Generative Adversarial Networks

Die künstliche Realität aus dem Neuronetz

Neuronetze können echt wirkende Daten erzeugen. Der E-Commerce möchte sich diese Fähigkeit jetzt auch nutzbar machen.

Künstliches neuronales Netzwerk

Neuronale Netzwerke können auch echt wirkende Daten erzeugen

Maschinelles Lernen gilt als Wunderwaffe für die Auswertung von Daten, auch im E-Commerce. So hoffen Online-Händler, dass die Produktempfehlungen besser werden, wenn sie neuronale Netze und Deep Learning einsetzen. Allerdings sind enorm große Datenmengen für das Training eines neuronalen Netzes erforderlich, damit es in der Anwendung gute Ergebnisse bringt.

Die übliche Vorgehensweise ist der Einsatz bereits vorhandener Daten aus öffentlich zugänglichen Sammlungen. So hat Google beispielsweise sein Übersetzungsprogramm mit etlichen Millionen Satzpaaren aus den frei verfügbaren Dokumenten der europäischen Kommission gefüttert. Sie enthalten valide Übersetzungen, aus denen ein Neuronetz „lernen“ kann. Im E-Commerce können für das Training eines neuen Neuronetzes beispielsweise bereits ausgeführte Transaktionen in einem Webshop eingesetzt werden.

Doch hier gibt es eine Schwierigkeit: Der Variantenreichtum der Daten ist naturgemäß eingeschränkt. Er hängt von den angebotenen Produkten und der Zusammensetzung der registrierten Käufer ab, sodass die Daten eines Webshops nicht ausreichen werden. Doch es ist aus Datenschutzgründen schwierig, an valide, echte Einkäufe als Trainingsmaterial für Neuronetze heranzukommen. Amazon hat jetzt einen anderen Weg aufgezeigt und nutzt eine verblüffende Lösung - neuronale Netze, die echt wirkende Einkaufsdaten erzeugen.

Echt wirkende Spieldaten mit Neuronetzen erzeugen

Die KI-Abteilung des Einkaufsriesen nutzt dafür ein „Generative Adversarial Network“ (GAN). Dabei handelte es sich um zwei zusammenarbeitende Neuronetze, die realistisch wirkende Daten erzeugen können. Ein Netz erzeugt Spieldaten, das zweite bewertet sie anhand echter Daten. Dadurch lernt das erste Netzwerk, immer realistischer (echter) wirkende Daten zu erzeugen.

Eine erste Anwendung für ein GAN war das Erzeugen von Fotos anhand einer Bildbeschreibung. Die Ergebnisse sind im Laufe der Zeit immer besser geworden, wie beispielsweise der Microsoft Drawing Bot zeigt. Eine andere, ebenfalls verblüffende Anwendung von GANs ist eine KI, die Bilder von nicht existierenden Prominenten erzeugt. Doch das Prinzip der erzeugenden Neuronetze lässt sich auch in andere Bereiche übertragen: Amazon hat ein GAN entwickelt, dass eine Vielzahl an plausiblen Bestellungen erzeugen kann. Einen zweites Amazon-GAN erzeugt auf der Basis eines bestimmten Produktes ebenfalls zahlreiche echt wirkende Warenkörbe.

Amazon hofft, durch die Auswertung von möglichst vielen, plausibel wirkenden Einkaufsdaten neuronale Netzwerke für die Auswertung von Warenkörben und Kauf-Historien besser trainieren zu können. Dadurch erhofft sich der Online-Riese einen besseren Einblick in die Faktoren, die Einkaufsentscheidungen bestimmen. Dazu gehören unter anderem Kundenwünsche, bevorzugte Produkte, Preisgestaltung und saisonale Effekte. Fernziel sind Algorithmen, die deutlich besser als heute erkennen können, welche Waren einen bestimmten Käufer interessieren könnten.

Bildquelle: Thinkstock

©2020Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok