Dieser Beitrag erschien in seiner Originalfassung in der 57. Ausgabe von Bier & Brauhaus im Frühjahr 2023.

Der zentrale Unterschied der KI zu traditionellen Softwaresystemen und gleichzeitig deren größte Stärke besteht in deren Fähigkeit, selbständig zu lernen. Gaben früher Ingenieure und Softwareentwickler den Systemen noch ganz genaue Regeln vor, erlernt die KI nun eigenständig Muster, die sie zur Lösung von Aufgaben anwenden kann. Diese Fähigkeit ist insbesondere auf den Feldern interessant, auf denen die Regeln nur schwer definierbar sind. So schlägt die KI beispielsweise schon seit geraumer Zeit auch die besten Spieler in Schach, Go oder Jeopardy.

Versprechen der KI

Insofern scheint die KI prädestiniert für eine Kundenberatung in einem Online-Biershop zu sein. Denn ein festes Regelwerk (beispielsweise in Form einer festen Reihenfolge von Fragen) funktioniert hier nicht. Dazu sind die Kunden viel zu heterogen. Während die einen Kunden sehr spezifische Wünsche mitbringen, haben andere Kunden wiederum allenfalls lose Vorstellungen davon, was für ein Bier sie genau kaufen möchten, und lange nicht jeder Kunde verfügt auch über ein fundiertes Wissen.

Entsprechend findet die KI vielfältigen Einsatz im Bereich der Empfehlungssysteme. Im Rahmen eines Empfehlungssystems kann die KI auf verschiedenen Lernfeldern aktiv sein. Das häufigste Einsatzfeld ist das Erlernen der Kundenpräferenzen. Denn schließlich soll die KI dem Kunden personalisierte Empfehlungen aussprechen. Ein bekanntes Beispiel sind hier die Filmempfehlungen auf Streaming-Portalen wie Netflix und Amazon Prime Video. Daneben gibt es noch eine Vielzahl weiterer Einsatzmöglichkeiten wie beispielsweise das Verstehen von User-Eingaben in natürlicher Sprache oder die Frage, wie ein Dialog mit einem Kunden geführt werden soll.

Dialogorientiertes Empfehlungssystem – Verbindung aus Alt und Neu

Zu einer der zentralen Herausforderungen der KI zählt, dass diese zum Erlenen von Mustern gewöhnlich große Datenmengen benötigt. Häufig liegen diese jedoch nicht im erforderlichen Umfang oder nicht mit der notwendigen Qualität vor. Daher wurde mit dem Reinforcement Learning ein Lernverfahren entwickelt, das (weitgehend) ohne Trainingsdaten auskommt und bei dem der Lernprozess über Belohnungen gesteuert wird. Im Rahmen eines Bierempfehlungssystems könnte die KI beispielsweise immer dann einen Punkt als Belohnung erhalten, wenn es dieser gelingt, einem User ein Bier zu empfehlen, das dieser anschließend kauft. Auf diese Weise wird die KI trainiert, die Verkäufe zu steigern. Das grundsätzliche Problem, dass das System sich zu Beginn noch ganz unten auf der Lernkurve befindet, bleibt aber auch hier bestehen.

Um zu testen, inwiefern sich die KI bewährt, wurde im Rahmen eines Forschungsprojekts an der Dualen Hochschule Baden-Württemberg Stuttgart erstmalig ein hybrides, dialogorientiertes Bierempfehlungssystem für Online-Shops entwickelt und getestet (biertraum-guide.com). Dieses Bierempfehlungssystem verbindet die alte und die neue Welt. So besteht dieses System sowohl aus einem Regelsystem als auch aus einer KI-Komponente, die aus den Eingaben der User in einen Chatbot deren Bewertungen der verschiedenen Biere lernen soll.

Erste Testergebnisse

Die spannende Frage war, ob es der KI gelingt, aus den User-Eingaben in einem Chatbot vorherzusagen, wie die User die verschiedenen, im Online-Shop angebotenen Biere bewerten. Zu diesem Zweck wurde eine Befragung mit 230 Teilnehmern durchgeführt, die zum einen deren Bierpräferenzen in einen Chatbot eingeben und zum anderen die 243 im Online-Shop angebotenen Biere bewerten sollten.

Die aus der Befragung erhobenen Daten wurden genutzt, um ein KI-Modell zu trainieren und zu evaluieren. In diese Auswertung gingen 3.787 User-Äußerungen und Bierbewertungen ein. Zum Trainieren des Modells wurden 2.840 Datensätze genutzt, zum Test 947. Die Aufgabe der KI bestand darin, auf Basis des erlernten Modells für die Testdatensätze möglichst korrekt vorherzusagen, ob ein Bier für einen Besucher des Online-Biershops von Interesse ist oder nicht.

Es wurden mehrere Tests durchgeführt. Variiert wurde dabei unter anderem, welche Kontextinformationen zusätzlich in das Modell mit eingespeist wurden. So wurde beispielsweise der Text in einem Versuch zusätzlich mit dem Namen der Brauerei sowie der Zahl der Flaschen, aus denen das Angebot besteht, erweitert.

Erste Tests ernüchternd

Die Ergebnisse der ersten Tests fielen ernüchternd aus. Die Genauigkeit der Vorhersagen konnte durch die KI kaum verbessert werden. Die Ursache dafür wird deutlich, wenn man sich die User-Eingaben in den Chatbot genauer ansieht. So zeigte sich in einem Pre-Test des Systems, dass die Kundeneingaben in der Mehrzahl der Fälle aus lediglich einem einzigen oder zwei Wörtern bestehen. Hinzu kommt, dass die Chatbot-Eingaben meist sehr allgemein waren und sich vielfach lediglich auf Oberkategorien bezogen.

Die Ergebnisse machen deutlich, dass der Einsatz von KI bei der Bierempfehlung kein Selbstläufer ist. Inwiefern sich die KI im praktischen Einsatz bewährt, ist insbesondere vom Umfang und der Qualität der Daten abhängig und natürlich auch vom Anspruch dessen, was durch die KI gelernt werden soll. Der Schluss von den Chatbot-Eingaben auf die Bewertung einzelner Biere erwies sich als zu anspruchsvoll. Dazu fielen die Äußerungen der Besucher zu kurz und unspezifisch aus. Gleichzeitig ist die Beziehung zwischen einer geäußerten Präferenz und der Bewertung eines Bieres nur lose.

Viele erforderliche Daten fehlen

Bei der Konzeption des Einsatzes einer KI im Rahmen eines Bierempfehlungssystems gilt es, die richtige Relation zwischen dem Umfang und der Qualität der Daten sowie den Ansprüchen an den Lernprozess der KI zu finden. Das ist in der Praxis durchaus anspruchsvoll, zumal zu Beginn eines solchen Projektes die erforderlichen Daten vielfach fehlen. Daher hat sich auch die hybride Vorgehensweise beim Biertraum-Guide bewährt, bei der einzelne Aufgaben durch zwei unterschiedliche Ansätze gelöst werden.

Die Ergebnisse aus den ersten Tests haben zu zahlreichen Änderungen am System geführt. So sind beispielsweise die Möglichkeiten für die User deutlich erweitert worden, dem System über Filter ihre eigenen Präferenzen mitzuteilen, was den Lernprozess der Präferenzen durch die KI vereinfacht. Auch wenn die KI heute noch viel lernen muss, um zuverlässige Bierempfehlungen abzugeben, weist ihr Einsatz in Online-Shops großes Potenzial auf, und es ist zu erwarten, dass Bierliebhaber in Online-Fachgeschäften zukünftig von künstlicher Intelligenz sachkundig beraten werden.