#2/ 2021
4/15

Drei Viertel der Tageszeitungsverlage halten Daten, Algorithmen und künstliche Intelligenz für hochrelevant

Serie KI in Medien und Publishing

Die Zeitungsverlage in Deutschland rechnen nach dem Einbruch im Anzeigengeschäft im Corona-Jahr 2020 nicht mehr mit einer vollständigen Rückkehr des Anzeigenvolumens. Das geht aus einer jetzt vorgestellten Umfrage des Bundesverbands Digitalpublisher und Zeitungsverleger (BDZV) hervor. Demnach gehen 92 Prozent der an der Befragung beteiligten Verlage davon aus, dass das Geschäft mit Annoncen sich nicht mehr vollständig erholt. Durchschnittlich seien im vergangenen Jahr im Vergleich zum Jahr 2019 die Werbeerlöse im Print um 21 Prozent zurückgegangen.

Umso wichtiger wird für die Branche Paid Content. 85 Prozent schätzen dessen Bedeutung als strategisch hoch oder sogar existenziell ein. Die Hälfte der Verlage will sich bei ihren Digitalkunden an Marktpreisen orientieren, wie sie beispielsweise von Netflix oder Spotify vorgegeben werden (5 Euro bis 15 Euro). Andere wollen für E-Papers (15 Euro bis 30 Euro) oder Print-Abos (30 Euro bis 50 Euro) mehr Geld verlangen. Insgesamt brauchen die Verlage nach eigener Einschätzung beim Digitalgeschäft einen langen Atem: 60 Prozent erwarten, dass sie bis 2030 mit ihren digitalen Abo-Umsätzen die redaktionellen Kosten decken können.

Die Studie identifiziert drei wesentliche Trends. Zum einen wird das Abomodell immer stärker ins Digitale übertragen. Die Verlage erwarten jenseits von Print ein Abo-Plus von 47 Prozent binnen drei Jahren. 90 Prozent werden zunehmend in das technologische Umfeld zu investieren; 76 Prozent schätzen das Arbeiten mit Daten, Algorithmen und künstlicher Intelligenz als hochrelevant oder existenziell relevant ein. 96 Prozent wollen Kooperationen im Digitalgeschäft und in der Logistik eingehen. Die Grenze ist dabei dort, wo Verlage Kundenbeziehungen abtreten müssten: Das Kiosk-Modell nach dem Motto „Spotify für News“ wird skeptisch gesehen. 

Facebook legt Newsfeed-Algorithmus offen

Facebook verwendet Machine Learning, um vorherzusagen, welche Inhalte für jede Person am wichtigsten sein, um "eine ansprechendere und positivere Erfahrung zu schaffen". Anfang Februar veröffentlichte Facebook erstmals Details darüber, wie wir das ML-gestützte News-Feed-Ranking-System arbeitet. Bei jeder Anfrage läuft dabei im Hintergrund der automatisierte Prozess in drei Schritten ab:

  1. Abfrage des Inventars. Zuerst sammelt Facebook alle Beiträge, die für einen News Feed infrage kommen. Das umfasst alle nicht gelöschten Beiträge, die von einem Freund, einer Gruppe oder einer Seite, mit der der Nutzer verbunden ist, für ihn freigegeben wurden und die seit seinem letzten Login erstellt wurden. Aber auch Beiträge, die vor der letzten Anmeldung erstellt wurden und die noch nicht gesehen wurden, werden mit einbezogen: "Wir haben auch eine Action-Bumping-Logik: Wenn ein Beitrag, den der Nutzer bereits gesehen hat, eine interessante Konversation unter seinen Freunden ausgelöst hat, ist er möglicherweise berechtigt, diesen Beitrag erneut als kommentierten Bumping-Beitrag zu sehen."
  2. Bewertung der Beiträge. Neuronale Netze bewerten anschließend eine Reihe Faktoren für alle ausgewählten Beiträge. Im Zentrum steht dabei, dass sich Facebook versucht ein Bild davon zu machen, in welchen Beziehungen der Nutzer zu anderen Facebook-Nutzern steht und wie intensiv oder relevant jede einzelne Beziehung ist. Je wichtiger der Kontakt, desto höher werden dessen Inhalte gerankt. Die Faktoren umfassen etwa die Art des Beitrags, Ähnlichkeiten mit anderen Beiträgen und wie Nutzer generell auf einen Inhalt reagieren. Am Ende entsteht so eine Menge von etwa rund 1.000 Beiträgen.
  3. Zusammenstellung des personaliserten News Feed. Im letzten Schritt wird der News Feed personalisiert.  Alle Vorhersagen werden jetzt zu einem einzigen Ergebnis kombinieren. Dazu sind mehrere Durchläufe erforderlich. So werden etwa die Inhaltstypen variiert,  damit die Nutzer keine redundanten Inhaltstypen sehen, wie z. B. mehrere Videos hintereinander. In einem „Integritätsprozess“ wird dann festgelegt, ob ein Video mit einer Warnung vor Gewaltinhalten oder ein Beitrag mit Hinweisen auf andere Quellen versehen wird. Anschließend werden etwa 500 der relevantesten Beiträge ausgewählt, die für das Ranking in Frage kommen. "Dies hilft uns, in späteren Durchgängen weniger Beiträge mit hohem Recall zu bewerten, sodass wir leistungsfähigere neuronale Netzwerkmodelle verwenden können", erläutert Facebook. Der dann folgende Hauptbewertungsdurchgang bewertet jeden Beitrag unabhängig und ordnet dann alle 500 Beiträge nach der Bewertung. Für die Bewertung verwendet der Algorithmus die zahlreichen Werte aus dem zweiten Schritt und kombiniert sie mit gelernten Präferenzen des Nutzers. So fließen etwa vergangene Interaktionen mit vergleichbaren Beiträgen, getaggte Personen oder der Veröffentlichungszeitpunkt des Beitrags in die Bewertung ein. Bei einigen Nutzern kann beispielsweise die Punktzahl für Beiträge mit Likes höher sein als die für Beiträge mit vielen Kommentaren, wenn sie häufiger Likes nutzen oder häufiger auf Beiträge reagieren, die viele Likes haben. Schließlich diversifizert ein kontextbezogener Durchgang die Inhalte nach Regeln für die Inhaltsvielfalt.

https://engineering.fb.com/2021/01/26/ml-applications/news-feed-ranking/

Bitkom gibt Überblick über Machine Learning und Künstliche Intelligenz

Der Industrieverband Bitkom hat eine kostenlose Publikation ‚Machine Learning 2021‘ veröffentlicht. Das PDF enthält auf 7 Seiten „das Allerwichtigste“ über den Einsatz und die technischen Grenzen von Machine Learning und Künstlicher Intelligenz. In den letzten Jahren gab es laut Bitkom mehrere Durchbrüche bei künstlicher Intelligenz und maschinellem Lernen. Allerdings waren bisher vergleichsweise wenige Unternehmen in der Lage, diese anzuwenden, um die notwendigen Geschäftsziele zu erreichen. Mit der Publikation ‚Maschinelles Lernen 2021‘ beleuchtet Bitkom fünf ausgewählte KI- und ML-Technologien nach dem Schlaglichtprinzip: Robust AI, Explainable KI, Quantum ML, Auto ML und Emotion AI. Es werden die Einsatzbereiche dieser KI-/ML-Techniken und ihre Unzulänglichkeiten kurz erklärt sowie auf ihre künftige Bedeutung eingegangen. Dazu gibt es Links, einzelne Aspekte dieser KI-/ML-Technologien zu vertiefen. Es gibt natürlich auch noch andere, durchaus relevante Technologien, die in dieser Publikation nicht näher betrachtet wurden. Denn die Anzahl und Vielfalt der KI-Anwendungen nimmt ständig zu – ebenso die Geschwindigkeit, mit der Wissenschaftler immer neue, kreative Wege finden, um die analoge Ökonomie mit Algorithmen ins Digitale zu transferieren.

https://www.bitkom.org/sites/default/files/2021-02/210204_maschinelles-lernen.pdf

So werden KI-Anwendungen erfolgreich 

Rund 50 Prozent aller KI-Projekte schafften es nicht in die produktive Nutzung, ermittelte jetzt eine Studie von IDC. Dabei habe Künstliche Intelligenz (KI) und Machine Learning (ML) längst die Phase des Hypes überstanden und finde verstärkt Anwendung in diversen Bereichen,  erklärt Pascal Stammer, Leiter AI Engineering von AIM Agile IT Management. Die Herausforderungen und Lösungsbausteine für den produktiven Einsatz von KI-Anwendungen lägen in folgenden Bereichen.

  • Die Datengrundlage muss in eine nutzbare Form skalierbar zur Verfügung gestellt werden.
  • Neben den Software-Lebenszyklen müssten auch die Daten- sowie Modelllebenszyklen genutzt werden.
  • Überblick über die Wachsende Vielzahl und Komplexität von Technologien müsse hergestellt werden.
  • Monitoring von KI-Anwendungen im produktiven Betrieb sei weiterer Erfolgsfaktor.

https://www.bigdata-insider.de/ki-anwendungen-erfolgreich-produktiv-einsetzen-a-997136/?cmp=nl-274&uuid=3FCA7E9A-59D1-420F-B7FA-0E41B3482298

Chatbot gewinnt neue Mitglieder 

Der Chatbot "Crafty" strukturiert den Prozess der Mitgliedergewinnung: Das Werkzeug wurde von der Kreishandwerkerschaft Cloppenburg und der Laketech GmbH, entwickelt und ist unter anderem auf der Internetseite des Cloppenburger Handwerks eingebunden, wo es von mehreren Hundert Besuchern im Monat wahrgenommen wird.

www.craft-bot.de

KI Park macht Startups für künstliche Intelligenz sichtbar

Die von Deloitte und Investa gestartete offene Initiative zur Förderung anwendungsorientierter KI in und aus Deutschland,  will die Vernetzung von Start-ups mit Unternehmen aus der Industrie, dem Mittelstand und dem öffentlichen Sektor, fördern um einen Beitrag zur Zukunftsfähigkeit Deutschlands zu leisten. Eine jetzt von KI Park veröffentlichte KI-Karte macht über 700 KI-Start-ups transparent, die ihren Sitz in Deutschland haben und gibt ihnen die Möglichkeit sich einer breiten Öffentlichkeit vorzustellen.

https://www.kipark.de/map/#map

Die 100 einflussreichsten AI Experten. 

Ainewsletter.co veröffentlichte jetzt das diesjährige Ranking der wichtigsten Forscher, Geschäftsführer, Unternehmer und Journalisten, die "einzigartige Perspektiven auf KI bieten". Aus Deutschland ist ANDREAS MAIER vertrerten: Der Forscher für maschinelles Lernen und Professor am "Pattern Recognition Lab" an der Universität Erlangen-Nürnberg. Er entwickelte PEAKS, das erste Online-Tool zur Bewertung der Sprachverständlichkeit. Er ist Mitglied des Steering Committee des European Time Machine Consortium und arbeitet außerdem in der Gesundheitsforschung und im Innovationsmanagement.

https://ainewsletter.co/experts?utm_campaign=Artificial%2BIntelligence%2BWeekly&utm_medium=email&utm_source=Artificial_Intelligence_Weekly_197


Kolumne Saim Rolf Alkan