Künstliche Intelligenz für Personalisierung im Handel - Morris ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
1 12.02.2020 KI für Handel – Adesso Dortmund
Künstliche Intelligenz für Personalisierung im Handel
Prof. Dr. – Ing. Morris Riedel
Jülich Supercomputing Centre, Forschungszentrum Jülich, Deutschland
School of Engineering and Natural Sciences, Universität Island, Reykjavik, Island
12.02.2020, Adesso, Dortmund, Deutschland
@Morris Riedel @MorrisRiedel @MorrisRiedel
2 12.02.2020 KI für Handel – Adesso Dortmund
Video Blackberry als Einstieg (von 2013 dennoch aktuell!)
[20] YouTube, Blackberry Concept Video
3 12.02.2020 KI für Handel – Adesso Dortmund
Schlagworte
Maschinelles
Künstliche Lernen
Intelligenz Big Data
Deep Personalisiert &
Learning Individuell High Performance
Stationärer
Computing & Cloud
Einzelhandel
Computing
Customer Journey
& Einkaufserlebnis
Seamless
Shopping Modular
Cross Supercomputing
Channel
4 12.02.2020 KI für Handel – Adesso Dortmund Künstliche Intelligenz – Was ist das?
5 12.02.2020 KI für Handel – Adesso Dortmund
Künstliche Intelligenz im Kontext
Classification
Künstliche Intelligenz (KI)
Ein sehr breites Feld mit Techniken und
Werkzeugen die Computern erlauben
das menschliche Verhalten nachzuahmen
Clustering
Maschinelles Lernen (ML)
Lernen aus Daten ohne explizit ein Programm
aus üblichen Programmiersprachen zu haben
Regression
Deep Learning (DL)
Komplexe Systeme mit der Fähigkeit die
zugrundeliegenden Merkmale in Daten zu lernen
6 12.02.2020 KI für Handel – Adesso Dortmund
Maschinelles Lernen – Kernprinzipien & Einfaches Beispiel
1. Es gibt eine Art „Muster“ in den Daten
2. Es gibt keine exakte mathematische Formel dafür (was ist das (was bedeutet das für
3. Es gibt historische Daten von denen wir lernen können für eine Pflanze?) Typen von Kunden
und Personalisierung?)
?
(Blumentyp ‘IRIS Setosa‘)
[6] Image sources: Species Iris Group of
North America Database, www.signa.org
(Blumentyp ‘IRIS Virginica‘)
7 12.02.2020 KI für Handel – Adesso Dortmund Reifegrad Künstliche Intelligenz im Jahre 2020
8 12.02.2020 KI für Handel – Adesso Dortmund
KI in 2020 – Komplexe Zusammenhänge aber „Überschaubar“
Lernmodell Richtigkeit (engl. ‘Accuracy‘)
High Performance
Zeit zur Computing & Cloud
Verarbeitung
Große Deep Learning Netzwerke Computing
‘kleine Datensätze‘
Manuelles Feature
Engineering‘
ändert hier die Medium Deep Learning Network
Ordnung
Kleine Neuronale Netze
Traditionelle Lernmodelle
MatLab
Statistical
SVMs
Random Computing with R
Forests
scikit-learn Weka Octave
Volumen der Datensätze ‘Big Data‘ [1] www.big-data.tips
9 12.02.2020 KI für Handel – Adesso Dortmund
2020 – Hoher Reifegrad & Nutzung von KI war nie Einfacher & Stabiler
1952 Stochastic Gradient
Descent
• Optimierungs-
probleme lösen
1958 Perceptron
Lernmodell Big Data Hardware Software
• Lernende • Große • Mehr Memory • Skalierende
Gewichte
…
Datenmengen • Graphical Datenanalyse
• Leichter Processing • Neue Lernmodelle
Zugang Units (GPUs) • Open Source &
1985 ‘Backpropagation der • Mehr Speicher • HPC & Parallele Freie Software
Fehler‘ Ansatz im Lernen Systeme Pakete
• Künstliche Neuronale
Netze
1995 Deep Convolutional
Neural Networks [2] Keras
• Deutliche
Verbesserung in [5] soccerwatch.tv
[4] NVIDIA [3] TensorFlow
…
der Bilderkennung
Enorme Chancen Kombination: Start-up Beispiel aus Forschungsgruppe
2020 durch Deep Learning
10 12.02.2020 KI für Handel – Adesso Dortmund Personalisierung & Kernelemente für KI als Referenzmodell
11 12.02.2020 KI für Handel – Adesso Dortmund
Je besser man Kunden kennt, desto mehr Personalisierung möglich
Beispiele relevanter Muster in Kunden für KI
(übliche Hürde Daten:
• Vorlieben, Vorzüge, Präferenzen (Kassen-
Kommen wir an (Ratings)
• Spezieller Bedarf; fixed Preis vs. Cross-Selling systeme)
die notwendigen
• Einzigartige Eigenschaften
Daten für KI?)
• Verstehen wie Apps, Webseiten &
Social Media individuell genutzt werden (Ist der Shop
• Welche Ratings & Reviews wurden geprüft überhaupt digital
• Bereits ausprobierte Produkte (Shop-
genug?) (Webshop)
• Projezierung auf „Muster Mensch Kunde“ sensoren)
(bspw. Generative Adversarial Networks) (Webseiten bieten bereits
individuellen Inhalt für Kunden) KI Fallgruben bei Personalisierung
• In manchen Fällen einfacher besser
(z.B. A/B Testing), „Occams Razor“
• KI nicht gut in gesamten Plan integriert
(z.B. Marketing, Sales, Shop, etc.)
• Personen ändern sich, manchmal schnell
Personalisiert & • KI Entwicklung ist ein „Prozess“ / Person
Individuell (z.B. CRISP-DM Prozess, iterativ besser)
Stationärer Seamless • Es gibt nicht nur ein großes magisches
Einzelhandel Shopping KI Modell, sondern mindestens ~100
• GDPR (dt. Datenschutz-
(Personalisierung gut Grundverordnung DSGVO)
umgesetzt erhöht die Conversion, • Training zeitintensiv, Inferenz ist schnell
Customer Journey
simpler Ansatz A/B Testing ohne KI)
& Einkaufserlebnis [8] Understanding PersonalizationON4OFF - Forschungsprojekt
13 12.02.2020 KI für Handel – Adesso Dortmund ON4OFF Referenzmodell für den Einzelhandel
14 12.02.2020 KI für Handel – Adesso Dortmund „Best of Bread Ansätze“ durch KI für Personalisierung im Handel
15 12.02.2020 KI für Handel – Adesso Dortmund
„Best of Bread Ansätze“ – KI zur „Vorahnung“ von Kundenerwartungen
Vorahnung durch KI
Breite Menge von Datenquellen
• Favorisierte Produkte
• Recherche Kunde bei Reviews & Ratings
• Artikel der richtigen Marke, die bevorzugt wird
• Kundensuche im Internet & Browser
• Zur richtigen Zeit verfügbar
• Social Media Interaktionen & Page/Ad Clicks
• Am richtigen Ort verfügbar
• Vorherige Besuche des Shops
• Kunden personalisiert ansprechen
• Reklamationen?
• Personalisierte Vorschläge („Recommender“)
KI Modelle
• Verstehen Kunden zunächst in Schubladen
(Klassen, nicht komplett personalisiert) Leichter
• Bei mehr Datenverfügbarkeit zur Person
G
Personalisierung und Vorhersagen Sichere Daten Repositorien
Kundenerwartungen in App/Shop Schwieriger
Impact Shop
• Verständnis welche Produkte im
Shop wirklich gebraucht werden
H • Bessere Pflege von vielen
Produktkollektionen
• Effektive Sortimentsplanung
• Effizientes Einkaufserlebnis
F • Umsätze werden geschärft
• Produktplatzierung im Shop
Sichere Datenbanken & AI Modelle Kassensystem / Datenintegration Shop [7] AI Revolutionizing Personalization16 12.02.2020 KI für Handel – Adesso Dortmund
„Best of Bread Ansätze“ – KI zur „Vorahnung“ von Kundenerwartungen
Amazon
Handel zum
4-Star Shops
Ausprobieren &
Erforschen
[11] Entrepreneur
[10] B8TA, Retail
designed for
discovery
Impact Shop
• Verständnis welche Produkte im
Shop wirklich gebraucht werden
H • Bessere Pflege von vielen
Produktkollektionen
• Effektive Sortimentsplanung
• Effizientes Einkaufserlebnis
F • Umsätze werden geschärft
• Produktplatzierung im Shop
Sichere Datenbanken & AI Modelle Kassensystem / Datenintegration Shop [7] AI Revolutionizing Personalization17 12.02.2020 KI für Handel – Adesso Dortmund
„Best of Bread Ansätze“ – KI zur „Vorahnung“ von Kundenerwartungen
Bspw.: Association Rule Mining Techniken – Personalisiert
• Findet in großen Datenmengen häufige Produkte die zusammengekauft werden
• Funktioniert nicht nur mit zwei Produkten, sondern mit drei, vier, fünf, etc.
• „Confidence“ gibt eine Metrik um zu messen wie sicher ist diese Regel
• Klingt einfach, aber durch die hohe Anzahl Regeln komplizierter als man denkt
• Shop-Eigentümer zunächst skeptisch, dann gibt es aber „aha Effekte“
Bspw.: Recommende Techniken – Personalisiert
• Content-based Recommendersysteme analysieren Eigenschaften der
Produkte und schlagen darauf basieren welche vor
• Collaborative Filtering Recommendersysteme schlagen Produkte vor
basierend auf Ähnlichkeit mit anderen Kunden/Produkten
• Vorgeschlagene Produkte sind solche von ähnlichen Kunden
F
Sichere Datenbanken & AI Modelle18 12.02.2020 KI für Handel – Adesso Dortmund
„Best of Bread Ansätze“ – KI zur „Bereicherung“ des Einkaufserlebnisses
KI Mustererkennung
Breite Menge von Datenquellen
• Was wird ausprobiert im Shop
• Haptische Sensoren
• Was guckt sich der Kunde „länger an“
• Lokale Bilder ohne Personerkennung
• Wie nimmt der Kunde das Produkt war
• Länge, Dauer Nutzung von Erlebnissen &
(Erlebnis, bspw.: virtuelle Duftprobe mit
Produkten evtl. auch durch Mitarbeiter
VR Brille bei manchen Personen oder nicht)
• Kundenprofil
• Kaufhistorie
KI Modelle
• Shopnavigation: Natürliche Sprache analysieren (engl. „NLP“)
und/oder Touchscreens um Produkte im Shop zu finden
• Virtuelle Shopassistenten für Produktfragen &
G
im Kontext bessere/passende Vorschläge Sichere Daten Repositorien
• KI mit Augmented Reality für virtuelle „Anproberäume“
• Smart Checkouts durch Bildanalyse ohne „Warteschlangen“ Impact Shop
• Kunden kommen zurück um
neue individuelle Erlebnisse
H zu erleben
• Neue Kunden die neugierig
werden wie Ihr individuelles
Erlebniss besser/anders ist
F • Reduziert Kernproblem
Warten auf Bezahlung/Beratung
Sichere Datenbanken & AI Modelle Kassensystem / Datenintegration Shop [7] AI Revolutionizing Personalization19 12.02.2020 KI für Handel – Adesso Dortmund
„Best of Bread Ansätze“ – KI zur „Bereicherung“ des Einkaufserlebnisses
[12] DeepSense.ai, ‘Produkterkennung’ [16] SmartCart – shopping carts with cameras and easy checkout
Impact Shop
• Kunden kommen zurück um
neue individuelle Erlebnisse
H zu erleben
• Neue Kunden die neugierig
werden wie Ihr individuelles
Erlebniss besser/anders ist
F • Reduziert Kernproblem
Warten auf Bezahlung/Beratung
Sichere Datenbanken & AI Modelle Kassensystem / Datenintegration Shop [7] AI Revolutionizing Personalization20 12.02.2020 KI für Handel – Adesso Dortmund
„Best of Bread Ansätze“ – KI zur „Bereicherung“ des Einkaufserlebnisses
Vortrainiertes RESNET-50 Netzwerk auf 14
Mio Bilder (ImageNet Bilder frei verfügbar)
3-4 Stunden Aufwand, nicht sehr komplex
(Fine-tuning mit RESNET-50 etwas mehr)
Einmal trainiert, braucht kaum Rechenzeit
Adaptierbar auf Ihre Produktpalette
Top 1-5 Treffer denkbar (nicht nur
Hauptbegriff - auch Nebenbegriffe)
Datenanreicherung statt direkt
Kundenkontakt, dann NLP Prozesse
(Trend…) (Neuartige tiefe Neuronale Lernnetze zur Bilderkennung …)
(Ich suche ein Parfum das sieht aus wie ein Goldbarren…)
(Tiefes neuronales Netzwerk)
[17] Foto: lührmann.de21 12.02.2020 KI für Handel – Adesso Dortmund
„Best of Bread Ansätze“ – KI zur „Bereicherung“ des Einkaufserlebnisses
(… wie eine Tischlampe)
(… wie ein
Cocktail Shaker)
(… wie ein
Rotwein
oder Vase)
[15] DeepSense.ai, ‘Produkterkennung’
(Nächster Schritt bspw.:
Wo ist Produkt X bzw.
die ähnlichen Produkte bei
Ihnen oder „Shop by Photo“)22 12.02.2020 KI für Handel – Adesso Dortmund
„Best of Bread Ansätze“ – AI & Related Work: Man muss Zeit investieren
(… Open Source Architektur, aber braucht viel Zeit
zum Parameter-Tuning & Erfahrungen sammeln)
(… erstmal nur 80%, aber besser
als vorher nichts!)
(… Erzeugung GUTER AI
Modelle braucht Zeit,
[21] CRISP-DM bspw. CRISP-DM
Iterationen)
[18] Google Cloud23 12.02.2020 KI für Handel – Adesso Dortmund
„Best of Bread Ansätze“ – KI zur „Aufwertung“ des Kundenservice
KI Möglichkeiten
Breite Menge von Datenquellen
• Welche Standardanliegen hat ein Kunde & eine Basiskommunikation
• Call-Center Data
(auch mit pre-definierten Skripten
• Reklamationen
• Stimmungen von dem Kunden selbst heraushören oder
• E-Mail Interaktion
im Laden sogar (GDPR!), Sentiment-Analyse (bspw. in Twitter Tweets)
• Mitarbeiter in Shops
• Briefe(?)
KI Modelle • Social Media
• Oft wieder NLP mit DB & Recurrent Neural Networks („über Produkte“)
• Chatbots & „automatisiertes Messaging“
(bspw. für simple Fragen; auch Entlastung Mitarbeiter) G
• Automatisierte Service-Interaktionen zur
Minimierung von Antwortzeiten („sonst Kunde weg“) Sichere Daten Repositorien
• Oft spezifisch: Reklamation, Produktbestellung,
Servicebuchung, „Subscriptions“, etc. Impact Shop
• Raum im Shop & Stimmung
der (oft) Beschwerden nicht
H im Markt „sichtbar“
• Mitarbeiter sparen Zeit
• Konzentration auf wirklich
komplexe Fragen die AI
F nicht kann & nie können wird
Sichere Datenbanken & AI Modelle Kassensystem / Datenintegration Shop [7] AI Revolutionizing Personalization24 12.02.2020 KI für Handel – Adesso Dortmund
„Best of Bread Ansätze“ – KI zur „Aufwertung“ des Kundenservice
[19] Chatbots25 12.02.2020 KI für Handel – Adesso Dortmund
„Best of Bread Ansätze“ – KI zur „Aufwertung“ des Kundenservice
ht h0 h1 ht
(‘delay’)
RNN model RNN model RNN model … RNN model
(unroll the ‘loop’
xt over t timesteps) x0 x1 xt
(RNNs) (LSTMs)
(Beispiel: Sentiment Analyse Kundenstimmungen mit KI lernen, bspw. aus Twitter)26 12.02.2020 KI für Handel – Adesso Dortmund „Vision & Zukunft zur Diskussion“ durch Verwendung von „sehr viel“ KI
27 12.02.2020 KI für Handel – Adesso Dortmund ON4OFF Referenzmodell für den Einzelhandel
28 12.02.2020 KI für Handel – Adesso Dortmund
Impuls zur Diskussion: Personalisierung für KI im Handel via Echtzeitstrategie
Erlebnis und Individualiserung als „Gamification“ im Handel powered mit KI „Reinforcement Learning & Agenten“
• Keine „echten“ Webseiten mehr, niemals gleicher Content für Kunden eher „A/BInfinity Testing“ online, offline „Agenten bauen shop“
• „Orientierung“ an Echtzeitstrategiespielen wie Starcraft, Civilization, Age of XYZ, World of Warcraft, Anno XYZ
• Powered mit sehr viel Künstlicher Intelligenz, aber visuell attraktiv gestaltet, auch mit App in Shop
• „Teilen der Unique Customer Journey“ mit anderen gleichgesinnten „Kunden“,
andere bezahlen sogar in Zukunft „Leuten beim Einkaufen zuzuschauen“ (wie heute Leute bezahlen um KI-basierte Spiele zu sehen)
• Das was zu Hause bereits gekauft ist, ist bereits integriert zum Abgleich und passende Recommendations werden gemacht
Aktion Gold X von Shop Z
Vision „ANNO
Shopping 2020“
Seamless
Shopping
Personalisiert &
Individuell
Erlebnis:
„Wer findet Stationärer
das beste Gold Einzelhandel
im Laden XYZ
morgen“ Customer Journey
& Einkaufserlebnis
[9] Age of Empires 2, YouTube29 12.02.2020 KI für Handel – Adesso Dortmund
Impuls zur Diskussion: Personalisierung für KI im Handel via Echtzeitstrategie
(Kunde als Agent
in Reinforcement
Learning) Vision „ANNO [14] Video source: Google DeepMind’s
Shopping 2020“ Deep Q-learning playing Atari Breakout
(Bsp: DeepMind Lab, StarCraft2,
Udacity Universe?)
Seamless
Shopping
Personalisiert & (Bsp: Wie würde eigentlich den KI & Computer einen
Individuell Kunden perfekt durch den Shop navigieren?)
Erlebnis: (Bsp: Was können wir daraus
„Wer findet Stationärer semi-autmatisch lernen
das beste Gold Einzelhandel wie man shops besser baut?)
im Laden XYZ
morgen“ Customer Journey
& Einkaufserlebnis [15] Minh et al., Nature, 2015 [13] Riedel, Reinforcement Learning30 12.02.2020 KI für Handel – Adesso Dortmund Referenzen
31 12.02.2020 KI für Handel – Adesso Dortmund
Referenzen (1)
[1] Big Data Tips – Big Data Mining & Machine Learning, Online:
http://www.big-data.tips/
[2] Keras Python High-Level Deep Learning Library, Online:
https://keras.io/
[3] TensorFlow Python Low-Level Deep learning Library, Online:
https://www.tensorflow.org/
[4] NVIDIA Web Page, Online:
https://www.nvidia.com/en-us/
[5] Deep Learning Start-Up Beispiel Deutschland, Online:
https://soccerwatch.tv/
[6] Species Iris Group of North America Database, Online:
http://www.signa.org
[7] 4 Ways AI is Revolutionizing Personalization and Customer Experience in Retail, Online:
https://www.martechadvisor.com/articles/customer-experience-2/4-ways-ai-personalizing-retail-cx/
[8] Understanding the Importance of Personalization in Digital Marketing, Online:
https://www.martechadvisor.com/articles/customer-experience-2/understanding-the-importance-of-personalization-in-digital-marketing32 12.02.2020 KI für Handel – Adesso Dortmund
Referenzen (2)
[9] Age of Empires 2 HD - Hardest AI 1v7 Wonder Defense Win (500 Population, Arena), YouTube Video, Online:
https://www.youtube.com/watch?v=Xg7WtwKKALE
[10] B8TA Retail Designed for Discovery, Online:
https://b8ta.com/about-us
[11] Entrepreneur, Amazon 4-Star Shops, Online:
https://www.entrepreneur.com/article/320784
[12] DeepSense.ai, ‘How to create a product recognition solution’, Online:
https://deepsense.ai/how-to-create-a-product-recognition-solution/
[13] Morris Riedel, AIDA School Bologna, ‘Reinforcement Learning’, Online:
http://www.morrisriedel.de/wp-content/uploads/2020/02/8-Reinforcement-Learning-Short-Introduction-AIDA-School-Morris-Riedel.pdf
[14] YouTube Video, Google DeepMind‘s Deep Q-Learning playing Atari Breakout, Online:
https://www.youtube.com/watch?v=V1eYniJ0Rnk
[15] Minh et al., ‘Human-level control through deep reinforcement learning’, Nature 518, pages 529 – 533, 2015, Online:
https://www.nature.com/articles/nature14236
[16] SmartCart, Online:
https://www.smartcart.fi/33 12.02.2020 KI für Handel – Adesso Dortmund
Referenzen (3)
[17] Lührmann.de, ‘Parfümerie Pieper bezieht markante Eckimmobilie‘, Online:
https://www.luehrmann.de/de/city-life/erfolgsraume/beitrag/parfumerie-pieper-bezieht-markante-eckimmobilie/
[18] YouTube Video, Reinventing Retail with AI (Cloud Next '19), Online:
https://www.youtube.com/watch?v=pKEmQ1VMxsM
[19] Chatbots Example, Online:
https://www.luxurysociety.com/en/articles/2017/03/chatbots-5-luxury-brand-examples/
[20] YouTube Video, ‘BlackBerry Concept Video: The Future Of Customer Experience’, Online:
https://www.youtube.com/watch?v=Xj3RHmn14ws
[21] Shearer C., The CRISP-DM model: the new blueprint for data mining, J Data Warehousing (2000); 5:13—2234 12.02.2020 KI für Handel – Adesso Dortmund
Danke an Forschungsgruppenmitglieder & Projektfinanzierungen
Finishing Mid-Term Started Started
Finished PHD in Spring Finished PHD in Spring in Spring in Spring
in 2016 2020 in 2019 2019 2019 2019
PD Dr. Senior PhD Senior PhD PhD Student PhD Student PhD Student
G. Cavallaro Student A.S. Memon Student M.S. Memon E. Erlingsson S. Bakarat R. Sedona
DEEP
Finished PHD Thesis Thesis Learning
in 2018 Completed Completed Startup
Dr. M. Goetz MSc M. MSc MSc MSc Student This research group has received
(now KIT) Richerzhagen P. Glock C. Bodenstein G.S. Guðmundsson funding from the European Union's
Horizon 2020 research and
(now other division) (now INM-1) (now (Landsverkjun) innovation programme under
Soccerwatch.tv) grant agreement No 763558
(DEEP-EST EU Project)35 12.02.2020 KI für Handel – Adesso Dortmund Danke – Folien verfügbar unter http://www.morrisriedel.de/talks
Sie können auch lesen
