Künstliche Intelligenz und Deep Learning
Nachdem wir uns in der letzten Woche mit der Frage befasst haben, wie Deep Learning das Video-SEO vorantreibt, gönnen wir uns heute einen erneuten Blick auf das Thema der Artificial Intelligence (AI). Denn es ist für uns selbstverständlich von Interesse, welchen Nutzen das Deep Learning über das Video-SEO hinaus für uns Online-Marketer hat und wo die Grenzen, vielleicht auch die Probleme und Gefahren künstlicher Intelligenz liegen.
Begriffsklärungen
Deshalb ist es ratsam, zunächst einen Blick auf die Definition des Deep Learning zu werfen. Weil eine wissenschaftlich anerkannte Beschreibung des Begriffs noch fehlt, behelfen wir uns mit folgender Definition:
Deep Learning gilt als Disziplin, die inhaltlich an die Forschungsarbeiten des Machine Learning anknüpft. Das Ziel besteht darin, Erkenntnisse zur Funktion des menschlichen Gehirns zu nutzen, um neuronale (neurale) Netze, also selbstlernende Computerstrukturen, zu entwickeln, die in der Lage sein sollen, Gelerntes auf Inhalte, die der Maschine neu gezeigt werden, zu übertragen. Letzten Endes geht es also um die Erkennung von Mustern; anschließend soll die Maschine Prognosen und Entscheidungen sowie Handlungen aus dem Erkennen und Kategorisieren dieser Muster ableiten. Demnach sind die künstlichen neuronalen Netze der Versuch, menschliches Lernen computergestützt nachzuahmen. Wir hatten dies beschrieben im Beitrag zum Video-SEO: Die Anwendung hier besteht darin, Bildinhalte auf algorithmischer Basis zu analysieren. Die Hürde auf dem Weg zur selbstlernenden Erkennung von Mustern: Die Algorithmen, die für das Lernen zuständig sind, müssen für die Skalierung, also die immer weiter fortschreitenden Lerndurchläufe, die Muster innerhalb sehr großer Datenbestände (Big Data) erkennen. Hier kommt, anders als bei den ersten neuronalen Netzen zu Anfang der 90er Jahre, das Deep Learning ins Spiel: Maschinen, die nach diesem Prinzip aufgebaut sind, bestehen aus neuronalen Netzen, die mehrere Schichten aufweisen.
Abbildung:
Aktuelle Anwendungen, die auf Deep Learning basieren
Neben Youtube 8-M, mit dem wir uns bereits befasst hatten, sind folgende Anwendungen im Alltag vieler Menschen bereits Standard:
- Spracherkennungssoftware
- selbstfahrende Autos
- Bilderkennung
- Produktempfehlungen, die aus dem Auslesen des Browserverlaufs generiert werden
Nicht zu vergessen: Google DeepMind. Diese Firma hat in Zusammenarbeit mit der University of Oxford eine Künstliche Intelligenz (KI) geschaffen, die in der Lage ist, aus Lippenbewegungen auf den Inhalt des Gesagten zu schließen. Mit einer Trefferquote von 46,8 %, wohlgemerkt bei der Maschine bisher unbekannten Sätzen und Kontexten, übertrifft diese Leistung die der professionellen menschlichen Lippenleser um Längen – Menschen kommen trotz langjähriger Praxis auf durchschnittliche Werte von lediglich 12,4 %. Eine ausführlichere Darstellung dieser Leistung von DeepMind findet sich hier.
Die Grenzen des menschlichen Verständnisses: Deep Learning als Black Box
Wir dürfen die Leistungen einer Künstlichen Intelligenz, die auf Deep Learning basiert, durchaus bewundernd wahrnehmen. Nehmen wir das Beispiel „DeepMind“: Es ist großartig, was dieses neuronale Netz bewerkstelligt. Allerdings: Auf welchen Wegen eine KI zu ihren Erkenntnissen gelangt, bleibt uns Menschen meist verborgen; je komplexer die Maschinen werden, umso größer wird die Aufgabe, diese Black Box auszulesen. Was daran liegt, dass, anders als bei strukturierter Datenablage etwa in einer Datenbank, die Daten von der KI in einer Weise fragmentiert abgelegt werden, dass sie kaum für Menschen erreichbar sind. Fortschritte bei der KI führen dazu, dass die oben erwähnten Prognosen, Entscheidungen und Handlungen einer Maschine auf Kriterien basieren, die sich selbstständig fortschreiben, während der Algorithmus weiter lernt. Das wird nicht ausschließlich, aber ganz besonders im Bereich der Predictive Analytics (http://www.gartner.com/it-glossary/predictive-analytics/) ein Problem werden, wenn es beispielsweise darum geht, Risikobewertungen für den Abschluss einer Kranken- oder Krankenzusatzversicherung maschinengestützt durchführen zu lassen.
Anwendungsbereiche des Deep Learning im Online Marketing
An dieser Stelle müssten wir sehr weit ausholen und verweisen deshalb auf spätere Texte, die auf diesen einführenden Text Bezug nehmen werden. Deshalb nennen wir hier nur die Möglichkeit, dass Algorithmen von Suchmaschinen sich künftig selbständig weiter entwickeln, sich gar anpassen können an sich verändernde Gewohnheiten von Menschen, Umständen / Situationen und auch an persönliche Veränderungen von „Usern“ (für Google sind Menschen in erster Linie „User“ und als solche vor allem anderen: Adressaten von Online Marketing-Maßnahmen). Das oben erwähnte Ausspielen von Produktempfehlungen ist dabei nur die vielbemühte Spitze des Eisbergs. Nudging ist ein Thema, letztlich also auch Schwarmsteuerung. Es ist kein Zufall und keine reine Liebhaberei, dass der Google-Konzern sehr viel Geld in die Entwicklung künstlicher Intelligenz investiert, unter anderem in
- Bilderkennung,
- Objekterkennung in Fotos / Videoframes,
- Texterkennung in Fotos / Videoframes,
- semantische Weiterentwicklung zum Beispiel zur Erkennung von Umgangssprache.
Wir von ROCKITdigital, der Online Marketing-Agentur in München, bleiben wie gesagt am Ball und werden in loser Folge uns mit weiteren Aspekten der KI und ihrer Anwendung im Online Marketing befassen.