Einführung in KI im Web

Bei der Entwicklung mit KI kann man sich leicht in der Modellauswahl, der Infrastruktur und dem Code verlieren. Sie könnten das große Ganze vergessen.

In diesem Modul stellen wir einen Blueprint vor, mit dem Sie jede neue KI-Funktion oder jedes neue KI-Produkt abbilden können:

• Warum entwickeln Sie? Welchen Mehrwert bietet Ihr KI-Anwendungsfall für Nutzer?
• Wie funktioniert Ihre Anwendung?
• Wie können Sie sicherstellen, dass jeder Teil Ihres Systems verantwortungsbewusst entwickelt wird?

Um die Funktionsweise dieses Blueprints zu verstehen, stellen Sie sich vor, Sie arbeiten an einer E-Commerce-Website, Example Shoppe. Ihre Mitbewerber haben generische Chatbots eingeführt, aber damit kaum Erfolg. Sie möchten die Nutzerfreundlichkeit verbessern und die Suche optimieren, ohne die wichtigsten Nutzerabläufe zu unterbrechen.

Mit einem KI-basierten Upgrade können Käufer Suchanfragen in natürlicher Sprache eingeben, z. B. „rote Trail-Laufschuhe für den Winter“, und erhalten relevante Ergebnisse, die sie bei einer keywordbasierten Suche möglicherweise übersehen hätten.

Opportunity

Jedes KI-Projekt sollte mit einem klaren Anwendungsfall beginnen: einer Nutzeraufgabe oder einem Problem, das es wert ist, mit KI gelöst zu werden. KI birgt Unsicherheiten und andere Risiken für Ihre Anwendung. Sie sollten sie daher nur verwenden, wenn das Problem nicht auf herkömmliche, deterministische Weise gelöst werden kann.

Anwendungsfall

Bei Example Shoppe ist die Suche eine wichtige Funktion, die Nutzer mit den Produkten verbindet, nach denen sie suchen. Nutzer brechen die Suche oft ab, wenn sie aufgrund von Tippfehlern, Synonymen oder vagen Anfragen fehlschlägt. Das wissen Sie aus Ihren eigenen Analysen, aber auch aus externen Studien. Mit einer flexibleren und intelligenteren Suche können Sie die Nutzerfreundlichkeit und Effizienz der Nutzerprozesse verbessern.

Weitere Beispiele für KI-Anwendungsfälle:

• Auf einer Nachrichtenseite können Sie die kognitive Belastung reduzieren, indem Sie Nachrichten strukturiert zusammenfassen.
• Auf einer Veröffentlichungsplattform können Sie die Barrierefreiheit verbessern, indem Sie automatisch Alternativtexte und Untertitel vorschlagen lassen.
• Als Cloud-Dienstanbieter können Sie Supportanfragen durch eine intelligentere Suche in der Dokumentation reduzieren.

Um mit KI erfolgreich zu sein, müssen Sie Möglichkeiten mit hohem Wert erkennen. Wie in einem Bericht der RAND Corporation zu lesen ist, ist die Wahl der falschen Gelegenheit einer der Hauptgründe für das Scheitern von KI-Projekten.

Wert

Der Wert hat zwei Seiten: Vorteile für die Nutzer und Vorteile für das Produkt oder das Unternehmen. Bei den meisten gesunden und verantwortungsbewussten Produkten sind diese beiden Aspekte aufeinander abgestimmt: Wenn Nutzer erfolgreich sind, wächst auch das Unternehmen. Bei For Example Shoppe schafft die KI-basierte Suche Mehrwert, da Nutzer die richtigen Produkte schneller und einfacher finden. So lassen sich die Produktentdeckung, die Conversion-Raten und die langfristige Kundenzufriedenheit steigern.

Manchmal ist der Wert nicht greifbar, z. B. in Form von Nutzerzufriedenheit und Vertrauen. Gerade am Anfang ist es am besten, den Wert des Angebots zu quantifizieren. So haben Sie eine solide Grundlage, um Prioritäten zu setzen, Auswirkungen zu kommunizieren und Stakeholder zu überzeugen. Auch grobe Schätzungen können bei Entscheidungen helfen und den Erfolg messbar machen.

Lösung

Nachdem Sie geklärt haben, warum Sie KI in Ihr Produkt integrieren, sollten Sie sich überlegen, wie Sie das tun. Sehen Sie sich die wichtigsten Bausteine einer KI-Lösung an.

Daten

Daten sind der Treibstoff für KI. Letztendlich hängt die Leistung Ihres KI-Systems davon ab, wie gut es aus Ihren Daten lernen kann. Mangelhafte, unvollständige oder nicht abgestimmte Daten führen zu schlechten Ergebnissen und frustrierten Nutzern, unabhängig davon, wie ausgefeilt das Modell oder die Infrastruktur ist. Hochwertige Daten und ein gut konzipiertes Data Flywheel sind hingegen Werttreiber, die ebenfalls zur Differenzierung Ihres Produkts beitragen können.

Daten gibt es in verschiedenen Formen und Modalitäten. Für unser Beispiel für die KI-gestützte Suche könnten folgende Daten nützlich sein:

• Strukturierte Daten: Produkttitel, Farben, Größen, Kategorien und Verfügbarkeit.
• Unstrukturierte Daten: Produktbeschreibungen, Nutzerrezensionen und FAQs.
• Synonymlisten: Begriffszusammenhänge wie „Sneaker“ = „Laufschuhe“.
• Nutzersignale: Klicks, Verweildauer, Aktionen zum Hinzufügen zum Einkaufswagen und Käufe sind alles Signale, die Modellen helfen, zu lernen, was Nutzer tatsächlich relevant finden.
• Visuelle Daten: Produktbilder, die in einen Index für visuelle Ähnlichkeit eingebettet werden können, sodass Nutzer anhand von Fotos suchen oder visuell ähnliche Artikel entdecken können, auch ohne übereinstimmenden Text.

Das mag nach vielen Daten klingen, aber keine Sorge. Beginnen Sie mit einigen Datenquellen, die das beste Signal-Rausch-Verhältnis bieten, und erweitern Sie das System dann nach und nach.

In den meisten Fällen sind Ihre Rohdaten wahrscheinlich nicht bereit, von einem Modell aufgenommen zu werden. Sie müssen bereinigt, vorverarbeitet und in einem KI-freundlichen Format organisiert werden. So können beispielsweise Nutzersignale in Aktionssequenzen umgewandelt werden, während unstrukturierte Produktbeschreibungen als semantische Einbettungen codiert werden können.

Daten können in verschiedenen Phasen des KI-Lebenszyklus verwendet werden:

• Beim Training oder Feinabstimmen wird es verwendet, um dem Modell Muster und Beziehungen beizubringen.
• Bei der Evaluierung können Sie damit Qualität, Richtigkeit und Relevanz testen.
• In der Produktion können Sie damit Abweichungen verfolgen und Feedback aus der realen Nutzung sammeln.

Kurz gesagt: Daten sind nicht nur eine Eingabe, sondern ein lebendiges Asset. Der Umgang mit Daten ist eine der wichtigsten Fähigkeiten, die Webentwickler im Umgang mit KI erlernen können.

Intelligenz

In der Intelligence-Ebene wird KI eingesetzt, um Daten zu analysieren und einen Mehrwert zu schaffen. Oft gibt es ein Modell im Kern, aber die meisten Systeme sind komplexer. Bei Example Shoppe werden Nutzeranfragen mithilfe einer Reihe von Methoden interpretiert:

• Erkennung benannter Entitäten und Informationsextraktion zum Extrahieren von Attributen wie color=red oder season=winter.
• Ein Sentence Embedding-Modell zum Erstellen semantischer Darstellungen von Nutzeranfragen und verfügbaren Produkten.
• Semantische Suche zum Abrufen relevanter Ergebnisse.
• Ein kleines, benutzerdefiniertes Modell für das erneute Ranking, um Ergebnisse genau nach Relevanz zu sortieren.

Die Intelligenz ist wohl der spannendste Teil Ihres KI-Systems, aber auch die Komponente, die am meisten gehypt wird. Jede Woche kommen neue Modelle auf den Markt, oft mit Superlativen in der Werbung.

Hier sind zwei wichtige Faktoren, die Sie berücksichtigen sollten:

• KI ist nicht auf generative KI und Large Language Models (LLMs) beschränkt. Viele Aufgaben lassen sich besser mit kleineren, spezialisierten Modellen erledigen, die schneller und kostengünstiger bereitzustellen und zu warten sind.
• KI-Systeme in der Praxis basieren selten auf einem einzelnen monolithischen Modell. Stattdessen verwenden sie zusammengesetzte KI-Architekturen, Kombinationen aus einem oder mehreren Modellen mit zusätzlichen Komponenten wie Datenbanken, APIs und Schutzmaßnahmen. Zusammen sorgen sie für ein robustes, kontextbezogenes Verhalten.

Anstatt dem neuesten Hit in den Bestenlisten nachzujagen, sollten Sie die KI auswählen, die am besten zu Ihrem Problem passt. So können Sie sich an die Entwicklung Ihres Produkts und Unternehmens anpassen. In den folgenden Modulen erhalten Sie eine Einführung in die derzeit gängigsten KI-Techniken: Prädiktive KI und generative KI. Außerdem erfahren Sie, wie Sie den richtigen technischen Ansatz für Ihr System bewerten und auswählen.

Nutzererfahrung

Die Benutzeroberfläche ist der Channel, über den Nutzer von KI profitieren. Deterministische Softwareschnittstellen sind sicher und vorhersehbar: Dieselbe Eingabe führt immer zur selben Ausgabe. Mit KI kommt Unsicherheit ins Spiel. Zwei fast identische Anfragen können zu völlig unterschiedlichen Ergebnissen führen. Selbst die leistungsstärksten KI-Modelle sind dafür bekannt, zu halluzinieren und andere Arten von Fehlern zu machen.

Sie müssen bei dieser Umstellung sehr bewusst vorgehen, insbesondere wenn Sie KI in ein bestehendes Produkt einbauen. Chatbots mit offenem Ende machen Spaß, sind in der Praxis aber komplex und riskant.

Versuchen Sie zu Beginn, die Unsicherheit und das Risiko für die Nutzer zu minimieren. Im Fall von Example Shoppe kann die KI-basierte Suche beispielsweise unauffällig in die vorhandene Benutzeroberfläche integriert werden. Nutzer geben weiterhin Suchanfragen in natürlicher Sprache ein und erhalten Suchergebnisse von höherer Qualität.

Auch wenn die KI-Funktion im Hintergrund funktioniert, ist es ratsam, die Transparenz zu erhöhen. Sie könnten beispielsweise einen Hinweis und eine kurze Erklärung hinzufügen, wie das System diese Ergebnisse zusammenstellt.

Im Kurs UX-Muster erfahren Sie, wie Sie die Präsenz von KI, die Funktionen und das Risiko in der User Experience Ihres Produkts in Einklang bringen.

Governance

KI-Systeme müssen verantwortungsbewusst entwickelt werden. Sie sollten ein System entwickeln, das den Datenschutz der Nutzer schützt, Vorurteile minimiert, Transparenz bietet und allen relevanten rechtlichen Standards entspricht. Gute Governance ist nicht nur für die Compliance wichtig, sondern auch ein Designprinzip, das für das Vertrauen der Nutzer und die Akzeptanz von entscheidender Bedeutung ist.

Bei der KI-gestützten Suche von Example Shoppe beginnt die Governance mit integrierten Schutzmaßnahmen:

• Datenschutz: Personalisierungsdaten bleiben lokal, sofern Nutzer nicht ausdrücklich zustimmen. Sie kann jederzeit aktiviert oder deaktiviert werden.
• Fairness: Die Suchergebnisse werden geprüft, um eine ausgewogene Präsenz der verschiedenen Verkäufer zu gewährleisten.
• Vertrauen und Transparenz: Bei Example Shoppe können Sie nachvollziehen, warum ein Ergebnis oben in den Suchergebnissen angezeigt wurde. So können Sie das Vertrauen der Nutzer gewinnen.
• Sicherheit: Eingeschränkte oder unsichere Anfragen (z. B. zu verbotenen Artikeln) werden durch Schutzmaßnahmen gefiltert oder blockiert.
• Einspruch: Nutzer können KI-Vorschläge schnell ablehnen, schlechte KI-Ergebnisse oder ‑Interaktionen melden und zu einer reinen Keyword-Suche zurückkehren, wenn die KI-Optimierungen nicht hilfreich sind.

Um KI verantwortungsbewusst zu entwickeln, müssen Sie die Verantwortung für Ihren Bereitstellungsprozess übernehmen. Durchdachte Schutzmaßnahmen und Feedbackschleifen entwickeln Sie gestalten die Sicherheit und Zuverlässigkeit der Erfahrung und legen die Erwartungen an ihre Nutzung und ihre Grenzen fest. Sie können die Ausgabe zwar nicht vollständig kontrollieren, sollten aber bereit sein, auf alle Bedenken einzugehen.

Im Kurs Build responsibly with AI (Verantwortungsbewusste Entwicklung mit KI) erfahren Sie mehr über die wichtigsten Aspekte der KI-Governance und erhalten praktische Tools für die Entwicklung nachhaltiger und vertrauenswürdiger KI-Anwendungen.

Wichtige Erkenntnisse

Der Blueprint für KI-Systeme kann Ihnen helfen, Klarheit und Abstimmung für jedes KI-Projekt zu schaffen, an dem Sie beteiligt sind. Wir haben uns jedes Element des Konzepts auf einer hohen Ebene angesehen. Im weiteren Verlauf dieses Artikels erfahren Sie mehr über die einzelnen Schritte.

Dieses Konzept wird in verschiedenen Beispielen wieder aufgegriffen, wobei bestimmte Ebenen genauer erläutert werden.

Wissen testen