Künstliche Intelligenz in Marktanalyse, Kundenmanagement und darüber hinaus | marktforschung.dossier

Künstliche Intelligenz in Marktanalyse, Kundenmanagement und darüber hinaus

von Dr. Aljoscha Burchardt und Dr. Sven Schmeier,
Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)

Liebe Leserinnen und Leser,

als Wissenschaftler möchten wir am Anfang eine These wagen: Die Antworten auf die Frage, was Künstliche Intelligenz (KI) in Marktanalyse und Kundenmanagement bereits leistet und zukünftig leisten kann, fallen so verschieden aus wie bei keiner anderen, ähnlich gelagerten Frage. Der Grund hierfür liegt auf der Hand: Je nach Vorerfahrung stellt sich jede(r) von Ihnen unter KI in diesem Einsatzbereich etwas Anderes vor. Das liegt letztlich daran, dass es für den Begriff KI keine allgemein akzeptierte und umfassende Definition gibt. KI ist ein Sammelbegriff für ein Teilgebiet der Informatik, diverse Technologien und eine stetig wachsende Zahl von Anwendungen. Daher ist es im Übrigen auch müßig zu fragen, wo "normale" Digitalisierung aufhört, und KI beginnt.

KI = Daten oder ist da mehr?

Dass KI hier ein sehr weites Feld absteckt, zeigt sich schon in der Unterschiedlichkeit der in diesem Dossier behandelten Themen, und das ist auch gut so. KI ist nämlich weit mehr als nur maschinelles Lernen, auch wenn die jüngsten Erfolge, Durchbrüche und Zaubertricks überwiegend aus diesem Bereich kommen. Seit 2012 haben hierbei insbesondere neuronale Netze für viel Aufsehen gesorgt, zunächst im Bereich Bilderkennung und später bei der Verarbeitung natürlicher Sprache. Heute kann man beispielsweise Texte mit dieser Technologie in einer Qualität übersetzen, die noch vor wenigen Jahren unvorstellbar war. Unlängst haben Sprachmodelle wie GPT3 gezeigt, dass man rein datengetrieben eine ganze Reihe weiterer Aufgaben im Bereich der Sprachverarbeitung angehen kann. Es kommen aber auch andere Technologien zum Einsatz. Interessanter Weise basiert das Programm alphaGO, das den neusten KI-Hype mit ausgelöst hat, im Wesentlichen auf klassischer Suche, die allerdings von einem neuronalen Netz unterstützt wird. Die wahrscheinlich prominentesten explizit modellierten Systeme, die also nicht mit Daten trainiert wurden, sind die heutigen Smarten Assistenten und Chat Bots. Bei diesen wird zumindest die Dialog-Logik (Was für Informationen müssen für das Buchen eines Restaurants abgefragt werden?) meist von Experten modelliert. Häufig enthalten Systeme sowohl auf Daten trainierte als auch modellierte Komponenten.

Aus Daten und Informationen zu Wissen

Ganz allgemein sind datengetriebene System in der Lage, Korrelationen in den Daten zu erkennen. Beispielsweise korrelieren vielleicht die Verkaufszahlen von Badehosen und die Tagestemperatur. Die Systeme sind aber nicht in der Lage, den kausalen Zusammenhang dazwischen herzustellen. Auf der abstraktesten Ebene besteht die Welt aus Ereignissen, Dingen und deren Eigenschaften. Hierzu gehören besonders die Verhältnisse und Verbindungen zwischen Personen, Lebewesen, Situationen, Aktionen usw. Dieses "Wissensnetz" macht unsere Realität aus. In der KI kann solches Wissen in einer formalen Repräsentation gespeichert werden, etwa in einer Datenbank. Die entsprechenden Repräsentationen - sehr oft als Wissensgraph (eng.: knowlede graph) bezeichnet - sind es letztendlich, die aus rein reaktiven Systemen, die Katzen und andere Objekte in Bildern sehr gut erkennen können, künstlich intelligente Systeme machen. Dabei geht es dann um die explizite Darstellbarkeit komplexer Zusammenhänge und Abläufe, die Abfragen und automatisches Schlussfolgern zulassen. Solche Systeme können sich zudem selbst erklären und erlauben verifizierbare Vorgänge. Ziel sollte es immer sein, Mensch und Maschine geschickt so interagieren zu lassen, dass mehr und mehr Wissen im System entsteht.

Mensch vs. Maschine

Der Unterschied zwischen den oben beschriebenen Wissensgraphen und dem Wissen eines Menschen macht eines deutlich: Wenn wir über KI sprechen, nutzen wir praktisch immer Metaphern. Wenn zum Beispiel ein automatisierter Anlageberater, ein sogenannter Robo-Advisor, "entscheidet", in ein Aktienpaket zu investieren, dann hat das völlig andere Implikationen, als wenn ein menschlicher Anlageberater dies entscheidet. Der Mensch weiß um die möglichen Konsequenzen seiner Handlungen und um seine Haftbarkeit bei Fehlentscheidungen. Mit diesen und ähnlichen Fragen beschäftigen sich derzeit viele Forscher unter dem Stichwort "ELSI", also Ethical, Legal, and Societal Implications of AI.

Digitalisierung als Projekt und als gesellschaftlicher Auftrag

Im digitalen Raum sind das Experimentelle und das Unfertige der Normalzustand. Die Einführung von KI-Systemen hat meist wenig zu tun mit herkömmlichem Einkauf. Viel eher muss man mit Entwicklungsarbeit rechnen, gegebenenfalls ist sogar noch Forschung nötig, um eine passende Lösung zu erarbeiten. Eine Voraussetzung ist, dass man das richtige, interdisziplinäre Team zusammenstellt. Hierzu gehören neben der Fachabteilung, die die Prozesse und Kunden kennt sowie der IT- und Rechtsabteilung für Fragen der Datennutzung, die KI-Experten. Am Anfang sollte die Aufgabenstellung, die das System bearbeiten soll, möglichst genau spezifiziert werden und ein Qualitätsmaß für die Lösung entwickelt werden. Davon ausgehend kann man dann vorhandene Daten- und Wissensquellen sichten. Schließlich sollte man dem experimentellen Charakter des Projektes Rechnung tragen und eine Laborsituation erschaffen, in dem das System idealer Weise schon so früh wie möglich unter realen Bedingungen (Daten und Nutzer) getestet und iterativ verbessert werden kann. 

Erlauben Sie uns am Ende noch einen Blick über den Tellerrand. Oft haben KI-Systeme das Potential, gesellschaftliche "Skaleneffekte" auszulösen. Während es in der analogen Welt übergriffig wäre, die Empfehlungen eines einzelnen Buchhändlers zu analysieren und gegebenenfalls zu sanktionieren, so hat es eine andere Dimension, wenn weite Teile der Bevölkerung bei demselben Online-Händler einkaufen. Die Auswirkungen können von kartellrechtlichen Fragen bis hin zu Aspekten von Bildungspolitik vielfältigen Klärungsbedarf hervorrufen. Daher sollten wir Digitalisierung im Allgemeinen und KI-Entwicklung im Speziellen als generationsübergreifendes gesellschaftliches Projekt begreifen. Viele Fragen unseres zukünftigen Zusammenlebens können und müssen in einem breiten Diskurs geklärt werden. Sie gehen uns alle an.

Berlin im Februar 2021
Aljoscha Burchardt und Sven Schmeier

In den kommenden Wochen erscheinen an dieser Stelle (in der Sidebar) sukzessive Beiträge zum Thema "Künstliche Intelligenz in Marktanalyse, Kundenmanagement und darüber hinaus".

Über die Autoren

Dr. Aljoscha Burchardt, DFKI

Dr. Aljoscha Burchardt ist Research Fellow und stellvertretender Standort­sprecher des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI GmbH) in Berlin. Er ist Experte für Sprachtechnologie und Künstliche Intelligenz. Aljoscha war als Sachverständiger Mitglied der Enquete-Kommission "Künstliche Intelligenz" des Deutschen Bundestages.

Dr. Sven Schmeier, DFKI

Dr. Sven Schmeier ist Chief Engineer und der stellvertretende Leiter des Forschungsbereichs Speech & Language Technologies des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI GmbH) in Berlin. Sven hat mehr als 30 nationale und internationale Projekte in Forschung und Industrie erfolgreich geleitet, von der Grundlagenforschung über die technische Entwicklung bis hin zu Produkten und deren Vermarktung.

Über marktforschung.de

Branchenwissen an zentraler Stelle bündeln und abrufbar machen – das ist das Hauptanliegen von marktforschung.de. Unser breites Informationsangebot rund um die Marktforschung richtet sich sowohl an Marktforschungsinstitute, Felddienstleister, Panelbetreiber und Herausgeber von Studien, Marktdaten sowie Marktanalysen als auch an deren Kunden aus Industrie, Handel und Dienstleistungsgewerbe.

facebook twitter xing linkedin