16.06.2017 Künstliche Intelligenz

Bessere Prognosen für den Einzelhandel

Von: Ina Schlücker

Warum Künstliche Intelligenz (KI) im Modeeinzelhandel die Prognosen verbessern kann, erläutert Dr. Michael Goller, CTO bei der Detego GmbH.

Michael Goller, Detego GmbH

Michael Goller, CTO bei der Detego GmbH

ITM: Herr Goller, Künstliche Intelligenz (KI), Schwarmintelligenz, Deep Learning oder Machine Learning – wie können Mittelständler bei diesem Begriffswirrwarr noch den Durchblick behalten? Welche dieser Technologien lohnen sich tatsächlich für den Einsatz in mittelständischen Unternehmen?
Michael Goller:
Schwarmintelligenz, Deep Learning und Machine Learning sind Unterbegriffe von Künstlicher Intelligenz, die für ganz unterschiedliche Fragestellungen das jeweils geeignete Werkzeug darstellen können. Machine-Learning-Verfahren sind im speziellen dazu geeignet, in bestehenden Daten Muster oder Trends zu erkennen und Prognosen, zu erstellen. Beispiele aus dem Modeeinzelhandel hierzu sind Prognosen über Artikelabsatz, Kundenfrequenz oder operative Prognosen, um den Nachschub entsprechend proaktiv zu steuern. Der jüngste Hype um „Deep Learning“ ist einfach der Tatsache geschuldet, dass heute sehr große Datenmengen einfach verarbeitet werden können und sich damit mit bewährten Methoden sehr gute Ergebnisse erzielen lassen.

ITM: Ein Blick in die Praxis: Für welche Anwendungsszenarien bietet sich für Mittelständler die Nutzung Künstlicher Intelligenz an?
Können Sie Beispiele nennen?
Goller:
Grundsätzlich lässt sich Künstliche Intelligenz in zwei Kategorien aufteilen: Supervised- und Unsupervised-Verfahren. Ersteres wird dazu verwendet, um aus vorhandenen, bekannten Daten zu lernen und damit Prognosen zu erstellen oder neue Datensätze zu kategorisieren. Klassische Beispiele hierzu sind Forecasts, wie z.B. bezüglich der Nachfrage nach bestimmten Artikeln oder die Bild- bzw. Objekterkennung wie sie in Recommender-Systemen eingesetzt wird. Die Kategorie der Unsupervised-Methoden wird hingegen zum Erkennen von strukturellen Zusammenhängen (Häufungen, Abhängigkeiten etc.) herangezogen. Das Erkennen von Duplikaten im Allgemeinen oder das Vorschlagen ähnlicher Artikel, beispielsweise in Online-Shops oder in Einzelhandelsfilialen sind konkrete Anwendungsbeispiele hiervon.

ITM: Wie aufwendig ist der Einstieg in ein KI-Projekt? Was kommt hinsichtlich der Kosten, des Personalaufwands und der Projektdauer auf die Unternehmen zu?
Goller:
Abhängig von der Ausgangslage (Problemstellung, Art und Struktur der Daten etc.) kann der Einstieg  ganz unterschiedlich sein. Gibt es bereits strukturierte Daten mit genau definierten Zielen, so können die meisten Machine-Learning-Algorithmen mit der entsprechenden Expertise und der Verwendung der zahlreich vorhandenen Werkzeuge innerhalb kürzester Zeit angewandt werden. Schlüssel ist jedoch in jedem Fall, Rollen in einem Unternehmen zu schaffen, die sich explizit mit diesem Thema auseinandersetzen. Für spezifische Fragestellungen gibt es darüber hinaus ein ständig wachsendes Angebot an spezialisierten Software-Produkten, die für die einzelnen Anwendungsfälle sehr gute Ergebnisse erzielen. Unsere Kunden beispielsweise schätzen unsere Spezialisierung im Bereich Fashion Retail und das entsprechende Domänenwissen, das einen wichtigen Bestandteil der Algorithmen unserer Software darstellt.

ITM: Wie lassen sich im Projektverlauf mögliche Stolpersteine – z.B.  eine inkonsistente Datenbasis oder Datensilos – vermeiden?
In welchen Datenbanken oder betriebswirtschaftlichen Anwendungen finden die Verantwortlichen die für KI-Projekte relevanten Daten in der Regel vor?
Goller:
Hierzu ist eine penible Dokumentation der Datenstruktur, der Verarbeitungskette und der Schnittstellen unumgänglich. Eine derartige Dokumentation sollte von der Definition von Datentypen bis hin zur konsistenten Verwendung eines Business-Vokabulars alles umfassen. Dies gilt vor allem in Phasen, in denen Daten migriert werden oder sich Schema und/oder Businessvokabular ändern. Für strukturierte Daten wird zum Großteil nach wie vor auf relationale Datenbanken (z.B.: MySQL, Oracle, MS SQL) zurückgegriffen, wohingegen für schemalose Daten No-SQL (z.B.: MongoDB, Cassandra) verwendet wird. Für produktionstaugliche Systeme sind ab einer gewissen Datenmenge zusätzlich auch entsprechende In-Memory-Datenbanken und entsprechende Caching-Layer unabdingbar.

ITM: Worauf gilt es bei der Nutzung von Daten für KI-Projekte hinsichtlich Datenschutz und Datensicherheit zu achten?
Goller:
Speziell bei personalisierten Kundendaten ist auf eine Anonymisierung der persönlichen Daten und die Verschlüsselung bei deren Übertragung zu achten. Bei der Anonymisierung muss auch beachtet werden, dass durch verschiedene Algorithmen keine Rückschlüsse auf einzelne Personen gemacht werden können. Wie für alle sensiblen Daten gilt, dass diese entsprechende Infrastruktur und die Anwendung aktueller Verfahren geschützt werden müssen.

ITM: Inwieweit braucht man in Zeiten von Künstlicher Intelligenz und selbstlernenden Algorithmen den Menschen überhaupt noch?
Goller:
Die Anwendung von Künstlicher Intelligenz sollte mehr als Unterstützung und nicht als Ersatz der menschlichen Arbeitskraft angesehen werden. Um ein Beispiel aus dem Modehandel zu nennen: Die Unterstützung der Mitarbeiter im Verkaufsgespräch durch intelligente Algorithmen für Produktauswahl etc. ist definitiv als eine gewinnbringende Ergänzung zu sehen. Gerade in Bereichen in denen Kreativität, Verantwortung und die persönliche Interaktion gefragt sind, ist der Mensch unersetzlich.

ITM: Welche Gefahren und Risiken setzt man sich aus, wenn man selbstlernenden Algorithmen blindlings vertraut? Können Sie ein Beispiel nennen?
Goller:
Selbstlernende Algorithmen können immer nur so gut sein wie der Datenbestand, mit denen sie trainiert wurden. Tritt ein Fall, der nicht ausreichend in der Datenbasis abgebildet ist, ein, so ist nach wie vor relativ unvorhersehbar, welches Ergebnis der Algorithmus liefert. Folglich sollte man in kritischen Bereichen immer den Menschen als letzte Instanz zur Überprüfung heranziehen.

©2017 Alle Rechte bei MEDIENHAUS Verlag GmbH