Künstliche Intelligenz (KI) im E-Commerce ist keine Zukunftsmusik mehr. Im Zusammenspiel mit Product-Information-Management-Systemen (PIM) entfaltet KI ihre Stärke insbesondere bei der Klassifizierung von Artikeln. Gastautor Adrian Gasch, Manager PIM Technical Solutions bei Arvato Systems, erklärt, wie sich manuelle Prozesse der Produktdatenpflege zu einem hohen Grad automatisieren lassen und gibt 5 Tipps für die Umsetzung.

1. Tipp: Auf die Macht der Bilder vertrauen

Methoden der KI-basierten und damit automatisierten Bilderkennung haben im E-Commerce großes Potenzial. Bei einem gut fotografierten Bild ist nicht nur sofort ersichtlich, ob es sich um Fashion-Artikel wie Schuhe, Konsumgüter wie Kaffeemaschinen oder industrielle Produkte wie Bauteile handelt.

Erkennbar ist auch, welche Farbe der Artikel hat. Daneben können KI-basierte neuronale Netze zwischen Artikeln derselben Warengruppe unterscheiden.
Die Bilderkennung mithilfe selbstlernender Algorithmen bietet dem E-Commerce vielfältige Einsatzmöglichkeiten von der Produktsuche bis zur -kategorisierung.
© IMAGO /Shotshop
Die Bilderkennung mithilfe selbstlernender Algorithmen bietet dem E-Commerce vielfältige Einsatzmöglichkeiten von der Produktsuche bis zur -kategorisierung.

2. Tipp: Die KI trainieren

Mit dem richtigen Training liefert ein neuronales Netz treffsichere Ergebnisse (Deep Learning). Hierfür muss man ihm zunächst beibringen, Artikel eigenständig zu klassifizieren. Als Übungsmaterial dient eine Vielzahl an Produktbildern, die im PIM-System gespeichert und mit aussagekräftigen Metadaten versehen sind (Big Data).

Richtig trainiert, erkennt die KI zum Beispiel eine Bluse oder Maschine, selbst wenn sie verdreht, teilweise verdeckt oder bei ungünstigen Lichtverhältnissen aufgenommen wurde. Damit entlastet die KI von zeitaufwendigen repetitiven Aufgaben.

3. Tipp: Verschiedene Komplexitätsstufen festlegen

Für das Training der KI sollten verschiedene Komplexitätsstufen festgelegt werden:
  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

Auf den ersten beiden Stufen liefert eine KI sehr überzeugende Ergebnisse. Ab Stufe drei, spätestens vier stößt ein neuronales Netz noch an seine Grenzen. Sofern die Formgebung eindeutig oder ein Logo erkennbar ist, kann es Marken unterscheiden und Fälschungen erkennen.

So kann z. B. Markenrechtsverletzungen wirksam vorgebeugt werden. Um einen Artikel weitergehend zu klassifizieren, reicht die Bildqualität häufig nicht aus. Auch braucht eine KI für derart komplexe Aufgaben sehr viel  Training.

Darum kann es sinnvoll sein, einen Spezialisten hinzuzuziehen, der Use Cases sowie die Metadaten im PIM-System auf ihre Eignung hin überprüft und das neuronale Netz trainiert.

4. Tipp: Schwellenwerte für die Bilderkennung definieren

Dank ihrer herausragenden Fähigkeiten beim Abstrahieren und Klassifizieren werten künstliche neuronale Netze Bilder in Millisekunden aus und kategorisieren Produkte in Echtzeit - unabhängig von Lichtverhältnissen, Blickwinkel und Hintergrund.

Dabei müssen sie nicht hundertprozentig mit dem Referenzobjekt übereinstimmen. Es genügt eine ausreichend hohe Wahrscheinlichkeit.

Die KI erkennt einen Artikel als eben diesen, wenn ein vorab definierter Schwellenwert erreicht ist, zum Beispiel "90 % Übereinstimmung mit dem Referenzobjekt". Ist eine eindeutige Klassifizierung nicht möglich, kann aus automatisch generierten Vorschlägen das passende Produkt ausgewählt werden. 
Automatische Bilderkennung bei Ebay: Die Ebay-App generiert Produktvorschläge auf der Basis von Fotos, die Nutzer hochladen.
© Ebay
Automatische Bilderkennung bei Ebay: Die Ebay-App generiert Produktvorschläge auf der Basis von Fotos, die Nutzer hochladen.

5. Tipp: Ergebnisse kontrollieren

Zu Beginn der Trainingsphase sollten Anwender kontinuierlich überprüfen, ob die KI die gewünschten Ergebnisse liefert. Ist das der Fall, kann mit dem KI-basierten System gearbeitet werden. Ein Bild fließt ins PIM-System, wo die KI den abgebildeten Artikel klassifiziert und bewertet, z.B.: Das Foto zeigt zu 95 % Haushaltsgerät, zu 100 % seitlich.

In solch eindeutigen Fällen kann der Anwender die vorgeschlagene Klassifizierung samt passenden Schlagwörtern ("Tags") bedenkenlos übernehmen und das Produktbild im PIM-System ablegen.

Erkennt das System keine ausreichend große Übereinstimmung - etwa, wenn die Wahrscheinlichkeit unterhalb des Schwellenwerts liegt, sollten die Vorklassifizierung überprüft und die vorgeschlagenen Tags im Zweifel angepasst werden. Auch sollte festgelegt werden, dass etwa die seitliche Aufnahme eines Geräts als erstes Bild im Onlineshop erscheint. Ansonsten kann es passieren, dass das System ein weniger aussagekräftiges Bild der Produktrückseite auswählt. Um das zu vermeiden, ist die Reihenfolge der auszuspielenden Produktbilder festzulegen.

Das Training ist entscheidend

Die Technologie hat das Potenzial, manuelle Prozesse 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 sind für das Training der KI unentbehrlich.

Bei der automatisierten Produktklassifizierung gilt: Gut trainiert ist deutlich mehr als halb gewonnen.

MEHR ZUM THEMA:

Zu komplex, hochtechnologisch und zu ressourcenintensiv - es gibt viele Vorbehalte gegen KI. Dabei muss die Implementierung intelligenter virtueller Assistenten kein zeit- und kostenaufwändiges Unterfangen sein.
© imago images / Alexander Limbach
Digitalisierung

Keine Angst vor künstlicher Intelligenz im Kundenservice


Facebook CEO Mark Zuckerberg. KI soll den E-Commerce voranbringen
© imago images / Kyodo News
Plattformen

Wie Facebook mit Künstlicher Intelligenz den E-Commerce beherrschen will


© DM7 - Fotolia
Technologie

Künstliche Intelligenz: Pleiten, Pech und Pannen