Künstliche Intelligenz: Ein Leitfaden für Anfänger

Alle reden von künstlicher Intelligenz. Das ist verständlich – schließlich stehen plötzlich kostenlose (oder billige) Tools zur Verfügung, um eine Vielzahl von KI-generierten Inhalten, einschließlich Text und Bildern, in einer unbegrenzten Auswahl an Stilen und scheinbar in Sekundenschnelle zu erstellen.

Natürlich ist es spannend.

Aber halten Sie einen Moment inne und stellen Sie sich ein paar Fragen:

• Weiß ich wirklich, was KI ist?
• Weiß ich, wie lange es schon gibt?
• Kenne ich den Unterschied, falls vorhanden, zwischen KI und maschinellem Lernen?
• Und weiß ich, was zum Teufel Deep Learning ist?

Wenn Sie alle diese Fragen mit Ja beantwortet haben, ist dieser Artikel möglicherweise nichts für Sie. Wenn Sie bei einigen von ihnen gezögert haben, lesen Sie weiter.

Die KI-Revolution beginnt … jetzt?

Beginnen wir damit, etwas Hintergrund auszufüllen.

Ist KI etwas Neues?

Nein. Zumindest konzeptionell geht KI auf das Jahr 1950 zurück (dazu später mehr). Als praktisches Streben begann es in den 1960er und 1970er Jahren zu florieren, als Computer schneller, billiger und allgemein verfügbar wurden.

Ist KI im Marketing etwas Neues?

Nein. Es ist wichtig zu bedenken, dass KI seit langem viele, viele Anwendungen im Marketing hat, die über die Erstellung von Inhalten hinausgehen. Inhaltsempfehlungen und Produktempfehlungen werden seit Jahren von KI unterstützt. Predictive Analytics – verwendet, um das Benutzerverhalten auf der Grundlage großer Datensätze vergangener Verhaltensweisen vorherzusagen und die nächstbeste Aktion vorherzusagen (zeigen Sie ihr ein relevantes Whitepaper, zeigen Sie ihm eine rote Baseballkappe, senden Sie eine E-Mail) – war KI - für lange Zeit mit Strom versorgt.

Namhafte Anbieter bauen KI seit fast einem Jahrzehnt in ihre Lösungen ein. Adobe Sensei und Salesforce Einstein stammen aus dem Jahr 2016. Die Beschäftigung von Oracle mit KI geht mindestens genauso weit zurück und wahrscheinlich noch weiter; es gab ihm einfach nie einen süßen Namen. Ein weiterer erfahrener Anwender von KI ist Pega, das es zuerst verwendet, um die nächstbesten Aktionen in seinem Angebot für das Geschäftsprozessmanagement und später in seiner CRM-Plattform vorherzusagen.

Nun … ist generative KI etwas Neues?

Generative KI. Konversations-KI. KI-Schreibwerkzeuge. Alle Phrasen des Augenblicks, alle überschneiden sich in der Bedeutung. Generative KI generiert Texte (oder Bilder oder sogar Videos). Konversations-KI generiert Texte in Interaktion mit einem menschlichen Gesprächspartner (denken Sie an KI-gestützte Chatbots). KI-Schreibwerkzeuge zielen darauf ab, individuelle Texte auf Abruf zu erstellen. Alle diese Lösungen verwenden auf die eine oder andere Weise „Eingabeaufforderungen“ – das heißt, sie warten darauf, dass ihnen eine Frage gestellt oder eine Aufgabe gestellt wird.

Ist das alles neu? Nein. Neu ist die breite Verfügbarkeit. Natural Language Processing (NLP) und Natural Language Generation (NLG) gibt es schon seit Jahren. Ersteres bezeichnet die KI-gestützte Interpretation von Texten; Letzteres ist die KI-gestützte Erstellung von Texten. Bereits 2015 erstellte das KI-gestützte NLG auf der Grundlage meiner eigenen Berichterstattung schriftliche Berichte für Ärzte und Industriebetriebe – und erstellte sogar Wettervorhersagen für das Met Office, den nationalen Wetterdienst des Vereinigten Königreichs.

Daten rein, Text raus. Nur nicht so weit verbreitet wie etwas wie ChatGPT.

Videos auch. Spätestens im Jahr 2017 wurde KI verwendet, um nicht nur personalisierte, sondern individualisierte Videoinhalte zu erstellen – die generiert werden, wenn der Benutzer auf „Play“ klickt, und zwar so schnell, dass es so aussieht, als würden sie aus einer bestehenden Videobibliothek gestreamt. Auch hier nicht allgemein verfügbar, sondern eher ein kostspieliges Unternehmensangebot.

Grab tiefer: ChatGPT : Ein Leitfaden für Vermarkter

Was KI ist: die einfache Version

Lassen Sie es uns von Grund auf erklären.

Beginnen Sie mit Algorithmen

Ein Algorithmus kann als ein Satz von Regeln definiert werden, die bei Berechnungen oder anderen problemlösenden oder aufgabenerledigenden Operationen, insbesondere von einem Computer, befolgt werden müssen. Kommt „Algorithmus“ aus dem Griechischen? Nein, es ist eigentlich ein Teil des Namens (al-Khwārizmī) eines arabischen Mathematikers aus dem ^9. Jahrhundert. Aber das spielt keine Rolle.

Was zählt, ist, dass die Verwendung von Algorithmen für eine Berechnung oder eine Aufgabe nicht – wiederhole, nicht – dasselbe ist wie die Verwendung von KI. Ein Algorithmus ist leicht erstellt; Nehmen wir ein einfaches Beispiel. Angenommen, ich betreibe einen Online-Buchladen und möchte Produktempfehlungen anbieten. Ich kann hundert Regeln (Algorithmen) schreiben und meine Website darauf trainieren, sie auszuführen. „Wenn sie nach Jane Austen sucht, zeigen Sie ihr auch Emily Bronte.“ „Wenn er nach Büchern aus dem 1. Weltkrieg sucht, zeigen Sie ihm auch Bücher aus dem 2. Weltkrieg.“ „Wenn er nach Agatha Christie sucht, zeigen Sie ihm andere Kriminalromane.“

Natürlich muss ich meine Detektivbände entsprechend gekennzeichnet haben, aber so weit, so einfach. Das sind einerseits gute Regeln. Andererseits sind sie keine „intelligenten“ Regeln. Das liegt daran, dass sie in Stein gemeißelt sind, es sei denn, ich komme zurück und ändere sie. Wenn Leute, die nach WW1-Büchern suchen, konsequent WW2-Bücher ignorieren, lernen die Regeln nicht und passen sich nicht an. Sie machen stumm weiter, was ihnen gesagt wurde.

Wenn ich jetzt die Ressourcen von Amazon hätte, würde ich meine Regeln intelligent machen – das heißt, in der Lage sein, sich als Reaktion auf das Benutzerverhalten zu ändern und zu verbessern. Und wenn ich den Marktanteil von Amazon hätte, hätte ich eine Flut von Nutzerverhalten, aus der die Regeln lernen könnten.

Wenn sich Algorithmen selbst beibringen können – mit oder ohne menschliche Aufsicht – dann haben wir KI.

Aber warte. Ist das nicht nur maschinelles Lernen?

KI versus maschinelles Lernen

Für den Puristen sind KI und maschinelles Lernen ursprünglich nicht dasselbe. Aber – und das ist ein großes Aber – die Begriffe werden so austauschbar verwendet, dass es kein Zurück mehr gibt. Stattdessen wird der Begriff „allgemeine KI“ verwendet, wenn von reiner KI, KI im ursprünglichen Sinne, gesprochen werden soll.

Gehen wir zurück ins Jahr 1950 (ich habe Sie davor gewarnt). Alan Turing war ein brillanter Informatiker. Er half den Alliierten, die Nazis durch seine Geheimdienstarbeit zu knacken. Seine Belohnung bestand darin, von der britischen Gesellschaft für seine (immer noch illegale) Homosexualität abscheulich behandelt zu werden, eine Behandlung, die mehr als 50 Jahre nach seinem Tod zu einer offiziellen Entschuldigung von Premierminister Gordon Brown führte: „Im Namen der britischen Regierung und all jener die dank Alans Arbeit frei leben, bin ich sehr stolz sagen zu können: Es tut uns leid. Du hast so viel Besseres verdient.“

Also was ist mit KI? 1950 veröffentlichte Turing ein wegweisendes Papier mit dem Titel „Computermaschinen und Intelligenz“. Er veröffentlichte es nicht in einer wissenschaftlichen Zeitschrift, sondern in der Philosophiezeitschrift „Mind“. Im Mittelpunkt der Arbeit steht eine Art Gedankenexperiment, das er „das Imitationsspiel“ nannte. Heute ist er weithin als „Turing-Test“ bekannt. Einfach ausgedrückt schlägt es ein Kriterium für maschinelle (oder künstliche) Intelligenz vor. Wenn ein menschlicher Gesprächspartner die Antworten einer Maschine auf seine Fragen nicht von den Antworten eines anderen Menschen unterscheiden kann, können wir der Maschine Intelligenz zuschreiben.

Natürlich gibt es viele, viele Einwände gegen Turings Vorschlag (und sein Test ist nicht einmal intelligent gestaltet). Aber dies hat die Suche nach der Replikation – oder zumindest der Schaffung eines Äquivalents – der menschlichen Intelligenz in Gang gesetzt. Sie können sich IBM Watson als kontinuierliche Verfolgung dieses Ziels vorstellen (obwohl es viele weniger ehrgeizige und profitablere Anwendungsfälle gibt).

Niemand glaubt wirklich, dass eine Amazon-ähnliche Produktempfehlungsmaschine oder eine ChatGPT-ähnliche Engine zur Erstellung von Inhalten so intelligent ist wie Menschen. Zum einen sind sie nicht in der Lage zu wissen oder sich darum zu kümmern, ob das, was sie tun, richtig oder falsch ist – sie tun das, was sie tun, auf der Grundlage von Daten und Vorhersagestatistiken.

Tatsächlich handelt es sich bei der hier besprochenen KI in Wirklichkeit um maschinelles Lernen. Aber wir werden niemanden daran hindern, es KI zu nennen. Was das Streben nach menschlicher oder „allgemeiner KI“ betrifft, gibt es gute Gründe zu der Annahme, dass es nicht gleich um die Ecke ist. Siehe zum Beispiel Erik J. Larsons „Der Mythos der künstlichen Intelligenz: Warum Computer nicht so denken können, wie wir es tun“.

Was ist mit „tiefem Lernen“?

„Deep Learning“ ist ein weiterer KI-bezogener Begriff, auf den Sie vielleicht stoßen werden. Unterscheidet es sich von maschinellem Lernen? Ja ist es; Es ist ein großer Schritt über das maschinelle Lernen hinaus und seine Bedeutung besteht darin, dass es die Fähigkeit der KI, Muster zu erkennen und damit Bilder (und Videos) so kompetent zu handhaben wie Zahlen und Wörter, erheblich verbessert hat. Das wird kompliziert; hier ist die Kurzfassung.

Deep Learning basiert auf einem neuronalen Netzwerk, einer Schicht künstlicher Neuronen (Teilchen der Mathematik), die durch eine Eingabe aktiviert werden, darüber miteinander kommunizieren und dann eine Ausgabe erzeugen. Dies wird als „Forward Propagation“ bezeichnet. Wie beim traditionellen maschinellen Lernen erfahren die Knoten, wie genau die Ausgabe war, und passen ihre Operationen entsprechend an. Dies wird „Back Propagation“ genannt und führt dazu, dass die Neuronen trainiert werden.

Allerdings gibt es auch eine Vervielfachung der sogenannten „Hidden Layers“ zwischen Input-Layer und Output-Layer. Stellen Sie sich vor, diese Schichten werden buchstäblich übereinander gestapelt: Deshalb wird diese Art des maschinellen Lernens einfach als „tief“ bezeichnet.

Ein Stapel von Netzwerkschichten erweist sich einfach als viel besser darin, Muster in den Eingabedaten zu erkennen. Deep Learning hilft bei der Mustererkennung, da jede Schicht von Neuronen komplexe Muster in immer einfachere Muster zerlegt (und es findet auch dieser Backpropagation-Trainingsprozess statt).

Gibt es KI-Anbieter im Martech-Bereich?

Es kommt darauf an, was du meinst.

Anbieter, die KI verwenden

Es gibt schätzungsweise mehr als 11.000 Anbieter im Martech-Bereich. Viele von ihnen, vielleicht die meisten von ihnen, verwenden KI (oder können ein gutes Argument dafür vorbringen, dass sie das tun). Aber sie nutzen KI nicht um ihrer selbst willen. Sie benutzen es, um etwas zu tun.

• Um Handelsempfehlungen zu erstellen.
• E-Mail-Betreffzeilen schreiben.
• Um Marketern oder Vertriebsmitarbeitern die nächstbesten Maßnahmen zu empfehlen.
• Um Chatbots anzutreiben.
• Werbetexte schreiben.
• Generieren von Inhalten für groß angelegte multivariate Tests.

Die Liste ist endlos.

Ich möchte darauf hinweisen, dass KI ein bisschen wie Salz ist. Salz wird Lebensmitteln zugesetzt, damit sie besser schmecken. Zumindest die meisten von uns mögen die angemessene Verwendung von Salz in unserer Nahrung. Aber wer sagt: „Ich esse Salz zum Abendessen“ oder „Ich habe Lust auf einen Snack; Ich nehme etwas Salz.“

Wir geben Salz ins Essen. Wir setzen KI in der Marketingtechnologie ein. Abgesehen von vielleicht Forschungszwecken werden Salz und KI nicht viel für sich allein verwendet.

Also ja, es gibt unzählige Martech-Anbieter, die KI verwenden. Aber gibt es Martech-Anbieter, die KI als eigenständiges Produkt verkaufen?

Anbieter, die KI verkaufen

Die Antwort ist, im Martech-Bereich, sehr wenige. KI als Produkt bedeutet in Wirklichkeit KI-Software, die von Ingenieuren entwickelt wurde und dann im Kontext einer anderen Lösung integriert und verwendet werden kann. Es ist einfach, Engineering-Anbieter zu finden, die KI-Software verkaufen, aber zum größten Teil verkaufen sie eher an IT-Organisationen als an Marketingorganisationen und verkaufen sie, um sie für eine Vielzahl von Back-Office-Zwecken zu verwenden, anstatt Marketing oder Marketing zu ermöglichen Verkauf.

Es gibt ein oder zwei Ausnahmen, die ihre Produkte eindeutig auf Vermarkter ausrichten. Dies reicht jedoch nicht aus, um eine bevölkerungsreiche Kategorie in einer Marketing-Technologielandschaft zu schaffen.

Wir haben an der Oberfläche gekratzt

Das ist alles, was dieser Artikel tun soll: an der Oberfläche eines enorm komplexen Themas mit einer reichen Geschichte dahinter und einer unvorhersehbaren Zukunft kratzen. Natürlich sind ethische Fragen zu klären, wie die fast unvermeidlichen Fälle, in denen maschinelle Lernmodelle auf voreingenommenen Datensätzen trainiert werden, sowie das ebenso unvermeidliche Plagiieren menschlicher Inhalte durch generative KI.

Aber zum Naschen reicht das hoffentlich erstmal.