Worauf es beim Thema Künstliche Intelligenz im E-Commerce ankommt, zeigen die sechs Tipps von Adrian Gasch, Manager PIM Technical Solutions bei Arvato Systems.
Künstliche Intelligenz (KI) im E-Commerce – das ist keine Zukunftsmusik mehr. Im Zusammenspiel mit Product-Information-Management-Systemen (PIM) entfaltet eine KI ihre Stärke insbesondere bei der Klassifizierung verschiedenster Artikel.
1. Die Macht der Bilder
Ein Bild sagt mehr als tausend Worte. Methoden der KI-basierten und damit automatisierten Bilderkennung haben im E-Commerce großes Potenzial. Denn bei einem gut fotografierten Bild ist nicht nur sofort ersichtlich, ob es sich um Fashion-Artikel wie Schuhe, um Konsumgüter wie Kaffeemaschinen oder um industrielle Produkte wie Maschinen einer Baureihe handelt. Erkennbar ist zudem, welche Farbe der Artikel hat. Auch über solche Anwendungsfälle hinaus sind KI-basierte neuronale Netze in der Lage, zwischen Artikeln derselben Warengruppe zu unterscheiden.
2. Die KI muss trainiert werden
Mit dem richtigen Training liefert ein neuronales Netz treffsichere Ergebnisse (Deep Learning). Hierfür müssen Sie ihm zunächst beibringen, Artikel eigenständig zu klassifizieren. Als Übungsmaterial dient eine Vielzahl an Produktbildern, die in Ihrem PIM-System gespeichert und mit aussagekräftigen Metadaten versehen sind (Big Data). Richtig trainiert, erkennt das KI-basierte System zum Beispiel ein Kleidungsstück oder eine Maschine, selbst wenn sie verdreht, teilweise verdeckt oder in ungünstigen Lichtverhältnissen aufgenommen wurde. Damit entlastet es Sie von zeitaufwendigen repetitiven Aufgaben.
3. Verschiedene Komplexitätsstufen
Für das Training der KI sollten Sie verschiedene Komplexitätsstufen festlegen:
- 1. Art des Artikels
- 2. Farbe des Artikels
- 3. Marke des Artikels
- 4. Größe des Artikels
- 5. Auffälligkeiten (Muster und dergleichen)
- 6. Material des Artikels
- Und so weiter.
Dabei sollten Sie beachten: Auf den ersten beiden Stufen liefert eine KI sehr überzeugende Ergebnisse. Ab Stufe drei, spätestens vier stößt ein neuronales Netz momentan noch an seine Grenzen. Sofern die Formgebung eindeutig oder ein Logo erkennbar ist, kann es Marken unterscheiden und Fälschungen erkennen. So können Sie Markenrechtsverletzungen wirksam vorbeugen. Um einen Artikel noch weitergehend zu klassifizieren, ist die Bildqualität häufig nicht ausreichend. Auch braucht eine KI für derart komplexe Aufgaben sehr viel Training.
4. Die Schwellenwerte für die Bilderkennung
Dank ihrer herausragenden Fähigkeiten beim Abstrahieren und Klassifizieren können künstliche neuronale Netze Bilder in Millisekunden auswerten und Produkte in Echtzeit kategorisieren – unabhängig von Lichtverhältnissen, Blickwinkel und Hintergrund. Dabei müssen sie nicht einmal hundertprozentig mit dem Referenzobjekt übereinstimmen. Es genügt eine ausreichend hohe Wahrscheinlichkeit. Darum sollten Sie die Schwellenwerte mit Bedacht festlegen: Die KI erkennt einen Artikel als eben diesen, wenn ein vorab definierter Schwellenwert erreicht ist, zum Beispiel „90 Prozent Übereinstimmung mit dem Referenzobjekt“. Ist eine eindeutige Klassifizierung nicht möglich, können Sie aus automatisch generierten Vorschlägen das passende Produkt manuell auswählen.
5. Vertrauen ist gut, Kontrolle ist besser
Insbesondere zu Beginn der Trainingsphase sollten Sie kontinuierlich überprüfen, ob die KI die gewünschten Ergebnisse liefert. Ist das der Fall, können Sie mit dem KI-basierten System arbeiten. Ein Bild fließt ins PIM-System, wo die KI den abgebildeten Artikel automatisch klassifiziert und mit Wahrscheinlichkeiten versieht: Beispielsweise zeigt das Foto zu 95 Prozent einen Schuh oder ein Haushaltsgerät, zu 100 Prozent seitlich. In solch eindeutigen Fällen können Sie die vorgeschlagene Klassifizierung samt passenden Schlagwörtern (Tags) bedenkenlos übernehmen und das Produktbild im PIM-System ablegen. Ebenso können Sie festlegen, dass das Foto, welches den Artikel von der Seite zeigt, automatisch als erstes Bild im Online-Shop erscheint. Ohne die manuelle Auswahl kann es passieren, dass das System ein weniger aussagekräftiges Bild, etwa von der Sohle des Schuhs oder der Rückseite des Geräts, auswählt. Um das zu vermeiden, sollten Sie die Reihenfolge festlegen, in der die Produktbilder auszuspielen sind.
Falls das System keine ausreichend große Übereinstimmung erkennt – etwa, wenn die Wahrscheinlichkeit unterhalb eines zuvor festgelegten Schwellenwerts von 80 Prozent Übereinstimmung mit dem Referenzobjekt liegt –, sind Sie gut beraten, die Vorklassifizierung zu überprüfen und die vorgeschlagenen Tags im Zweifel anzupassen. Die Reihenfolge der Bilder sollten Sie ebenfalls bestimmen.
6. Der richtge Partner
Die Technologie hat das Potenzial, manuelle Prozesse in der Produktdatenpflege zu einem hohen Grad zu automatisieren – sofern die Metadaten im PIM-System gepflegt sind und damit eine optimale Grundlage für aussagekräftige Tags bilden, die wiederum für das Training der KI unentbehrlich sind. Damit eine KI ihre Arbeit erledigen kann, hat es sich bewährt, einen kompetenten Dienstleister ins Boot zu holen, der Use Cases auf ihre Machbarkeit hin überprüft und technologische Grenzen aufzeigt. Zudem analysiert er, ob die benötigten Metadaten im PIM-System verfügbar sind und wie ein bestimmter Anwendungsfall zu designen ist. Nicht zuletzt trainiert er das neuronale Netz. Aufgrund seines großen Verständnisses für Daten und Schnittstellen ist ein solcher Dienstleister in der Lage, Vorhaben im Bereich der KI-gestützten Bilderkennung professionell zu begleiten und zum Erfolg zu führen.
Autor: Adrian Gasch, Manager PIM Technical Solutions bei Arvato Systems
Als Manager PIM Technical Solutions leitet Adrian Gasch das Team Softwareentwicklung im Bereich Product Experience Management bei Arvato Systems (www.arvato-systems.de). Er ist seit rund 20 Jahren bei Arvato Systems beziehungsweise im Bertelsmann Konzern beschäftigt. Seine fachlichen Schwerpunkte liegen im Bereich Product Information Management sowie dem damit zusammenhängenden Cloud-Ökosystem, darunter Machine Learning und DevOps.
