Acquia: Ohne maschinelles Lernen keine optimale Personalisierung
Mit ausgereiften Verfahren des maschinellen Lernens können Unternehmen die automatisierte Analyse riesiger Datenbestände in neue Bereiche führen, die nach Meinung von Acquia allein mit traditionellen Technologien nicht erreichbar sind. Die Aufbereitung und personalisierte Auslieferung von Inhalten über E-Commerce-Websites und Content-Management-Systeme ist ein ideales Anwendungsgebiet für maschinelles Lernen.
Lange Jahre verkümmerte das Thema Künstliche Intelligenz – und maschinelles Lernen als eines der Teilgebiete – in einer akademischen Nische. Heute hat sich das geändert. Die Gründe dafür sind eine einfach zugängige und flexible Rechenleistung aus der Cloud sowie riesige Datenmengen als Ausgangsmaterial für die Modellentwicklung und die Ermittlung von Mustern und Gesetzmäßigkeiten in den Daten. Nicht zuletzt haben als Open Source vorliegende Tools und Frameworks, wie Amazon DSSTNE (1), Facebook DeepText (2) oder Google TensorFlow (3), die Verbreitung des maschinellen Lernens und den praktischen Einsatz deutlich vorangetrieben.
Maschinelles Lernen kommt bereits in vielen Anwendungsszenarien zum Einsatz: Intelligente Software steuert fahrerlose Autos, identifiziert Menschen auf Fotos und findet Muster in riesigen Datenmengen. Für Acquia (www.acquia.com/de), die Digital Experience Company, ist das maschinelle Lernen kein Hype-Thema ausschließlich für reine Internetkonzerne, sondern es liefert enorm leistungsfähige Instrumente für die Steigerung der Wettbewerbsfähigkeit und Profitabilität vieler Unternehmen.
Das Rohmaterial, mit dem die Algorithmen des maschinellen Lernens "gefüttert" werden, entsteht an der Vielzahl von Offline- und Online-Kundenkontaktpunkten (Customer Touchpoints) und damit überall dort, wo Interessenten und Kunden mit einem Unternehmen sowie dessen Produkten und Dienstleistungen in Berührung kommen – sei es vor, während oder nach einer Kauftransaktion. Da es immer mehr Customer Touchpoints gibt, entstehen auch immer mehr Daten. Die Herausforderung besteht darin, die Daten zu analysieren, richtig zu interpretieren und zeitnah für die Kundeninteraktion zu nutzen – etwa im Marketing, im Vertrieb oder bei der Aufbereitung und Auslieferung personalisierter Inhalte.
"Die Stärke maschinellen Lernens liegt auf Gebieten wie der Klassifikation, der Sentiment-Analyse oder der inhaltsbasierten Ähnlichkeitssuche. Hier eröffnen sich für Unternehmen riesige Potenziale, bewährte Verfahren einzusetzen und damit die Effizienz vorhandener Lösungen für die kontinuierliche Verfeinerung von 360-Grad-User-Profilen, die Omnichannel-Personalisierung und Optimierung der User Experience deutlich zu steigern", sagt Susanne Böck, Field Marketing Manager Central Europe bei Acquia in München. "Open-Source-Tools lassen sich problemlos mit Open-Source-basierten Content-Management-Systemen wie Drupal kombinieren. Zudem treiben Open-Source-Tools durch das enorme Engagement der Community Innovationen schnell voran – und davon profitieren alle User."
(1) https://github.com/amznlabs/amazon-dsstne
(2) https://code.facebook.com/posts/181565595577955/introducing-deeptext-facebook-s-text-understanding-engine
(3) https://www.tensorflow.org
Lange Jahre verkümmerte das Thema Künstliche Intelligenz – und maschinelles Lernen als eines der Teilgebiete – in einer akademischen Nische. Heute hat sich das geändert. Die Gründe dafür sind eine einfach zugängige und flexible Rechenleistung aus der Cloud sowie riesige Datenmengen als Ausgangsmaterial für die Modellentwicklung und die Ermittlung von Mustern und Gesetzmäßigkeiten in den Daten. Nicht zuletzt haben als Open Source vorliegende Tools und Frameworks, wie Amazon DSSTNE (1), Facebook DeepText (2) oder Google TensorFlow (3), die Verbreitung des maschinellen Lernens und den praktischen Einsatz deutlich vorangetrieben.
Maschinelles Lernen kommt bereits in vielen Anwendungsszenarien zum Einsatz: Intelligente Software steuert fahrerlose Autos, identifiziert Menschen auf Fotos und findet Muster in riesigen Datenmengen. Für Acquia (www.acquia.com/de), die Digital Experience Company, ist das maschinelle Lernen kein Hype-Thema ausschließlich für reine Internetkonzerne, sondern es liefert enorm leistungsfähige Instrumente für die Steigerung der Wettbewerbsfähigkeit und Profitabilität vieler Unternehmen.
Das Rohmaterial, mit dem die Algorithmen des maschinellen Lernens "gefüttert" werden, entsteht an der Vielzahl von Offline- und Online-Kundenkontaktpunkten (Customer Touchpoints) und damit überall dort, wo Interessenten und Kunden mit einem Unternehmen sowie dessen Produkten und Dienstleistungen in Berührung kommen – sei es vor, während oder nach einer Kauftransaktion. Da es immer mehr Customer Touchpoints gibt, entstehen auch immer mehr Daten. Die Herausforderung besteht darin, die Daten zu analysieren, richtig zu interpretieren und zeitnah für die Kundeninteraktion zu nutzen – etwa im Marketing, im Vertrieb oder bei der Aufbereitung und Auslieferung personalisierter Inhalte.
"Die Stärke maschinellen Lernens liegt auf Gebieten wie der Klassifikation, der Sentiment-Analyse oder der inhaltsbasierten Ähnlichkeitssuche. Hier eröffnen sich für Unternehmen riesige Potenziale, bewährte Verfahren einzusetzen und damit die Effizienz vorhandener Lösungen für die kontinuierliche Verfeinerung von 360-Grad-User-Profilen, die Omnichannel-Personalisierung und Optimierung der User Experience deutlich zu steigern", sagt Susanne Böck, Field Marketing Manager Central Europe bei Acquia in München. "Open-Source-Tools lassen sich problemlos mit Open-Source-basierten Content-Management-Systemen wie Drupal kombinieren. Zudem treiben Open-Source-Tools durch das enorme Engagement der Community Innovationen schnell voran – und davon profitieren alle User."
(1) https://github.com/amznlabs/amazon-dsstne
(2) https://code.facebook.com/posts/181565595577955/introducing-deeptext-facebook-s-text-understanding-engine
(3) https://www.tensorflow.org