und die Bestellungen dann als Mails für den Kunden und für meine Logistik zusammenstellt und versendet, dann ist das durchaus eine interessante Anwendung. Allerdings ist das nichts, was nicht schon seit Jahren mit einfachen technischen Mitteln machbar wäre. Es erfordert nur eine Menge Wenn-Dann…

Wann wird eine Lösung klug?

Diese Frage habe ich mir häufig gestellt, bevor ich angefangen habe, L.A.O.S. unseren lernenden Optimierungsalgorithmus für Raccoon Strategy zu bauen. Die essentiellen Bestandteile der Anwendung, auf die ich im Folgenden eingehen werde, sind

  • eine Datenschicht, die nicht nur ständig aktualisiert wird, sondern auch durch ständig neue Datenquellen gefüttert wird,
  • eine Applikationsschicht, die sich – ausgehend von einem Basis-Code – selbst anpassen kann, damit sie das jeweilige Ziel verfolgen kann: in unserem Fall bedeutet das, dass sich L.A.O.S. bei den Optimierungen immer an der jeweiligen Produkt-Kategorie sowie den einzelnen Produkten und Gebinden des Kunden orientieren muss um die richtigen Kennzahlen auszuwerten
  • eine große Anzahl an Anbindungen und Datenquellen.

„Es gibt keine falschen Informationen, nur Menschen, die mit Informationen nicht umgehen können.“ (Andreas Dürselen)

Unsere Datenschicht

Basis allen Wissensmanagements ist der richtige Umgang mit Informationen. Deshalb war es von Anfang an sehr wichtig, dass wir Daten sehr strukturiert, aber flexibel ablegen. Da wir bei den von uns gesammelten Daten schnell von mehreren Terrabyte pro Monat sprechen haben wir uns sehr früh für NoSQL-Cluster entschieden. Damit haben wir jederzeit die Möglichkeit die Daten zu ergänzen/erweitern, ohne  relationale Datenbanken migrieren zu müssen.

„Lernen ist wichtiger als Wissen.“ (Jörg Dirbach)

Die Applikation

Unser Ziel war es von Anfang an, eine relativ umfangreiche Basisanwendung zu haben, die in Abhängigkeit von bestimmten produkt- und händlerabhängigen Kennzahlen anfängt, die nach ihrer Meinung (ein erster, kleiner Hinweis auf ein kluges System) am schnellsten erfolgsversprechende Strategie für die Account- und Produktoptimierung zurechtzulegen.

Da Vorgehen, Strategie und auch die schrittweise Durchführung Einfluss auf den exakten Aufbau der Anwendung haben, muss eine KI-Applikation in der jeweils angepassten Form vorliegen und entsprechend abgespeichert werden. Außerdem ist es wichtig, dass die Anwendung frühzeitig anfängt Informationen, die sie z.B. aus anderen Optimierungen in der jeweiligen Amazon-Produkt-Kategorie die richtigen Schlüsse zieht und entsprechend selbstständig Anpassungen vornimmt.

Ein Beispiel:

Nehmen wir unseren Kunden, Seller A, der ein breites Sortiment an Herrenbekleidung verkauft. Aufgrund der Auswertung seiner Conversion-Daten erfahren wir, dass das Keyword „Fairtrade“ bei T-Shirts besonders gut funktioniert. L.A.O.S. „weiss“ dann, dass unser Kunde Seller B T-Shirts für Damen und Seller C T-Shirts für Kinder verkauft. D.h. L.A.O.S. wird das entsprechende Keyword selbstständig an den richtigen Stellen in den Produktdaten bei Seller A, B und C unterbringen.

Nun handelt es sich hierbei um ein sehr einfaches Beispiel für ein kluges System. Wenn man sich das jetzt für über 14.000 Amazon-Kategorien vorstellt und dazu dann entsprechende Produkt-Querverweise mit einbezieht werden zwei Dinge sehr schnell klar:

  1. kein Mensch kann diese Menge an Daten und Optimierungen durchrechnen, bevor die Daten längst wieder veraltet sind.
  2. Dadurch, dass L.A.O.S. viele ASINs verschiedener Seller optimiert und verwaltet kommen unsere Kunden in den Genuss von etwas, was ich gerne als „Schwarm-Synergie“ bezeichne. Man profitiert von Informationen, die L.A.O.S. möglichweise an anderer Stelle gewonnen hat und weil er sie richtig verknüpfen kann steigen die eigenen Rankings.

„Nichts ist so erschreckend, wie nicht wissen und doch handeln.“ (Johan Wolfgang von Goethe)

Datenquellen

E-Commerce ist ein weites und komplexes Feld. Um den verschiedenen Einflussfaktoren auf Erfolg oder Misserfolg eines Produktes auf einem Marktplatz mit der höchsten Konkurrenz Europas Rechnung zu tragen muss sich eine kluge Software so vieler Informationsquellen wie möglich bedienen. Deshalb haben wir von Anfang an versucht alle möglichen Datenquellen für L.A.O.S. zu nutzen. Aktuell beziehen wir Daten von Facebook, Google, externen Landingpages, Produktdatenbanken und natürlich Amazon selbst um die beste Kauf-Conversion zu erzielen.

Zusammenfassung

Das menschliche Gehirn schafft etwa 10^13 analoge Rechenoperationen pro Sekunde und hat dabei eine Leistungsaufnahme von etwa 20 Watt. Aktuelle Super-Computer schaffen in etwa 3,6*10^14 Gleitkommaoperationen und benötigen dabei in etwa 1,2 Megawatt (siehe Wikipedia).

Wenn man die enorme Leistungsaufnahme außer Acht lässt, sieht man, dass aktuelle Super-Computer durchaus in der Lage sind, der Leistung eines menschlichen Gehirns ebenbürtig oder sogar überlegen zu sein. Warum können Computer dann keinen Menschen ersetzen?

Aus meiner Sicht liegt das vor allem daran, dass wir in einer Umwelt leben, in der wir ständig aus Millionen Datenquellen und Interaktionen mit anderen Lebewesen Informationen beziehen und diese dann verknüpfen. Dass wir verknüpfen und daraus Schlüsse ziehen können liegt darin begründet, dass uns von Kleinauf beigebracht wird, wie das funktioniert.

D.h. um eine „künstliche Intelligenz“ zu schaffen ist es notwendig, einer Software beizubringen aus vielen Datenquellen Informationen zu beziehen und diese dann zu sinnvollen Erkenntnissen zu verknüpfen. Das weitere Vorgehen entscheidet die Software dann anhand der gewonnenen Erkenntnisse. In genau diesem Moment funktioniert die Entwicklung der Software nicht mehr mit einfachen „Wenn-dies-dann-tu-das“-Funktionen. Denn „dies“ ist zum Zeitpunkt der Code-Entstehung noch nicht bekannt.

tldr;

In der selbstständigen Verknüpfung neu gewonnener Informationen und des daraus folgenden Vorgehens liegt der spannendste Teil einer intelligenten Software und genau an dieser Stelle haben wir mit L.A.O.S. angesetzt. Der Schritt zu den Fähigkeiten eines Gehirns ist aus meiner Sicht noch beliebig weit. Das liegt zum Einen daran, dass die Menge der Datenquellen für einen Menschen (noch) exponentiell größer ist, als für eine Software, zum Anderen gibt es Fähigkeiten, die keine Maschine hat – Bauchgefühl, Empathie und Kreativität sind aus meiner Sicht gute Beispiele dafür. Aus meiner Sicht kann – Stand heute – eine intelligente Software dabei helfen Dinge zu verbessern und Arbeiten zu erleichtern, die ein Mensch in dieser Geschwindigkeit nicht abbilden kann. Aber um umfänglich beurteilen zu können, ob etwas richtig/gut ist, sind blanke Zahlen oft nicht ausreichend.

Auch im E-Commerce kann dies der Fall sein, wenn z.B. ein Produkt ohne konkrete positive Kennzahlen von unserem Kunden bevorzugt wird, müssen solche Dinge mit in unsere Arbeit einfließen. Genau diese Punkte beeinflussen wir in der Zusammenarbeit unseres Teams mit L.A.O.S. Letztlich sind es immer noch die handelnden Personen bei Raccoon Strategy, die unsere Optimierungen lenken.