Künstliche Intelligenz und E-Commerce im mittelständischen Gewerbe. Möglichkeiten und Grenzen

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

1 Einleitung
1.1 Relevanz der Arbeit
1.2 Rahmensetzung Mittelstand
1.3 Vorgehensweise
1.4 Empirische Daten & Grundlagen der Befragung

2 Theoretische Grundlagen der künstlichen Intelligenz
2.1 Künstliche Intelligenz : Definition
2.2 Einsatzgebiete für KI in E-Commerce
2.3 Einführung in die Lernfähigkeit von künstlicher Intelligenz
2.4 Maschinen Lernen
2.4.1.1 Bestärkendes Lernen
2.4.1.2 Überwachtes Lernen
2.4.1.3 Unbewachtes Lernen
2.4.1.4 Grundkonzept des K-Means Algorithmus
2.5 Neuronale Netzwerke
2.6 Praxisbeispiel : Mustererkennung durch KI
2.7 Deep Learning
2.8 Nutzung von Deep Learning im Praxisbeispiel
2.9 Internet of Things

3 E-COMMERCE
3.1 Entwicklung einer Informationsgesellschaft
3.2 Definition E-Business
3.3 Grundlagen des E-Business
3.4 Definition E-Commerce
3.5 Abgrenzung E-Commerce und E-Business
3.6 Definition (Digital) Customer Jouney
3.7 Interaktionsmuster und Leistungsaustausch
3.8 Banner Marketing
3.9 E-Payment im E-Commerce

4 Auswertung der empirischen Erhebung
4.1 Auswertung der quantitativen Anaylse
4.2 Auswertung der qualitativen Erhebung

5 Modellgrundlagen für eine strategische Positionierung
5.1 Modellgrundlagen für eine strategische Auslegung eines Mittelständlers
5.2 Strategische Position nach Porter
5.3 Porter’s 5 Forces
5.3.1 Die Kaufkraft der Konsumenten/ Kunden
5.3.2 Die Bedrohung des Absatzes durch Substitute
5.3.3 Kraft der Lieferanten
5.3.4 Potentielle neue Wettbewerber die in den Markt eintretten
5.3.5 Porter’s 5 Forces & die strategische Misere „stuck in the middle"
5.4 SWOT-Analyse
5.5 Von der Red Ocean Competition zum Blue Ocean Canvas
5.5.1 Red Ocean Competition
5.5.1.1 ,Ich -Auch‘
5.5.1.2 ,Ich-Besser‘
5.5.2 Blue Ocean Canvas

6 Handlungsempfehlung & Alleinstellung durch Blue Ocean

7 Fazit

Literaturverzeichnis

Kurzfassung

In der vorliegenden Arbeit wird die strategische Auslegung der Implementierung von künstlicher Intelligenz für mittelständische E-Commercler, primär Online-Händler behandelt. Die theoretischen Grundlagen des Maschinen Lernens, als auch des Bereiches des E-Commerce werden durch die Erfassung in strategischen Modellen zugeordnet. Es resultiert ein strategisches Fazit für potentielle Anwender. Die Grundlagen der künstlichen Intelligenz deuten auf eine effizientere Arbeit und eine Arbeitsweise die den aktuellen Trends gerecht wird. Durch autark agierende Programme, die in unterschiedlichen Branchen agieren, entstehen Chancen und Risiken für Unternehmen, welche jene Programme implementieren wollen. Verfügbarkeit und Schnelligkeit rund um die Uhr schaffen auch für Online-Markt- plätze ein neues Umfeld, welches durch neue Technologien eine erneute Beschleunigung erlebt. Der Aspekt des E-Commerces dient der Rahmensetzung der potentiellen Anwender und deren Umfeld des täglichen Geschäftes. Die Zusammenführung der Teilbereiche der KI und des E-Commerce findet durch Empirie statt. Dies sowohl qualitativ, als auch quantitativ. Hierbei fällt auf, dass die Aussagen der empirischen Erhebungen gegenläufig zueinander sind, jedoch zeigt sich eine Schnittmenge und eine mögliche strategische Positionierung. Für die Nutzer sind Preis und Individualität ausschlaggebend, wobei die IT und kaufmännische Betrachtungsweise ganz klar Produktivität, als auch Kostenaspekte in den Vordergrund rückt. Mittels eines Blue Ocean Modells kann aufgezeigt werden, dass die Implementierung der KI den nötigen Raum bietet, um dem Konkurrenzdruck der gesättigten Märkte zu entfliehen und neue Shoppingerfahrungen zu schaffen. Mittels disruptiver Innovation können neue Märkte geschaffen und bedient werden.

Abstract

This thesis deals with the strategic design of the implementation of artificial intelligence for medium-sized e-commerce businesses, primarily online merchants. The theoretical basics of machine learning as well as the field of e-commerce are assigned by capturing them in strategic models. It results in a strategic conclusion for potential users. The basics of artificial intelligence point to a more efficient work and a working method that meets the current trends. Self-sufficiently acting programs, which operate in different industries, create chances and risks for companies, which want to implement these programs. Availability and speed around the clock also create a new environment for online marketplaces, which is experiencing a renewed acceleration through new technologies. The aspect of e-commerce serves as a framework for potential users and their environment of daily business. The merging of the AI and e-commerce sub-sectors takes place through empiricism. This both qualitatively and quantitatively. It is noticeable that the statements of the empirical surveys are common to each other, but there is an intersection and a possible strategic positioning. For the users, price and individuality are decisive, whereby the IT and commercial approach clearly puts productivity as well as cost aspects in the foreground. By means of a Blue Ocean model it can be shown that the implementation of AI offers the necessary space to escape the competitive pressure of saturated markets and to create new shopping experiences. By means of disruptive innovation new markets can be created and served.

Abbildungsverzeichnis

Abbildung 1: Anteil der Online-Käufer (mindestens einmal im Monat im Internet bestellt) in Deutschland nach Alter im Jahr 2018

Abbildung 2: Überblick der Formen von Maschinen Lernen

Abbildung 3: Zuständigkeiten der Unterkategorien von Maschinen Lernen

Abbildung 4: Bestärkendes Lernen - Block Diagramm

Abbildung 5 : Grundstruktur des überwachten Lernens

Abbildung 6: Grundstruktur des unbewachten Lernens

Abbildung 7: Die Mathematik hinter K-Means

Abbildung 8: Grundgedanke hinter K-Means

Abbildung 9 : Grundgerüst für Neuronale Netzwerke

Abbildung 10 : beispielhaftes Bild zur Bestimmung durch KI

Abbildung 11: Beispielmatrix einer numerischen Darstellung von Farbtönen

Abbildung 12 : Verschachtelung von maschinellen Lernarten im Begriff der künstlichen Intelligenz

Abbildung 13: Anzahl der Internetnutzer in Deutschland in den Jahren 1997 bis 2019 (in Millionen)

Abbildung 14 : Teilbereiche des E-Commerce aus Sicht der Abteilungen QUELLE !!!!

Abbildung 15 : Lokalisierung von E-Commerce im E-Business

Abbildung 16 : Digital Customer Journey - Anhand von Online Lebensmittelbestellungen

Abbildung 17: Interaktionsmustermatrix des E-Business

Abbildung 18: Umsatz durch E-Commerce (B2C) in Deutschland in den Jahren 1999 bis 2018 sowie eine Prognose für 2019 (in Milliarden Euro)28 Abbildung 19: Nettoumätze mit digitaler Werbung in den Jahren 2013 - 2019 .

Abbildung 20: Führende Zahlungsarten, Stand:

Abbildung 21: Screenshot der 1. Frage der quantitativen Erhebung

Abbildung 22: Screenshot der 2. Frage der quantitativen Erhebung

Abbildung 23: Screenshot der 3. Frage der quantitativen Erhebung

Abbildung 24: Screenshot der 4. Frage der quantitativen Erhebung

Abbildung 25: Screenshot der 5. Frage der quantitativen Erhebung

Abbildung 26: Screenshot der 6. Frage der quantitativen Erhebung

Abbildung 27: Screenshot der 7. Frage der quantitativen Erhebung

Abbildung 28: Screenshot der 8. Frage der quantitativen Erhebung

Abbildung 29: Screenshot der 9. Frage quantitativen Erhebung

Abbildung 30: 5 Forces (Porter, 1979)

Abbildung 31: Vier Aktionen Rahmen im Blue Ocean Modell

Tabellenverzeichnis

Tabelle 1: E-Business Definitionen

Tabelle 2 : tabellarische Darstellung der SWOT für KI Implementierung

Hinweis: Zwecks Vereinfachung werden alle Bezeichnungen von Berufen oder ähnlichem in der generisch-maskulinen-Form abgegolten. Dies dient lediglich der Vereinfachung. Hiermit inbegriffen sind jedoch männlich / weiblich / diverse.

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Einleitung

1.1 Relevanz der Arbeit

In der nachfolgenden Arbeit wird das Potential, als auch die Nachteile einer Einführung von künstlicher Intelligenz (KI) für mittelständische Gewerbetreibende im Bereich E-Commerce erläutert. Der Trend, dass die Beschaffung von Produkten für den Endverbraucher weg vom traditionellen Einzelhandel hin zum Marktplatz des Internets geht ist lang kein Geheimnis mehr. Zwar ist der Boom des Onlinehandels stark durch Giganten wie Amazon bestimmt, jedoch tragen gerade aufstrebende Unternehmen wie Start-Ups stark zum fluoreszierenden Marktplatz im Netz bei. Der Bereich des E-Commerce befasst sich mit diversen Varianten von Märkten die zwischen verschiedenen Teilnehmern entstehen. Die für diese Arbeit hauptsächlich relevanten Märkte beschränken sich jedoch auf die mit gewerblicher Absicht betriebenen. Somit entfallen die durch den Konsumenten als Verkäufer tätigen Plattformen (C2C). Ziel der Arbeit ist es die ökonomische und strategische Nachhaltigkeit des mittelständischen E-Commerce Betriebes und dessen Zukunftsaussichten unter besonderer Berücksichtigung von künstlicher I ntelligenz im Einsatz zu erläutern. Der T eilbereich der künstlichen Intelligenz soll anschaulich für den Leser dargestellt werden, um die Essenz der Möglichkeit zu unterstreichen und nicht zwecks der Computerwissenschaft hinter den Algorithmen. Die Relevanz und die Zukunftsperspektiven der Implementierung sollen hiermit abgegolten werden.

1.2 Rahmensetzung Mittelstand

„Für die Abgrenzung des Mittelstands gegenüber großen Unternehmen wird auf die Höhe des Umsatzes und/oder die Beschäftigtenzahl der Unternehmen, teils auch die Bilanzsumme Bezug genommen(...) Unternehmen mit einem Jahresumsatz von mehr als 1 Mio. Euro bzw. weniger als 50 Mio. Euro oder mit zehn bis 499 Beschäftigte als mittelständisch.“¹

1.3 Vorgehensweise

Im Laufe der Arbeit wird zunächst die Seite der künstlichen Intelligenz erläutert als auch die Seite des E-Commerce. Die theoretischen Grundlagen werden zunächst aus sekundär - Quellen entnommen, daraufhin wird die Ansichten eines Plenums durch eine quantitative Erhebung eingebracht werden. Die hieraus resultierenden Ergebnisse werden mit den Aussagen einer qualitativen Erhebung abgeglichen. Der hierdurch entstehende Konsens wird als Empfehlung an mittelständische Unternehmen formuliert, was den Einbezug strategischer und betriebswirtschaftlicher Modelle bedarf.

1.4 Empirische Daten & Grundlagen der Befragung

Im Rahmen der Befragung wird angestrebt die Forschungsfrage zu widerlegen, oder zu bestärken. Hierbei wird angestrebt eine eindeutige Stellung zu der Frage zu beziehen, ob künstliche Intelligenz im Rahmen des Onlinehandels anzuwenden in der Schicht des Mittelstandes. Die durch die Big Player wie Amazon implementierten Vorgehensweisen im Umgang mit künstlicher Intelligenz zu projizieren auf die im Mittelstand tätigen. Entsprechend der Statistik sind 29,3% der Onlineeinkäufer unter 30, welche eine Zielgruppe im Alter von Studenten entspricht. Hier eingeschlossen Studenten in Master Programmen. Die Befragung wird an Studenten diverser Semester an der International School of Management in Dortmund durchgeführt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Anteil der Online-Käufer (mindestens einmal im Monat im Internet bestellt) in Deutschland nach Alter im Jahr 20182

Die Anordnung der Fragen, als auch die Fragen selber folgen einer Logik welche für den Verbraucher durchsichtig sein soll. Die Antwort der Fragen, ob Multiple-Choice oder in Textform sollen die Erfahrungen der Konsumenten im Rahmen des Onlineeinkaufes darstellen. Ferner sollen die Zusammenhänge zwischen Anwendung von künstlicher Intelligenz seitens von Onlinehändlern und einer positiven Erfahrung mit den Shops seitens des Konsumenten dargestellt werden. Die Umfrage welche über den Onlineanbieter „SurveyMonkey" erstellt wurde, wird auch über diesen statistisch ausgewertet und somit werden die anfallenden Ergebnisse direkt übernommen. Zu Beginn der Umfrage wird das generelle Zufriedenheitsmaß der Probanden erfragt, dieses bezieht sich generell auf die zuletzt getätigte Interkation im Rahmen des Onlineeinkaufes. Daraufhin wird in der zweiten Frage die Affinität der Probanden zu diversen Kundenservice Methoden anhand von Multiple-Choice erfragt. Die bereits festgelegten Antwortmöglichkeiten umfassen die bisher geläufigsten Methoden des Customer-Service, von einer „analogen" Hotline über aber auch bereits KI-ge- stützte Systeme wie beispielsweise Chatbots. Durch diese Aneinanderreihung von Fragen soll bereits ein Grad des Zusammenhangs zwischen den implementierten Customer Service Methoden und der zu Beginn dargestellten Kundenzufriedenheit geschaffen werden.²

Ab vom Rahmen der künstlichen Intelligenz sollen auch vor dem Hintergrund des E-Commerce Fragen dazu beitragen um zu zeigen wo die für Online-Händler problematische „Bounce-rate" entspringt. Welche Aufgaben es gilt zu unterstützen mit der Anwendung der künstlichen Intelligenz um die Kunden auf der Spur zu halten und nicht auf dem halben Wege bis zum virtuellen Gang zur Kasse zu verlieren. Dies ist wichtig um die Quintessenz des Geschäftes nicht zu verlieren, den Umsatz durch Kunden. Ebenso werden darauf hin die trivialen Verbesserungen gefragt, welche ein Shop implementieren sollte. Der Kunde, welcher gewisse Vorlieben im Umgang mit der Bezahlung beispielsweise pflegt weiß einen Check-out per Paypal zum Abschluss des Kaufes. Hierbei ist es die Aufgabe der Frage ein detaillierteres Bild der „Bounce-rate" zu liefern. Diese kann durch diese Methoden bedingt werden, da diese aus persönlicher Erfahrung zu der Komfort-Zone des Kaufenden beitragen. Im Rahmen der fünften Frage sollen Beweggründe für die endgültige Kaufentscheidung bei dem jeweiligen Anbieter dargelegt werden. Triviale Antworten, welche durch multiple-choice gegeben sind, sowie eine freie T extBox sollen den Probanden ermöglichen ihre letzte Entscheidung widerzuspiegeln. Diese Frage wird vor dem Hintergrund gestellt, dass der Inhaber des Shops die potentielle Kosteneinsparung durch die Nutzung von künstlicher Intelligenz so investieren kann, um die hier wohlmöglich auftretenden Lücken zu überkommen. Thesaurierte Gewinne, oder in diesem Fall eingesparte Kosten sollen zur Optimierung des Kundenkontaktes beitragen. Somit sollen die Fragen die Schwachstellen aufdecken, welche ein Shop hat beziehungsweise, welche nicht genutzten Potentiale ausbaufähig sind. Im Rahmen der sechsten Frage sollen die Probanden ihre aktuellen Ansichten hinsichtlich des Sachverhaltes der Cookies während des Surfens im World-Wide-Web abgeben. Cookies, also Textdateien die von Internetbrowsern gespeichert werden um die Nutzung für den Anwender zu vereinfachen. Hierdurch werden Textdateien wie zum Beispiel Passwörter, Name, Anschrift für wiedererkannte Formulare verwendet um diese durch eine automatische Vervollständigung als Erleichterung für den User zu füllen. Die Probanden sollen diesem Sachverhalt gegenüber ihre Meinung äußern und ihr eventuelle Abneigung oder auch Besorgnisse darstellen. Anlässlich des Themas der Cookies wird hierauf hin nach der Stellung der Teilnehmer zum Thema „Targeted Ads" gefragt. Bei diesen ist die Rede von Online geschalteten Werbeanzeigen, welche durch die Nutzung von Cookies interessenspezifische Werbung für jeden Nutzer sind.³ Die Meinung, welche der Proband äußert ist vor dem Hintergrund relevant, als dass der Anwender sich dessen annehmen kann, wie die Akzeptanz der Kunden zu dem Thema „Targeted Ads" ist. In der siebten Frage wird das Thema der Cookies vertieft und das generelle Verhalten der User wird per Multiple-Choice erfragt. Hintergrund der Frage ist die allgemeine Auffassung bezüglich dem Thema der Cookies zu ermitteln. Im Vordergrund der Fragen steht das generelle Kaufverhalten und die Affinität von Kauf zur Komfort-Zone welche eine Kunde gegebenen Falls verlassen muss. Daraufhin sollen die Befragten in der achten Frage eine Einstufung vornehmen, in wie fern die interessenspezifische Werbung geändert werden sollte Diese Einstufung erfolgt mit einem Regler-Tool, dieses lässt den Probanden mithilfe eines Schiebereglers auf einer Skala von Punkten 0 bis 100 einstufen, ob interessenbasierte Werbung abgeschafft werden sollte. Oder auch ob diese weiter optimiert werden sollte, um weiterhin die Erfahrung im Rahmen des Online-Shoppings zu perfektionieren. Die Beweggründe der Meinung sind zunächst sekundär, da es lediglich um die allgemeine Haltung zur aktuellen Situation der angesprochenen Werbemittel geht. Somit sind die Beweggründe der Ansicht zunächst sekundär. Nach der Einstufung der Nutzung von Cookies wird der Befragte zum Thema der künstlichen Intelligenz übergeleitet. Zum Abschluss der Befragung wird noch persönliche Empfinden der Teilnehmer bezüglich des Aufkommens von künstlicher Intelligenz in der Welt des E-Commerce erfragt. Hintergedanke dieser Frage liegt darin, dass die verschiedenen Bereiche, denen die KI zugeordnet werden kann/soll verschiedene Grade an Nähe zum Kunden haben. Somit soll ein Grad der ,Nähe‘ zwischen KI und dem Kunden ermittelt werden, der für den Durchschnitt als akzeptabel erachtet wird.

2 Theoretische Grundlagen der künstlichen Intelligenz

2.1 Künstliche Intelligenz Definition

Künstliche Intelligenz wird als ein Unterfeld der Computerwissenschaften gesehen, welches sich mit der Forschung und Entwicklung von selbstständiger Arbeit von Computern beschäftigt. Die von den Computern zu erfüllenden Aufgaben sind meist Aufgaben die für gewöhnlich von Menschenhand zu erledigen sind. Zu diesem Aufgabenbereich gehört das Lösen von Problemen, das Erkennen von Bildern und Mustern, das Verstehen von Sprachen und die Fähigkeit zu lernen. Unter dem Begriff künstlicher Intelligenz wird die Fähigkeit digitaler Computer oder computergesteuerter Roboter Aufgaben zu lösen, welche für gewöhnlich der menschlichen kognitiven Fähigkeit zugeschrieben werden, verstanden. Der Prozess des Lernens ist eine der Essenzen der künstlichen Intelligenz. Dieser Prozess ist grundsätzlich die Anpassung von Verhalten durch gemachte Erfahrungen.⁴

2.2 Einsatzgebiete für KI in E-Commerce

Aktuell werden bereits künstliche Intelligenz basierte Programme eingesetzt um den Kunden im E-Commerce eine optimale Customer Journey zu ermöglichen. Somit wird der Verlauf vom ersten Besuch der Seite bis zum Abschluss des Kaufes bei dem Anbieter zunehmend kundenfreundlicher. Für den Einsatz im E-Commerce sind Chatbots, Werbe-Algorith- men, automatisierte Produktbeschreibung, automatisiertes Inventarmanagement, Data Management, Filterung von Fake-Reviews, Vorhersagen von Umsätzen, audiale Assistenten (wie beispielsweise Google’s Alexa oder Apple’s Siri) längst keine Neuheit mehr. Die Optimierung der Unternehmensleistung durch den Gebrauch künstlicher Intelligenz ist bisher vor allem durch ein Paradebeispiel des E-Tailers Amazon bekannt. Amazon ein Unternehmen, welches stark auf Innovation als Schlüssel zum Erfolg setzt.⁵

Die Kostenführerschaft, durch die sich Amazon fortlaufend behauptet wird mittlerweile durch den nachhaltig strategischen Nutzen von KI bestärkt. Sowohl im Bereich des E-Commerce als auch im Bereich der Lagerlogistik des Unternehmens sind künstliche Intelligenz basierte Aufgaben nicht mehr wegzurationalisieren, da dies eine innovative Alternative zur herkömmlichen menschlichen Arbeit ist. Im Bereich E-Commerce, ist die Auswahl und Vielfalt an Produkten oftmals nicht vergleichbar zu der des stationären Einzelhandels. Dies bietet aufgrund des Vielfachen an Arbeit Raum um KI zu implementieren.⁶

2.3 Einführung in die Lernfähigkeit von künstlicher Intelligenz

Künstliche Intelligenz ist ein Feld, das mehrere Teilbereiche, Techniken und Algorithmen umfasst. Das Feld der künstlichen Intelligenz basiert auf dem Ziel, eine Maschine so intelligent wie ein Mensch zu machen. Das ist buchstäblich das erste übergreifende Ziel. Künstliche Intelligenz (KI) ist ein Forschungs-, Anwendungs- und Lehrgebiet, das sich mit der Programmierung von Computern befasst, die so funktionieren, dass sie, wenn man sie beim Menschen beobachtet, als intelligent angesehen würden.⁷

KI-Ziele

Die Ziele der künstlichen Intelligenz lassen sich auf zwei Ebenen zusammenfassen sowohl als kognitionswissenschaftliches Ziel, ingenieurswissenschaftliches Ziel, als auch als generelle bzw. philosophische Ziele. Die hieraus resultierenden Ziele sind zum einen die Modellage von kognitiver Leistung und zum anderen die technische Anwendung der geschaffenen Opportunitäten.

Diese Hauptzweige der Zielsetzung lassen sich weiter verfeinern:

1) Logisches Denken und das lösen diverser komplexen Systeme und Probleme. Beispiel: Partie Schach
2) Präsentation von Wissen bietet dem Computer eine Möglichkeit Objekte oder Umstände zu beschreiben.
3) Planung und Navigation. Ermöglichen einem Computer, von Punkt A nach Punkt B zu planen. Beispielsweise vom rudimentären Planen einer geraden Linie, hin zum Einbezug von Verkehrssituationen und der Planung der morgendlichen Route zum Arbeitsplatz.
4) Natürliche Sprachverarbeitung. Ermöglicht es Computern, Sprache zu verstehen und zu verarbeiten.
5) Wahrnehmung. Ermöglichen Sie Computern die Interaktion mit der Welt durch Sehen, Hören, Berühren und Riechen.

2.4 Maschinen Lernen

In der Computerwissenschaft wird im Rahmen der künstlichen Intelligenz der Begriff des Lernens in verschiedene Ebenen gefasst. Die Ebene des Maschinen Lernens umfasst eine Art des Lernens, bei der eine Maschine durch den Input eines von außerhalb des geschlossenen Systems. Der Impuls, welcher außerhalb meist durch Menschenhand kommt wird durch die Maschine bzw. den Algorithmus oder das Programm verarbeitet und hierdurch beginnt der Lernprozess.^{8 9}

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Überblick der Formen von Maschinen Lernen9

In der oben aufgeführten Abbildung werden die diversen Unterkategorien des Bereiches „machine-learning“ oder auch Maschinen Lernen dargestellt. Hierbei essentiell, die Einsatzgebiete der drei verschiedenen Hauptkategorien: supervised learning; unsupervised learning & reinforced learning zu unterstreichen. Am äußeren Rand der schichtartigen Darstellung sind die Einsatzgebiete der jeweiligen Unterform von Maschinen Lernen aufgeführt. Die im Rahmen dieser Arbeit relevanten Einsatzgebiete belaufen sich insbesondere auf den Einsatz im „Targeted Marketing“, zielgerichteter Platzierung von Werbung. Auch wenn die Einsatzgebiete der Unterkategorien von ML sich nicht überschneiden, so sind diese jedoch auch in gewisser Weise abhängig von einander. Je erfolgreicher einer der Teilbereiche ist, desto mehr Gewinne können realisiert werden, was wiederum zu steigendem Investitionspotential führt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Zuständigkeiten der Unterkategorien von Maschinen Lernen10 2.4.1.1 Bestärkendes Lernen

Unter bestärkendem Lernen wird der Lernprozess der Maschine verstanden, während dem ein Programm durch eine Vielzahl an Versuchen eine Lösung für ein Problem sucht und diese durch ,Trial & Error‘ - Verfahren autark lernt. Um von dem Ausgangspunkt, also dem eigentlichen Problem hin zur endgültigen Lösung des Problems zu gelangen wird durch eine Reihe an Versuchen der Lösung das Ideal für die Lösung erstellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Bestärkendes Lernen - Block Diagramm11

In der oben abgebildeten Darstellung ist die Beziehung der verschiedenen Komponenten im Lernprozess des bestärkenden Lernens visualisiert. Hierbei ist zu beachten, dass die Komponenten zwischen Zuständen und Aktionen unterschieden werden müssen. Die Umwelt, welche in der Ausgangssituation meist das Problem beinhaltet wird vom Agent also dem Exekutiven Programm analysiert und mit dem zu erreichenden Zustand beziehungsweise der Endsituation abgeglichen. Die daraus gegebenenfalls resultierende Differenz ist das zu lösende Problem. Einer der in die Prozesse involvierten Teilnehmer ist der Agent, unter einem Agenten wird ein Programm ( im Rahmen der Informatik oder auch ein Roboter im Rahmen der Robotik) verstanden, welches aus einem Input einen Output generiert.^{10 11 12} Der Agent führt daraufhin eine Handlung oder auch Maßnahme zur Lösung des Problems aus, welche den Zustand der Umwelt ändert. Wenn der Algorithmus durch eine Handlung näher an die Lösung gelangt wird eine Belohnung ausgesandt. Von dort analysiert der Agent erneut die Situation der Umwelt und inwiefern die vorangegangene Handlung das Problem beeinflusst hat. Diese kontinuierliche Kontrolle wird fortlaufen, bis das Ziel erreicht ist. Die von bestärkendem Lernen dominierten Anwendungsbereiche liegen im Erlernen von Fähigkeiten, der Navigation, aber auch der Anwendungsbereich in Videospielen ist nicht unwesentlich bei der bestärkenden Art des Lernens.^{13 14}

2.4.1.2 Überwachtes Lernen

Der Grundgedanke des überwachtem Lernens ist : Erkennen von Regeln oder auch Muster durch Einflussnahme eines Tutors.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5 : Grundstruktur des überwachten Lernens14

Eine weitere Unterkategorie des Maschinen Lernens ist das überwachte Lernen. Hier sind Input und Output der klar, jedoch steht bei dem überwachten Lernen der Prozess im Vordergrund. In dieser Art des Lernprozesses ist der Lernprozess im Vordergrund. Dieser soll optimiert und durch eine Aufsicht geleitet werden. Die hier genannte Form des Lernens ist bei Menschen sehr geläufig, diese wird meist in der Schule angewandt. Die Lehrkraft kennt die Antworten und hat das Thema bereits selbst erlernt, kann also den Schülern diese Fähigkeiten basierend auf speziell konzipierten Übungen beibringen. Oft wird anlässlich des überwachenden Lernens die Aufgabe des Kategorisierens angebracht, jedoch gehört auch die Identifizierung und Ordnung von Werten dazu. Dies geschieht meistens aus einem Input von Rohdaten, welche zu den bereits bekannt und benötigten Kategorien sortiert und kategorisiert wird. Das Programm lernt, indem es die Daten vorerst anhand von Parametern den vorgegebenen Kategorien zuordnet, jedoch werden die vor Vollendung des Prozesses durch den Tutor bestärkt oder auch korrigiert. Die Teilbereiche der Regressionsanalyse, auch der Kategorisierung sind beide durch dieses System bestimmt. Der Aspekt der Korrektur, welche durch die überwachende Instanz ausgeführt wird, passt die Parameter der Verarbeitung der Rohdateien neu an. Wodurch diese präziser verarbeitet werden kann. Dies ist der Lernprozess des Programmes, die Anpassung der Auffassung von Rohdateien, zur möglichst fehlerfreien eigenständigen Auffassung.¹⁵ Praktische Beispiele dieses Algorithmus sind, die Sortierung ihrer E-Mails in Spam und nicht Spam. Dies ist ebenso die Vorgehensweise, wie soziale Netzwerke wie Facebook Geschichtserkennung nutzen um das Gesicht des Users auf Bildern von anderen Gesichtern zu unterscheiden. Im Aufgabenfeld der Kategorisierung wird das Programm meist ohne jegliche Vorkenntnisse an einen Sachverhalt angeführt. Die Sortierung startet mit den eingegebenen Daten und den vorgegebenen Kategorie, in welchen diese zugeordnet werden soll.¹⁶

2.4.1.3 Unbewachtes Lernen

Unbewachtes Lernen ist bei Menschen keine Seltenheit. Die Regeln einer Sportart durch reines zuschauen verstehen, ohne dass jemand die Regeln erklärt. Hierbei werden vom Beobachtenden Rückschlüsse aus dem Verhalten der Teilnehmer gezogen. Somit können nach kurzer Zeit Thesen zum Ablauf der Sportart aufgestellt werden, diese können dann entweder durch fortlaufend gleiches Verhalten der Spieler/ Teilnehmer bestätigt werden, oder auch widerlegt werden. Die aufgestellten Thesen des Beobachtenden können jedoch beispielsweise auch durch eine Entscheidung des Schiedsrichters widerlegt werden. Somit müssen diese unter Einbezug der Spielverläufe neu überarbeitet werden.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 6: Grundstruktur des unbewachten Lernens17

In der oben abgebildeten Darstellung ist der Ablauf von der Eingabe von Rohdaten, hin zum endgültigen Outputs unter unbewachtem Lernens durch künstliche Intelligenz. Entgegen dem Grundsatz, dass beim überwachten Lernen die Rolle des Lehrers, die Regeln, Muster und auch Antworten vorsieht, so ist dies Aufgabe der Umwelt im Falle des unbewachten Lernens. Für Menschen ist es anlässlich bereits gemachter Erfahrungen normal, eine Situation einzuschätzen. Beispielsweise ein Gummiball nach Kontakt mit dem Boden wieder hochspringt. Jedoch ist auch für Menschen vor der ersten Erfahrung mit dieser Situation, ungewiss wie sie die Situation einschätzen, da sie lediglich parallelen zu ähnlichen Situationen ziehen können. Im Bereich des Unbewachten Lernens ist eines der Hauptaufgabenfelder, das unbewachte Clustering, also das selbstständige Kategorisieren des Programmes durch bereits erworbene Erfahrung. Diese Erfahrung des Programmes beläuft sich auf gespeicherte Daten und erkannte Regeln, Muster und auch Bilder. Programme können zur Grundlage des Kategorisierens einen Algorithmus nutzen, der ihnen die Errechnung eines Mittelwertes ermöglicht. Dieser ist Grundlage für die Kategorisierung und entsteht aufgrund eines Zusammenspiels verschiedener Parameter. Die Erfassung der Rohdaten ist zunächst der einzige Anhaltspunkt des Programms, hierdurch werden Parameter festgemacht, welche die einzelnen Datensätze gemeinsam haben beziehungsweise, an denen diese sich vergleichen lassen. Zum Beispiel das Zusammenspiel von Größe und Gewicht, Länge und Breite, Helligkeit und Sättigung oder vielen anderen Parametern, welche numerisch erfassbar sind und in Relation zu einander zu setzten sind.¹⁷

Die schlichte Kategorisierung der Datensätze erfolgt im unüberwachten Lernen ohne einen Belohnungsprozess.¹⁸

2.4.1.4 Grundkonzept des K-Means Algorithmus

Der K-Means Algorithmus, welcher jedoch einiger Vorbereitung bedarf ist eine Art von Algorithmus, die bei der systematischen Bestimmung der Raster. In aller Regel ist die Verwendung des Algorithmus auf Basis unüberwachtem Lernens. „Der K-Means-Algorithmus ist eines der am häufigsten verwendeten mathematischen Verfahren zur Gruppierung von Objekten (Clusteranalyse).“^{19 20 21} Die Setzung des Rahmens für das Programm ist hier essentiell. Die Setzung der Parameter, als auch der zulässige Grad der Abweichung sind hier von großer Bedeutung. Der auf den Grundsätzen der Statistik beruhende Algorithmus macht sich die Formeln der Standardabweichung, der Varianz und ähnlicher geläufiger Statistiktools zu Nutze.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 7: Die Mathematik hinter K-Means20

Durch die Standardabweichung können Datensätze mit dem vom Benutzer festgelegten Parameter abgeglichen werden, um die Datensätze der Roh Datei (-en) zu kategorisieren und zu schematisieren.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 8: Grundgedanke hinter K-Means21

In der obigen Abbildung die durch den Algorithmus des „K-Means“ durchgeführte Kategorisierung visualisiert. Hierbei ist auffällig, dass die vorher genannte Abwägung nach gewis- sen Parameter ausschlaggebend. Hier durch ein Koordinatensystem veranschaulicht, werden zwei Parameter und deren Zusammenspiel verglichen. Hierdurch kann nach Varianz unterschieden werden, in welche der Kategorien einer der Datensätze fällt. Die Kategorien, welche vor Ordnung der Daten bereits definiert sind werden durch Übereinstimmung oder Grad der Ähnlichkeit mit den dazugehörigen Daten gefüllt werden. Viele Anwendungen in vielen verschiedenen Branchen basieren auf dem K-Means Clustering-Algorithmus.²² Dieser kann verwendet werden, um verschiedene Zustände in Gesundheitsscreenings zu identifizieren, Veränderungen im städtischen Verkehrsmuster zu erkennen, Bot-Aktivitäten von menschlichen Aktivitäten zu trennen und Kunden in verschiedene Zielmärkte zu segmentieren. Der Algorithmus wird häufig für geschäftliche Zwecke verwendet, um festzustellen, wie sich das Kundenverhalten im Laufe der Zeit ändert. Wenn sich Datenpunkte im Laufe der Zeit von einem Schwerpunkt zum anderen bewegen, kann dies wertvolle Erkenntnisse darüber liefern, wie sich das Kundenverhalten verändert.²³

2.5 Neuronale Netzwerke

Das Menschliche Gehirn, welches aus Verknüpfungen von Synapsen besteht, ist Grund dafür warum der Mensch als intelligentes Lebewesen gilt, dies gilt ebenso für andere Lebewesen wie beispielsweise Schimpansen. Im Gehirn eines Menschen stehen circa 86 Milliarden Neuronen in ständiger Verbindung zueinander, dies ist die Plattform für den Ablauf eklektischer und chemischer Prozesse. Im Jahr 1900 war klar, dass diese neuronalen Verschaltungen für die Assoziation, die Wahrnehmung, die Gedanken, das Bewusstsein als auch die Lernfähigkeit zuständig sind.²⁴ Diese im Organischen System bewährten neuronalen Netzwerke sind auch in der Computerwelt ein. Diese Netzwerke sind eine Anordnung an Neuronen, welche an menschlichen Gehirn orientiert wurden. Der Aufgabenbereich dieser Netzwerke beläuft sich primär auch die Erkennung von Mustern oder auch Abfolgen. Diese Neuronen sind Programme zur Verarbeitung von Informationen. Für ein Grundverständnis der Neuronalen Netze ist das Verständnis bezüglich deren Aufbau fundamental. Die Rahmenbedingung der neuronalen Netzwerke sind der Eingehende Impuls und der daraus resultierende Output. Diese Komponenten werden nun von verschiedenen Ebenen voneinander getrennt. Diese Ebenen dienen der Verarbeitung des Inputs. Diese Verarbeitung beruht auf numerischen Daten.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 9 : Grundgerüst für Neuronale Netzwerke25

In der oben abgebildeten Darstellung ist das Grundkonstrukt für das Bestehen von neuronalen Netzwerken visualisiert. Hier durch die Variable xi gekennzeichnet steht der Impuls oder auch der Input, welcher in das System gegeben wird. Um den Aufbau der neuronalen Netzwerke anschaulich darzustellen, wird dieser zunächst in seine profunden einzelnen Bestandteile aufgegliedert. Der Beginn des Netzwerkes ist der so genannte Input- Layer oder auch die Eingabeschicht. Dieser Beriech dient der Erfassung der eintreffenden Datenpakete. Von hier aus werden die eingetroffenen Daten gewichtet auf die Recheneinheiten weitergesandt. Zweiter Bestandteil des Neuron-basierten Netzwerkes also, die Zwischenschichten, zwischen der Eingabe und der Ausgabeschicht. In diesen Verbindungen von Recheneinheiten werden die durch Gewichtung beeinflussten numerischen Daten auf die jeweils darauffolgende Ebene überrecht. Dieser Prozess wird bis zur letzten Schicht der Zwischenschichten fortgeführt. Die auf einer Ebene durch Gewichtung entstehenden Werte werden an die herauf folgende weitergeleitet und erneut verrechnet und gewichtet. Je höher die Anzahl der Zwischenebenen im Netzwerk, desto tiefer ist das Neuronale Netz und desto komplexere Aufgaben können gelöst werden. Der Grundbaustein eines tiefen Netzwerkes ist jedoch auch eine weitreichendere Rechenleistung, die auch auf Level der Hardware benötigt wird. Die Letzte Ebene oder Schicht des Netzwerkes ist die Schicht, welche das Ergebnis preisgibt. Die Ausgabeschicht oder auch Output-Layer ist das Schlusslicht des Informationsflusses durch das Netzwerk aus Neuronen. Dazu jedoch mehr im Rahmen der folgenden Kapitel, dies im Rahmen des „Deep Learning". Um die²⁵ Funktionalität der neuronalen Netzwerke passend zu erläutern ist ratsam, dies anhand eines Beispiels zu tun. Die Struktur des neuronalen Netzwerkes, wird auch hier von Input und Output-Ebene umgeben. In diesem Falle beläuft sich die Anzahl de Zwischenebenen, der sogenannten „Hidden Layer" auf zwei. Die einzelnen Neuronen jeder Ebene, sind direkt mit jedem Neuron, der darauf folgenden und davor liegenden Ebene verknüpft. Diese Verbindung beruht auf gewichteten Bindungen. Dies sind Verbindungen, versehen mit einer Gewichtung, einer gewerteten Nummerierung.26 27

2.6 Praxisbeispiel : Mustererkennung durch KI

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 10 : beispielhaftes Bild zur Bestimmung durch KI28

Unter Mustererkennung versteht man das Erkennen von Mustern mit Hilfe eines Algorithmus des maschinellen Lernens. Die Mustererkennung kann definiert werden als die Klassifikation von Daten auf der Basis bereits gewonnenen Wissens oder auf der Grundlage statistischer Informationen, die aus Mustern und/oder deren Darstellung extrahiert werden. Mustererkennung ist die Fähigkeit, Anordnungen von Merkmalen oder Daten zu erkennen, die Informationen über ein bestimmtes System oder einen bestimmten Datensatz liefern. Predictive Analytik in der datenwissenschaftlichen Arbeit kann Algorithmen der Mustererkennung nutzen, um statistisch wahrscheinliche Bewegungen von Zeitreihendaten in die Zukunft zu erkennen.^{26 27 28 29} „In einem technologischen Kontext kann ein Muster aus wiederkehrenden Datensequenzen im Laufe der Zeit bestehen, die zur Vorhersage von Trends, bestimmten Konfigurationen von Merkmalen in Bildern, die Objekte identifizieren, häufigen Kombinationen von Wörtern und Phrasen für die Verarbeitung natürlicher Sprache dem Neuro-Linguistisches Programmieren (NLP) oder bestimmten Verhaltensclustern in einem Netzwerk, die auf einen Angriff hinweisen könnten - neben nahezu endlosen anderen Möglichkeiten."³⁰ In der Informations Technik (IT) ist die Mustererkennung ein Zweig des maschinellen Lernens, bei dem die Erkennung von Datenmustern oder Datenregelmäßigkeiten in einem bestimmten Szenario im Vordergrund steht. Die Mustererkennung umfasst die Klassifizierung und das Clustern von Mustern. Das abgebildete Foto eines Hundes, ist für den Menschen, gemäß bereits erstandener Erfahrungen zu kategorisieren. Die Maschine oder auch der Algorithmus kann nicht zwingend auf Erfahrungswerte zurückgreifen. Der Abgleich zweier Fotos ist für den Algorithmus nicht problematisch. Dieser kann durch Abgleich der Pixel erfolgen, somit ist das Ergebnis lediglich wahr oder falsch. Die Diversität der Bilder ist hier der ausschlaggebende Punkt. Wenn ein Bild nicht 1:1 dem anderen ähnelt, analysiert der Algorithmus erneut mit welcher Wahrscheinlichkeit die Abbildung ebenfalls einen Hund darstellt. Das Programm muss anschließend die Fakten die durch Input dieses Bildes erhalten werden analysieren. Für das Programm sind hierbei einige Daten von großer Wichtigkeit: Farbgebung der Pixel, Helligkeit, Krümmungen innerhalb der Pixel und weitere Kriterien. Verarbeitung des Inputs anhand der Farbgebung läuft wie folgt ab. Somit werden die Werte der vorherigen Neuronen mit der Gewichtung verrechnet und so entsteht ein neuer Wert. Dieser Wert wird dann erneut an die nächste ebene der Neuronen weitergeleitet. Somit wird von Schicht zu Schicht ein Merkmal nach dem anderen ermittelt. Also werden nach und nach Charakteristika wie beispielsweise die Farbe der Nase, die Länge der Ohren, die Art des Fells. Durch dieses Verfahren wird Schlussendlich ein Wert zwischen 0 & 1 ermittelt, welcher die Wahrscheinlichkeit angibt mit der (in diesem Fall) ein Hund auf dem Bild zu sehen ist. Die Farbe eines Pixels wird mit 3 essentiellen Zahlen bestimmt, den Anteilen an rot, grün und blau. Diese Werte liegen jeweils zwischen 0 & 1³¹.

[...]

---

¹ Gabler Wirtschaftslexikon 2020

² Statista 2019c

³ Kollmann 14.01.2020

⁴ Bibel et al. 2013: 2

⁵ Martin 2019

⁶ Joshi 2019

⁷ vgl. Hoeppner 1988: 320

⁸ Mulonda 2019

⁹ cognub.com 2016

¹⁰ The MathWorks 2019

¹¹ Abbildiung aus Konar 2019: S.3

¹² Wang et al. 2017: 1-2

¹³ Ballard 1999: 229-231

¹⁴ van Loon 2018

¹⁵ Osisanwo et al. 2017: 2-3

¹⁶ Ballard 1999: 163

¹⁷ van Loon 2018

¹⁸ Ballard 1999: 185-186

¹⁹ Luber, Stefan, Litzel, Nico 2018

²⁰ Scheffer/Vanck 2010

²¹ Patil 2018

²² Brodley 2001: 577

²³ Schott 2019

²⁴ Corves/Hofman 2012

²⁵ Hewitt 2015

²⁶ Mallot 2000: 141-142

²⁷ Moeser 2018

²⁸ Unsplash 2017

²⁹ Siva 2018

³⁰ Rouse 2019

³¹ Keysers et al. 2004