Eingabe löschen

Kopfbereich

Schnellnavigation

Hauptnavigation

Projekt: Dayzzi – Next Generation Recommender System

Empfehlungssystem als Lehr-Lern-Hybrid

Empfehlungssysteme sind auf digitalen Plattformen allgegenwärtig. Viele Systeme stützen sich entweder auf die Verfügbarkeit grosser Datenmengen, die eine rein datengetriebene Systementwicklung erlauben, oder werden als eher starre Expertensysteme konzipiert. Zur Überwindung der Nachteile beider Ansätze haben wir in einem KTI (Innosuisse)-Projekt mit der Firma Dayzzi ein neuartiges hybrides Empfehlungssystem entwickelt, das ein Expertensystem mit einem neuronalen Modul für Online-Lernen kombiniert.

Digitale Agenten

Empfehlungssysteme sind heutzutage zu zentralen Agenten der Digitalisierung geworden mit grossen Anwendungspotentialen auch im Umfeld der Life Sciences und des Facility Management. Sie analysieren, vermessen und klassifizieren unser digitales Ich und unterbreiten uns zum Beispiel mehr oder weniger nützliche Entscheidungs- und Produktempfehlungen. Viele dieser algorithmischen Agenten stützen sich auf die Erkennung und Vergleiche von Mustern in Nutzerdaten. Je grösser die Datenmenge, desto feiner können die Muster gelernt werden. Wenn allerdings die verfügbare Datenmenge nicht von Beginn an sehr gross ist, wie dies häufig bei spezialisierten Anwendungen wie bei diesem Projekt der Fall ist, sind solche Algorithmen oft unzuverlässig. In diesem Fall muss die Entscheidungslogik im System von Beginn an «hart verdrahtet» werden. Ein solches System stützt sich also auf das Fachwissen von Experten. Der Nachteil eines Expertensystems liegt in seiner limitierten Adaptierfähigkeit – aus Nutzerdaten kann das System nicht direkt lernen.

Dayzzi 2.0

Die Dayzzi AG ist im Werbeartikelhandel tätig und besitzt mit dem Empfehlungssystem «Dayzzi 1.0» eine einmalige Lösung für den digitalen Handel. Die zugrundeliegende Technologie wurde in einem früheren KTI-Projekt mit dem IAS entwickelt und basiert auf einem domänenspezifischen Expertensystem. Zur Sicherung und Ausweitung der geschäftlichen Tätigkeiten der Firma stellte sich die Herausforderung, das System zu flexibilisieren. Diese Anforderung betraf mehrere Ebenen, insbesondere aber die Online-Lernfähigkeit, d.h. die Möglichkeit, dass sich das System auf Basis von Nutzungsdaten laufend und automatisch verbessern kann. Wie lassen sich die Stärken des alten Systems nutzen und gleichzeitig seine Limitationen überwinden? Diese Frage stand am Anfang eines neuerlichen KTI-Projekts, das in einem neuartigen Systemframework resultierte: das System «Dayzzi 2.0».

Lehr-Lern-Hybrid

Die Grundidee der Innovation besteht darin, das ursprüngliche Expertensystem nach einem technischen Upgrade zu nutzen, um datengetriebene Empfehlungsalgorithmen zu trainieren. Das Gesamtsystem ist demnach ein Hybrid aus einem lehrenden und zwei lernenden Subsystemen (siehe Abbildung). Zu letzteren gehören ein klassischer Empfehlungsalgorithmus (kollaboratives Filtern) und ein künstliches neuronales Netzwerk. Beide dieser Subsysteme können auf Basis von Verkaufsdaten laufend dazulernen. Sie können sich so unabhängig vom Expertensystem individuell weiterentwickeln, wobei das Expertensystem weiterhin sporadisch eingreifen kann, um etwa Fehlleistungen durch ungewollte Selbstverstärkungen beim Lernen von Mustern zu korrigieren. 

Das Gesamtsystem besteht zudem aus weiteren, interagierenden Modulen, die zum Teil auf Methoden des maschinellen Lernens beruhen, wie etwa das Modul für die semantische Analyse der Produktbeschreibungen. Das Projekt demonstriert auch, wie sinnvoll es ist, die Rolle der menschlichen Expertin und der Nutzer in die systemische Beschreibung einzubeziehen. So wird erkennbar, wie sich natürliche und künstliche «Intelligenz» verflechten.

«Es ist wichtig, die Rolle menschlicher Expertinnen und Nutzer in einer systemischen Betrachtung des Empfehlungssystems miteinzubeziehen

Prof. Dr. Thomas Ott

Auf einen Blick

Beteiligtes Institut: Institut für Angewandte Simulation (IAS)

Projektpartner: Dayzzi (Schweiz) AG

Finanzierung: KTI/Innosuisse

Projektteam: Davide Stallone, Erich Zbinden, Martin Schüle, Thomas Ott