Der effiziente Weg den Erfolg von Marken zu steuern
E-Book, Deutsch, 188 Seiten, E-Book
Reihe: Haufe Fachbuch
ISBN: 978-3-648-13462-7
Verlag: Haufe
Format: EPUB
Kopierschutz: Wasserzeichen (»Systemvoraussetzungen)
Mit diesem Buch schaffen Sie eine transparente und effiziente Steuerung Ihrer Brand-Assets über alle Kontaktpunkte hinweg.
Inhalte:
- KI - Überblick und Einordnung für Marketers
- Insights - neue Erkenntnissen über Zielgruppen, Trends, Marken und Produkte
- Kontrolle - Umsetzung von Markenstrategien an Kontaktpunkten
- Optimierung - mehr Wirkung mit KI
- Implementierung - Umsetzung von KI-Systemen im Unternehmen
Autoren/Hrsg.
Fachgebiete
Weitere Infos & Material
2 Maschinen mit Intuition – was KI so mächtig macht
Maschinen sind schnell, werden nicht müde und sind akkurat – sie sind aber im Grunde dumm. Menschen dagegen sind langsam, werden müde, machen Fehler, aber sind brillant. Seit Beginn der KI-Forschung war es deshalb das Ziel, die einzigartigen Fähigkeiten des Menschen auf die Maschinen zu übertragen und damit die Stärken von Mensch und Maschine zu kombinieren. Dieses Kapitel legt die Grundlagen für das Verständnis der KI, indem wir uns zuerst vergegenwärtigen, was denn Menschen eigentlich so brillant macht und wie diese Prinzipien auf die Maschine übertragen werden. Wo immer sinnvoll möglich, stellen wir Anwendungsbezüge zum Marketing her. 2.1 Rein regelgeleitete Maschinen sind limitiert
Die KI hat immer den Menschen als Vorbild. Wie also lernt der Mensch? Nehmen wir als Beispiel die Sprache. Es gibt zwei Wege zu lernen. Unsere Muttersprache lernen wir durch Erfahrung. Die Regeln dafür müssen wir erst mühsam in der Schule lernen und formalisieren, aber die Sprache anwenden können wir ohne diese Regeln. Wir haben die Bedeutung der Worte durch Erfahrung, durch abertausende Versuche, Trial & Error und Korrekturen durch unsere Mitmenschen gelernt. Der zweite Weg zu lernen erfolgt analog zum Erlernen einer Fremdsprache: Wir lernen die Regeln und Vokabeln und versuchen, diese dann anzuwenden. Das dauert lange und erreicht selten das gleiche Niveau wie unsere Muttersprache. Wie beim Menschen gibt es auch zwei Möglichkeiten, eine Maschine schlau zu machen. Entweder man programmiert ihr Regeln ein oder aber sie lernt selbstständig durch Erfahrung. Bis vor wenigen Jahren war der regelbasierte Ansatz dominant. Schach war deshalb auch lange die Benchmark, die es zu meistern galt, denn Schach wird durch klar definierte Regeln bestimmt. Diese Art der KI war auch sehr schlau und wurde ? »Expertensystem« genannt. So gab es Expertensysteme mit dem Ziel, alles Wissen eines Arztes mit Regeln abzubilden, damit die Maschine selbstständig die richtige Diagnose stellt. Oder die Werbung beurteilt, wie das Expertensystem des Werbeforschers Prof. Kröber-Riehl an der Universität Saarbrücken. Leider scheiterten die meisten dieser Systeme, sobald sie mit der echten Welt konfrontiert wurden. Die Welt des Computers ist regelgeleitet, aber die reale Welt außerhalb der Labore ist nur sehr begrenzt regelgeleitet. Schauen wir uns diesen zentralen Punkt etwas genauer an. Noch in den 1990er Jahren scheiterten die meisten KI-Systeme an der für Menschen trivialen Aufgabe, Dinge in der Umwelt zuverlässig zu erkennen und zu identifizieren. In dieser Zeit arbeitete einer der Autoren als junger Neuropsychologe am Artificial Intelligence Labor der Universität Zürich mit dem Ziel, über KI das menschliche Gehirn, insbesondere wie der Mensch Objekte erkennt und kategorisiert, besser zu verstehen. Die Idee dahinter ist noch immer aktuell: Wenn man menschliche Fähigkeiten (nach-)bauen kann, weiß man, wie sie funktionieren. Eines war damals schnell klar: Die Maschinen waren gut im Abarbeiten von logischen Regeln – sie waren aber überraschend überfordert mit Dingen, die schon Kleinkinder beherrschen. So war es für Maschinen schon eine Herausforderung, ein Objekt überhaupt zu erkennen oder etwas in die (Roboter-)Hand zu nehmen. Um zu verstehen, warum dies für Maschinen nicht trivial ist, schauen wir uns an, was die Maschine als Input zur Verfügung hat. Im Wesentlichen sind das Zahlen. Im Falle eines Farbbildes gibt es drei Arten von Zahlen: Rot, Grün und Blau (RGB-Wert). Jeder RGB-Wert entspricht einem ? Bild-Pixel. Abbildung 1 zeigt illustrativ, wie eine Maschine einen Stuhl »sieht«: als eine Reihe von Zahlen. Man kann verstehen, dass es der Maschine schwerfällt, auf dieser Basis sinnvolle Muster zu erkennen. Abb. 1: Was Menschen sehen und was Maschinen sehen Wie also vorgehen? Ein naheliegender Ansatz besteht darin, Regeln zu definieren. In unserem Beispiel sind das Regeln, die einen »Stuhl« beschreiben: Stuhlbein: Pixel-Reihen die vertikal ähnlich stark ausgeprägt sind Vier Stuhlbeine: vier Pixel-Reihen mit ähnlicher Ausprägung wobei jeweils zwei Pixel-Reihen (= Stuhlbeine) benachbart sind, da wir den Stuhl hier von vorne betrachten Lehne: eine größere, ähnlich stark aktivierte Pixel-Menge über den »Beinen« horizontal … Das mag für das Bild eines Stuhles, das den Stuhl aus einer bestimmten Perspektive zeigt, sogar funktionieren. Sobald man den Stuhl aber etwas dreht, sieht das schon ganz anders aus – keine vier Beine mehr, keine große Lehne. Auch wenn sich die Farbe etwas ändert, passen die RGB-Werte nicht mehr. Also werden weitere Regeln definiert. Man merkt aber schnell, dass dieser Ansatz nicht funktionieren kann. Dafür sind Stühle zu verschieden und es gibt eine schier unendlich große Anzahl an Perspektiven, Lichtverhältnissen, Farben, Formen, Hintergründen etc. Wenn viele Regeln notwendig sind, weil es zu viel Varianz im Input gibt, dann scheitert dieser regelgeleitete Ansatz. Genau aus diesem Grund war auch die Güte von Sprach-Übersetzungsprogrammen lange nicht gut genug für eine Anwendung im Alltag. Abb. 2: Objekterkennung am Beispiel Stuhl Wichtig Sprache und die Bedeutung von Wörtern sind vielfältig und ändern sich je nach Kontext. Es ist nicht möglich, jede Bedeutung in jedem Kontext mit einer Regel zu erfassen. Ein flexibler Transfer, wie er für uns Menschen möglich ist, war für Maschinen mit einem regelbasiertem Vorgehen deshalb lange nicht möglich. 2.2 Die menschliche Intelligenz ist das Vorbild der KI
Demis Hassabis, Gründer der später von Google übernommenen KI-Firma DeepMind, ist ein gutes Beispiel dafür, dass der Durchbruch im Bereich der künstlichen Intelligenz sehr oft auf einem tiefen Verständnis der menschlichen Intelligenz basiert. Noch bevor Hassabis in Cambridge Computerwissenschaften studierte, programmierte er bereits als Jugendlicher Computerspiele und war auch nach seinem Studium als Spieleentwickler tätig. Bevor er DeepMind gründete, studierte und promovierte Hassabis im Bereich der kognitiven Neurowissenschaften. Er hatte nach eigenen Aussagen erkannt, dass der regelgeleitete Ansatz für die Entwicklung von künstlicher Intelligenz nicht funktionieren würde. In einem Interview im The Times Magazin sagt Hassabis dazu: »It was all about logic. It was obvious to me it wouldn’t get anywhere. You’d never be able to program in enough knowledge for it to become intelligent … I needed to source ideas other than computer science. That’s when I did my PhD in cognitive neuroscience […] in areas where we had little idea how to adapt it to artificial intelligence«. Wie entstand die Idee, über Regeln und Logik die menschliche Intelligenz zu entschlüsseln und über KI nachzubauen? Als in den 1970er Jahren der Personal Computer aufkam, beeinflusste dies auch stark die Art und Weise, wie man über das menschliche Gehirn nachdachte. Inspiriert von der Funktionsweise des Computers ging man davon aus, dass das Gehirn wie der Computer auch Regeln verarbeitet, nach logischen Prinzipien vorgeht, Inhalte auf einer Festplatte abspeichert, bei Bedarf aufruft und dann wieder ablegt. Heute weiß man, dass diese Computer-Analogie die Funktionsweise des menschlichen Gehirns nur sehr unzureichend abbildet. Unser Gedächtnis etwa funktioniert ganz anders als eine Festplatte. So verändern sich Erinnerungen jedes Mal, wenn wir sie ins Bewusstsein rufen. Wissenschaftler nutzen den Computer aber auch, um ihre Thesen über das Gehirn zu prüfen. Objekterkennung ist ein Beispiel für dieses Vorgehen: Um zu prüfen, ob das Gehirn Objekte – zum Beispiel einen Stuhl – durch Abgleich mit bereits gesehenen Bildern von Stühlen erkennt, wird dieser Vorgang im Computer simuliert. Man speist den Computer mit vielen Bildern von Stühlen. Wenn dann ein Testbild vorgelegt wird, das der Computer schon im Speicher hat, kann er durch den Abgleich mit den im Speicher abgelegten Bildern ein Testbild als Stuhl erkennen. Zeigt man dem Computer aber ein Bild, das er nicht gespeichert hat, scheitert das System – der Computer kann nicht generalisieren, nicht über die vorab abgespeicherten Bilder hinausgehen, um neue, noch nicht gesehene Bilder zu erkennen. Das Scheitern des Computers bei dieser Aufgabe war ein deutlicher Hinweis darauf, dass die Erkennung von Objekten beim Menschen eben nicht durch einen Abgleich mit bereits gesehenen Bildern erfolgt. Heute wissen wir, dass das Gehirn keine Bilder speichert und dass Objekterkennung – sei es ein Stuhl oder eine Marke – auf Basis von verteilten, neuronalen Mustern basiert....
