Was ist künstliche Intelligenz?
Es ist schwierig, „Künstliche Intelligenz“ (KI) bzw. „Artificial Intelligence“ (AI) genau zu definieren. In den meisten Fällen handelt es sich um einfache bis sehr komplexe Algorithmen, die in IT-Systemen automatisch spezielle Fragestellungen beantworten. So können Software-Systeme Muster in Bildern oder in Tönen erkennen. Töne werden dann in Sprache übersetzt und beispielsweise als Text ausgegeben, übersetzt, Funktionen werden ausgeführt (z.B. eine Telefonnummer gewählt) oder Fragen beantwortet. Aus erkannten Mustern in Daten ist es auch möglich, Prognosen zu erstellen.
Im Digital Asset Management müssen Muster erkannt werden, Künstliche Intelligenz sorgt also für die Objekterkennung in Fotos. Auch das TESSA DAM kann erkennen, ob auf einem Foto ein Kugelschreiber, Spielzeug, Werkzeug, eine Leuchte oder eine Schraube zu sehen ist. Dazu gehören auch Gesichter, oder berühmte Bauwerke oder Objekte werden erkannt – beispielsweise Mila Kunis, das Rathaus in Volkach, Fabergé-Eier oder Picasso-Gemälde. So ist es im Frontend möglich, danach zu suchen, ohne dass die Verschlagwortung manuellen Aufwand durch Mitarbeiter bedeutet. Die Künstliche Intelligenz ist hier mehrsprachig, genauer und umfangreicher als die menschliche Intelligenz. Mehr oder weniger komplexe, aber repetitive Arbeiten werden also durch eine Maschine, das TESSA DAM, ersetzt. So ermöglicht die Artificial Intelligence auch die Suche nach ähnlichen Bildern.
Welche Künstliche Intelligenz gibt es?
Künstliche Intelligenz arbeitet mit Algorithmen und diese Algorithmen können in ihrer Komplexität stark unterschiedlich sein. Es gibt in der Marketing-Technologie einfache Algorithmen, die Mitarbeitern stark repetitive Arbeiten abnehmen. So ist es beispielsweise in einem Google-Advertising Konto möglich, Keywords in bestimmten Situationen ein oder auszuschalten – also ein ganz einfacher Fall, bei dem nach Tageszeiten, Preisen oder Klickhäufigkeiten entschieden wird. Etwas komplexer wird es, wenn das System entscheiden soll, ob ein Werbemittel besser ist als das andere. In diesem Fall müssen Signifikanzniveaus erreicht werden. Allerdings ist auch dies noch immer eine recht einfache Form von Künstlicher Intelligenz.
Kniffeliger ist es für Computer, Muster zu erkennen. Dabei sind diese Muster ganz unterschiedlicher Natur. Semantisch naheliegend sind Elemente in Bildern, was beispielsweise Objekte wie Autos, Lebensmittel, Tiere oder Ähnliches sein können. Muster sind allerdings auch geschriebene oder gesprochene Worte. Bei dem gesprochenen Wort ist es erforderlich, eine Lautmodulation in geschriebene Worte zu übersetzen. Diese geschriebenen Worte haben dann für uns, die wir lesen können, eine bestimmte Bedeutung, für Computer sind es Muster, mit deren Hilfe Relationen herstellbar sind. Für all diese Fälle ist es erforderlich, Computer zu trainieren. Vereinfacht: Man importiert 200 Fotos, auf denen ausschließlich ein Hund zu sehen ist und sagt dem Computer, dass ein Hund auf den Fotos zu sehen ist. Nun legt man dem Computer Fotos von verschiedenen zwei- und Vierbeinern vor und fragt, auf welchem Foto ein Hund zu sehen ist. Schafft der Computer die Aufgabe in 9 von 10 Fällen, dann wurde 90-prozentige Sicherheit erreicht. Man bezeichnet dies als Maschinelles Lernen. In der genannten Ausprägung handelt es sich um überwachtes Lernen, bei dem der Computer auf zuvor von Menschen klassifiziertes Material zurückgreifen kann. Im komplexeren Fall „besorgt“ sich der Computer selbst das Lernmaterial, indem er – wieder vereinfacht – Nomenlisten in Google eingibt, die Fotos der Bildersuche einliest, die hinterher mit anderen Fotos geprüft wird.
Diese Verfahren werden in ganz unterschiedlichen Bereichen eingesetzt: Maschinelle Übersetzung, Sprachassistenzsysteme, Roboter, autonomes Fahren, Optimierung von Marketing-Kampagnen etc.
Welche Rolle spielt Künstliche Intelligenz im Marketing?
Wenn man den Begriff der Künstlichen Intelligenz im Zusammenhang mit Marketing benutzt, fällt sehr schnell auch der Begriff der Marketing Automation. Bei Marketing Automation geht es in den meisten Fällen um CRM-Aktivitäten im weiteren Sinne. Das heißt, es geht darum, wie Leads automatisch generiert werden können, welches Mailing wann mit welcher Erfolgswahrscheinlichkeit an welchen Lead oder Kunden verschickt werden sollte. Bots sollen alltagstauglicher gemacht werden und die ersten Kommunikationsschritte übernehmen. Dabei findet jeweils ein automatisiertes Controlling statt. Hierdurch sollen sich die Systeme auf der Basis einfacher Algorithmen selbständig verbessern. Es geht hier also darum, Sprache zu dekodieren, um Kundenfragen richtig beantworten zu können. Neben diesem Teil müssen Inhalte sprachlich korrekt automatisiert zusammengestellt werden – es geht also beispielsweise um Basistools wie Googles GPT-3. Auf der Basis dieser Technologie wurde eine Reihe von Werkzeugen entwickelt, um automatisiert Texte zu erzeugen – beispielsweise für Blogs oder SEO-Zwecke. Die Generierung von E-Mail-Subjects funktioniert damit bereits recht gut. Unter https://gpt3demo.com/ - -1 findest Du viele Werkzeuge, die auf GPT-3 aufbauen, die beispielsweise im Conversational Commerce zum Einsatz kommen.
Geht man einen Schritt tiefer, so hilft Artifical Intelligence stark bei der Auswertung von Kundenaktivitäten bis zur Optimierung von Websites. Es geht dabei vorwiegend um Prozesse des Controllings und der Marktforschung.
Welche künstliche Intelligenz setzen DAMs ein?
Beim Digital Asset Management ist eine wichtige Aufgabe, die Verbindung zwischen Assets und Produkten herzustellen. Dies wird normalerweise über eine Produkt-ID oder eine Produktnummer bewerkstelligt. Dies ist ein Fall ganz einfacher Algorithmen. Es gibt DAM Hersteller, die in diesem Fall von Künstlicher Intelligenz zu sprechen. Bei solch einfachen festen Algorithmen sollte man dies nicht tun.
Eine andere überaus wichtige Aufgabe von DAM Systemen besteht darin, die Auffindbarkeit der enthalteten Assets zu erhöhen. Neben den Produkt-IDs werden die Assets mit Daten aus PIM-Systemen verknüpft. Zusätzlich – und hier kommen wir tatsächlich in den Bereich der Artifical Intelligence – können die Assets automatisch mit Metadaten versehen werden. Diese Metadaten werden durch Künstliche Intelligenz gewonnen. Geeignet ist hierfür beispielsweise die Google Cloud Vision API, um die Objekterkennung auf Fotos zu gewährleisten und diese zu taggen – das betrifft übrigens auch bekannte Objekte. Gemeint sind berühmte Bauwerke wie das Brandenburger Tor, Gemälde oder die oben genannten Fabergé-Eier. Das funktioniert mehrsprachig und hilft stark beim Auffinden von Action- oder Ambiente-Fotos für Werbezwecke. Auch die Gesichtserkennung wäre damit möglich. Für die KI viel einfacher ist es, ähnliche Assetszuzuordnen. Dies geschieht beispielsweise über Farbräume, die in Fotos enthalten sind. Daneben werden Fotos mit ähnlichen Objekten miteinander verknüpft.
Einen Punkt dürfen wir nicht vergessen. Fotos und Videos kommen immer häufiger aus dem Computer und werden mit Hilfe künstlicher Intelligenz erzeugt. Hierfür werden neben 3D-Objekten auch Texturen - also zum Beispiel die Grafiken von den Oberflächen der Objekte – benötigt. Diese müssen auch in DAM Systemen bereitgestellt werden und mit den jeweiligen Objekten verknüpft werden. Auch dies wird zukünftig eine wichtige Aufgabe von DAM Systemen wie dem TESSA DAM
