Aufstieg der Maschinen - die nächste große Revolution in der Technik

Das Potenzial des maschinellen Lernens, verborgene Informationen in Daten aufzudecken, ist erstaunlich und bereits Teil unseres täglichen Lebens.

Wie der technische Direktor von MediaMonks, Michiel Brinkers, in diesem Beitrag darlegt, sind seine Möglichkeiten jedoch noch weitgehend unerforscht. Hiererörtert er, was maschinelles Lernen für die kreative digitale Produktion der Zukunft bedeuten kann und welche Herausforderungen auf dem Weg dorthin zu bewältigen sind

Sie sind hinter uns her, oder doch nicht?

Für diejenigen, die mit maschinellem Lernen (ML) nicht vertraut sind: Es handelt sich um eine Art von Algorithmus, der aus Mustern in Daten lernt und dann auf der Grundlage des Gelernten ähnliche Muster in neuen Daten erkennen und vorhersagen kann. Es handelt sich um eine Anwendung der künstlichen Intelligenz.

Die Technologie entwickelt sich in rasantem Tempo weiter, und alle paar Wochen wird eine neue API, ein neues Papier oder ein neuer Prototyp veröffentlicht, wodurch die Messlatte immer höher gelegt wird. Gegenwärtig wird der Großteil der Forschung im Bereich ML von den großen Technologieunternehmen wie Google, IBM, Amazon und Microsoft betrieben. Sie alle forschen schon seit Jahren an ML, und in letzter Zeit hat auch Facebook enorme Fortschritte gemacht.

Aber auch Universitäten, unabhängige Forschungsgruppen und einzelne Entwickler leisten eine Menge Arbeit. Und durch die Zusammenarbeit von Partnership on AI sowie durch Open-Source-Projekte arbeiten aufstrebende Technologieunternehmen mit allen Arten von Ingenieuren und kreativen Technologen zusammen, um das Feld voranzubringen.

Was hält uns also auf?

Die erste Herausforderung, mit der wir konfrontiert sind, besteht darin, dass Modelle, die alle für die Klassifizierung von Daten erforderlichen Informationen enthalten, schwer zu erstellen sind. Für die Erstellung eines Modells sind Tausende von klassifizierten Eingabedaten erforderlich, und wenn ein Kunde nicht bereits über die richtigen Daten verfügt, ist es schwierig, diese zu beschaffen. Die gute Nachricht ist jedoch, dass es nicht immer notwendig ist, ein völlig neues Modell zu erstellen. Die Verwendung eines bestehenden Systems, wie z. B. der Google Vision API, kann aus Sicht des Zeit- und Kostenaufwands und der Funktionen sogar vorteilhaft sein. Mit einer klugen Auswahl des kreativen Ansatzes lassen sich also in der Regel alle Mängel ausgleichen.

Die zweite Herausforderung ist die Behebung von Fehlern. ML kann eine Art Blackbox sein, über deren Funktionsweise selbst Wissenschaftler oft nur spekulieren können. Das bedeutet, dass die Behebung von Fehlern eine große Herausforderung darstellt und sich stark von der normalen Programmierung unterscheidet. Es geht nicht darum, einfach nur ein paar Codezeilen zu ändern, sondern man muss sich auf einen ganz neuen Zyklus von Versuch, Irrtum und Entdeckung einlassen, um das richtige Modell zu entwickeln.

Die letzte Herausforderung besteht darin, dass wir lernen müssen, wie man mit ML im Hinterkopf gestaltet. Die Erfolgsquoten für die Ausgabe können zwar beeindruckend sein, aber sie sind nicht perfekt. So liegt die getestete Erfolgsquote beim menschlichen Lippenlesen bei etwa 20 %, während ML eine Erfolgsquote von 50 % aufweist. Wenn wir also eine Kampagne darauf aufbauen wollen, müssen wir uns eine Lösung für die restlichen 50 % einfallen lassen.

Mit maschinellem Lernen müssen wir den Nutzer auf eine Reise mitnehmen und ihm helfen, zu verstehen, was vor sich geht. Es sollte keine binäre Erfahrung sein, wenn sie Wirkung zeigen soll, und das Konzept muss Raum für Fehler bieten. Deshalb müssen wir mit den uns zur Verfügung stehenden Tools kreativ sein und intelligente Ausweichlösungen finden, die das Engagement der Nutzer nicht unterbrechen.

Ein Blick in die Zukunft

Für Vermarkter kann ML in eine Vielzahl von Berührungspunkten integriert werden, einschließlich sozialer Netzwerke, DOOH-Bildschirme, Plattformen und Kampagnenseiten, und kann eine wichtige Rolle spielen, um die Entscheidungsfindung der Verbraucher zu beeinflussen.

Einige Möglichkeiten sind die Verwendung von Objekterkennung, damit eine Marke Produkttypen von Mitbewerbern erkennen und dem Nutzer ein gleichwertiges Produkt aus ihrem Sortiment zeigen kann. Oder die Verwendung von Spracherkennung zur Entwicklung von Conversational UI oder sprachgesteuerten Websites.

Für Digitalagenturen liegen die Chancen in der kreativen Umsetzung verfügbarer Lösungen für angewandtes maschinelles Lernen, wie z. B. Google Vision API, TensorFlow, IBM Watson, Microsoft Cognitive Services und API.ai. Wir sehen ein enormes Potenzial für Kunden und Nutzer und sind besonders begeistert von:

• Objekterkennung: Google Vision, Cloud Video Intelligence, Segmentierung von Bildern, Unterstützung von Blinden beim Betrachten von Fotos.
• Spracherkennung: Hausautomatisierungssysteme, Websites und mobile Anwendungen.
• Sprachverarbeitung: Verstehen natürlicher Sprache und Erkennung von Emotionen in Texten.
• Gestenerkennung
• Manipulation neuronaler Netze: Deep Dream, Google Arts & Culture Experimente.

Durch Versuch, Irrtum und Einsatz arbeiten wir hier bei MediaMonks mit führenden Forschern zusammen, um das Potenzial von ML zu erkunden und herauszufinden, wie wir Lösungen in großem Maßstab entwickeln können. Wir bewegen uns schnell von einer Position des "wir denken, dass dies möglich ist" zu "wir wissen, dass dies möglich ist".

Können wir durch den Einsatz von Vorhersagealgorithmen serendipitöse Erlebnisse schaffen? Können wir Modetrends auf der Grundlage von Instagram und dem, was die Leute auf der Straße tragen, erkennen? Können wir Bewusstsein schaffen, indem wir Cybermobbing erkennen? Können wir gefährdete Arten erkennen, die auf einem Markt verkauft werden?

Kundenaufträge, die früher unerreichbar waren, werden plötzlich zur Realität, und wir sind begeistert. Mithilfe des maschinellen Lernens werden wir - und andere - in der Lage sein, die fesselndsten digitalen Arbeiten zu erstellen, die es seit Jahren gegeben hat. Beobachten Sie diesen Raum..

Dieser Artikel erschien ursprünglich auf HuffPost am 15. Mai 2017.