Samira Aikas
Unter dem Motto „Empowering Digital Creativity” fand am 20. und 21. September 2023 die DMEXCO, eine der führenden Messen der Digitalbranche in Europa, statt. Über 800 Speaker und 650 Aussteller, von Start-ups zu Google, präsentierten sich den 40.000 Fachbesucher*innen. Im Mittelpunkt stand die Generative Künstliche Intelligenz (GenAI), die den Übergang von traditionellen AI-Anwendungen zu neuen, kreativen Ansätzen markiert. In diesem Artikel erfährst du unsere Messe-Outtakes mit einer Übersicht der AI-Arten, Anwendungsbeispielen von Generative AI und Interactive AI im Marketing und Zukunftsprognosen.
Artificial Intelligence (AI), zu Deutsch: Künstliche Intelligenz (KI), ist der Oberbegriff für Systeme, die menschenähnliche Intelligenz simulieren, um Aufgaben autonom auszuführen. AI kann für klar definierte Aufgaben programmiert werden, wie beispielsweise Daten sortieren und analysieren, datenbasierte Prognosen erstellen, Texte erkennen, übersetzen oder verfassen oder auch komplexere Funktionen ausführen.
Klassische künstliche Intelligenz, auch regelbasierte oder symbolische KI genannt, basiert auf fest definierten Regeln und Logik, um Entscheidungen zu treffen und Probleme zu lösen. Moderne künstliche Intelligenz umfasst maschinelles Lernen und tiefe neuronale Netze. Transformerbasierte AI-Modelle sind eine Architektur für maschinelles Lernen, die in verschiedenen Unterbereichen der AI angewendet werden kann, wie Generative AI, Interactive AI oder Computer Vision. Wir möchten dir die Techniken und die Unterbereiche moderner Künstlicher Intelligenz kurz vorstellen. Allen voran der Platzhirsch der DMEXCO 2023: die Generative AI.
Machine Learning ist ein Oberbegriff für eine Reihe von Techniken, die Computern ermöglichen, aus Daten zu lernen, ohne explizit programmiert zu werden. Machine-Learning-Modelle werden mit einem Datensatz trainiert, der Eingabedaten und die zugehörigen Ausgabedaten enthält. Das Modell lernt dann, die Eingabedaten zu verwenden, um die Ausgabedaten vorherzusagen.
Neuronale Netze sind ein Typ eines Machine-Learning-Modells, das vom menschlichen Gehirn inspiriert ist und aus einer Reihe von künstlichen Neuronen, die miteinander verbunden sind bestehen. Sie lernen Muster und Trends in den Daten zu erkennen, indem sie die Daten durchlaufen und die Verbindungen zwischen den Neuronen anpassen.
Was ist Generative AI? GenAI nur als weiteres Buzzword im Technologiebereich abzutun, wäre sträflich. Diese AI ist ein Game Changer im Marketing und vielen anderen Bereichen. Im Kern geht es darum, AI-gesteuerte Systeme in die Lage zu versetzen, eigenständige, originelle und maßgeschneiderte Inhalte erstellen zu lassen. Dabei kann es sich um Texte, Bilder, Videos, 3-D-Simulationen und Augmentierungen bis hin zu melodischen Klängen handeln, die wie von Menschen kreiert wirken.
Die von GenAI erzeugten Inhalte ähneln allerdings immer existierenden, die in den Trainingsdaten oder im Netz verfügbar sind. Beispiele für die Anwendung von Generative AI im Marketing sind die Optimierung von Preisstrategien und die Durchführung zielgerichteter Marketingkampagnen, die die Interaktion von Kunden mit Marken verbessern. Weitere Einsatzbereiche sind die Erstellung von Deepfakes zur Imitation von Personen und die Verbesserung der Synchronisation in Filmen. Zwei prominente Techniken innerhalb der GenAI sind Generative Adversarial Networks (GANs) und Variational Autoencoders (VAEs). Das bekannteste Beispiel für Generative AI ist ChatGPT. GPT4 kann Geschichten, Gedichte, Codes, Skripte, Musikstücke, E-Mails, Briefe, Übersetzungen und vieles mehr generieren.
Generative Adversarial Networks (GANs): GANs bestehen aus zwei neuronalen Netzen, einem Generator und einem Diskriminator. Der Generator ist verantwortlich für die Generierung neuer Daten, während der Diskriminator dazu verwendet wird, um diese Daten von echten Daten zu unterscheiden. GANs eignen sich besonders für die Generierung realistischer Bilder und Videos. Im Marketing können GANs genutzt werden, um qualitativ hochwertige Bilder für Banner oder Logos zu erzeugen.
Variational Auto Encoder (VAEs): VAEs verwenden eine neuronale Netzwerkarchitektur, um neue Daten zu generieren. Diese Architektur besteht aus zwei Teilen: einem Encoder (Kodierer) und einem Decoder (Dekodierer). Der Encoder ist dafür verantwortlich, die vorhandenen Daten in einen latenten Raum zu kodieren. Der Decoder ist dann dafür verantwortlich, die latenten Daten in neue Daten zu dekodieren. VAEs sind stark in der Bereitstellung von nahezu originalgetreuen Inhalten mit einem reduzierten Vektor und können auch nicht existierende Inhalte generieren, die lizenzfrei genutzt werden können.
Interactive AI, auch Interaktive KI genannt, ermöglicht eine Zwei-Wege-Kommunikation zwischen Mensch und Maschine. Diese Technologie reagiert in Echtzeit auf Benutzereingaben und kann in vielen verschiedenen Branchen eingesetzt werden. Beispielsweise wird Interactive AI bereits in Form von leistungsstarken Chatbots wie Googles Bard, virtuellen Assistenten wie Amazons Alexa und Apples Siri und anderen Anwendungen in Bereichen wie Kundenservice, Bildung und Gesundheitswesen eingesetzt.
Im Unterschied zu anderen AI-Systemen ermöglicht die Interaktive AI eine natürlichere und effizientere Interaktion, indem sie menschenähnliches Verstehen und Reagieren simuliert. Durch den Einsatz von Techniken wie maschinellem Lernen und Deep Learning kann die interaktive Künstliche Intelligenz kontinuierlich aus den Benutzerinteraktionen lernen. Im Laufe der Zeit kann sie so ihre Leistung und die Benutzererfahrung verbessern.
Computer Vision extrahiert und interpretiert visuelle Informationen aus der Welt, um nützliche Erkenntnisse zu gewinnen oder Entscheidungen zu treffen. Die bisher dominierende Technik der Convolutional Neural Networks (CNNs) wird dabei zunehmend von transformerbasierten Modellen abgelöst.
Ein prominentes Beispiel ist YOLO (You Only Look Once) für Echtzeit-Objekterkennung, um beispielsweise Markenlogos in Social-Media-Feeds zu identifizieren. Auch die Plattformen Apple Create ML, Google AutoML oder viso.ai mit Tools und Diensten für Computer Vision sind exzellent, um beispielsweise die Kundenanalyse durch visuelle Insights zu verbessern. Das Segment Anything Model (SAM) von Metas FAIR Lab ist eine vielversprechende Entwicklung im Bereich der Bildsegmentierung. Sie hat das Potenzial, die Industrie durch die Generierung hoch detaillierter Objekte zu beeinflussen.
Reinforcement Learning (RL) ermöglicht es Maschinen, durch Interaktion mit ihrer Umgebung zu lernen. AlphaGo von Google DeepMind nutzte RL, um menschliche Go-Champions zu schlagen, und OpenAI’s Five verwendete es, um koordinierte Strategien in einem Teamspiel zu entwickeln. Im Marketing kann RL zur Optimierung von Werbestrategien und zur Vorhersage des Kundenverhaltens eingesetzt werden, indem die effektivsten Taktiken durch Experimente ermittelt werden.
Während Generative AI und Interactive AI in ihrem Verständnis und ihren Fähigkeiten auf die speziellen Domänen beschränkt bleiben, für die sie programmiert wurden, strebt Artificial General Intelligence (AGI) danach, ein breites Spektrum von Aufgaben zu verstehen und auszuführen. Sie stellt das langfristige Ziel der AI-Forschung dar, eine Maschinenintelligenz zu schaffen, die in der Lage ist, jede intellektuelle Aufgabe auszuführen, die ein menschlicher Operator ausführen kann. Sie wird in der Lage sein, selbstständig zu lernen und sich an neue Aufgaben und Umgebungen anzupassen.
Obwohl die AGI ein spannendes und viel diskutiertes Konzept ist, befindet sich die Entwicklung derzeit (Stand 2023) noch im theoretischen oder experimentellen Stadium. Large Language Models (LLMs) wie GPT-4 werden als eine Annäherung an AGI betrachtet. Beim Few-Shot-Learning motivieren wenige Trainingsdaten zum “eigenständigen Weiterdenken”, während beim Zero-Shot Learning ohne Trainingsdaten Wissen aus verwandten Aufgaben und semantischen Informationen generiert wird. Beide Ansätze zeigen bereits beeindruckende menschenähnliche Fähigkeiten des schnellen Lernens durch Nutzung vorhandenen Wissens. Diese Techniken ermöglichen es der AI, effizient auf neue, unbekannte Daten zu reagieren.
„Wir könnten nur noch wenige Jahre, vielleicht noch ein Jahrzehnt, von AGI entfernt sein“, sagte der CEO von Google DeepMind, Demis Hassabis, auf dem Future of Everything Festival 2023 des Wall Street Journal. Die Entwicklung von AGI könnte in vielen Bereichen revolutionär sein, von der Automatisierung bis hin zur Lösung komplexer globaler Herausforderungen.
Wenn es um die Top 5 der Generativen AI (kurz: GenAI) für das Digitale Marketing auf der DMEXCO 2023 geht, belegten die Large Language Models (LLMs), und dabei allen voran ChatGPT-4, ganz klar den ersten Platz. Generative und Interactive AI ermöglichen aber auch ein neues MAß an
Personalisierung im Einkaufserlebnis der Kunden, im Recruiting und im Support, beispielsweise durch die neueste Generation von Chatbots. Eine im Mai 2023 von Statista veröffentlichte Umfrage zeigt, dass Personalisierung die Interaktionen deutlich verbessert und zu mehr Conversions führt.
Um die passende Generative AI für dein Unternehmen und deinen Workflow zu finden, solltest du den Einfluss auf deinen Geschäftserfolg und den Implementierungsaufwand berücksichtigen. Wie viel Zeit wird durch den Einsatz von Generativer AI eingespart? Was könnte so optimiert werden? Hätte das einen signifikanten Einfluss auf deinen Unternehmensalltag? Welche Kosten und welcher Aufwand stehen dem gegenüber?
Beachte aber auch, dass es nicht nur um Content und die Erstellung personalisierter Customer Journeys geht. Generative AI spielt auch in der Produktentwicklung und im Design eine entscheidende Rolle, indem sie hilft, schnell Prototypen zu erstellen und neue Designkonzepte zu erforschen. Durch die Bereitstellung wertvoller Einblicke in die Kundenpräferenzen kann GenAI Unternehmen dabei unterstützen, effektivere und ansprechendere Marketingstrategien zu entwickeln.
1. Content-Creation: Automatische Generierung von Texten, Bildern oder Videos für Marketingkampagnen. Beispiele: GPT-4 kann menschenähnlichen Text auf der Basis eingegebener Prompts erstellen. DALL-E-3 und DALL-E-4 können Bilder und Designs sowie Synthesia Videos generieren.
2. Personalisierte Werbung und Kundeninteraktion: Erstellung maßgeschneiderter Werbeanzeigen basierend auf den Präferenzen und dem Verhalten der Nutzer. Beispiele: Die GenAI-Tools von Meta und Google für personalisierte Werbekampagnen und GPT-4 für Chatbots.
3. Produktdesign: Entwurf von Produktprototypen oder Verpackungsdesigns mit GenAI-Tools. Beispiel: Adobe Firefly für generatives Design.
4. Social Media Management: Generierung und Veröffentlichung von Content auf Social-Media-Plattformen. Beispiel: Copy.ai für Content-Erstellung und -Veröffentlichung.
5. E-Mail-Marketing: Personalisierung von E-Mail-Kampagnen und automatische Erstellung von Betreffzeilen und Inhalten. Beispiel: Rytr für personalisierte E-Mail-Kampagnen
6. SEO und SEA: Optimierung von Inhalten für Suchmaschinen mit generativen Algorithmen. Beispiele: GPT-4 und Google Bard für On- und Off-Page-Optimierungen.
7. A/B-Tests und -Optimierung: Testen verschiedener Anzeigenversionen, Layouts und Designs, um die effektivsten Kombinationen zu identifizieren. Beispiele: GPT-4 für textliche Inhalte, DALL-E 4 für Bilder aus Textbeschreibungen und Vid2Vid für Videos aus Textbeschreibungen.
8. Zielgruppensegmentierung und Marktforschung: Analyse von Markt- und Kundendaten zur Vorhersage von Trends und Verbraucherverhalten. Beispiel: LaMDA zur Datenanalyse und Trendvoraussage.
9. Videoproduktion: Automatische Erstellung und Bearbeitung von Videomaterial für Marketingzwecke. Beispiel: DALL-E 4 für die Videoproduktion.
10. E-Mail-Assistenz: Generierung vollständiger E-Mails basierend auf Stichpunkten. Beispiel: HyperWrite für Mailgenerierung mit Extra Tonalität-Brainstorming-Funktion.
Salesforce nutzt generative AI, um neue Methoden zur Automatisierung von Marketingaufgaben zu entwickeln. Beispielsweise verwendet Salesforce generative AI, um personalisierte E-Mail-Kampagnen zu erstellen, die auf jeden einzelnen Empfänger zugeschnitten sind.
Adobe nutzt generative AI in seinem Firefly, um seinen Kunden Tools zur Verfügung zu stellen, die automatisch Bilder, Videos und Musik generieren können.
Das AI-Webradio bigGPT ist zu 100 Prozent GenAI mit synthetischen Stimmen. Die Trainingsdaten für die virtuelle AI-Audio-Moderatorin bigLayla basieren dabei auf den GPT-Modellen sowie auf Prompts von Redakteuren, die der AI tagesaktuelle journalistische Aufgaben für die aktuelle Berichterstattung und die Musikzusammenstellung geben.
Ein neues Tool der Handelsblatt Media Group (HMG) unterstützt Medienschaffenden beim Aufspüren von Trendthemen. HypeSignals nutzt Text Mining und Machine Learning und greift dabei auf verschiedene Datenpools zu. Es identifiziert Themen, die von Interesse sind, über die aber noch nicht viel geschrieben wurde. Auch das Handelsblatt selbst nutzt die Unterstützung von GenAI bei der Artikelerstellung.
Auf der Bundesgartenschau (BUGA) in Mannheim können Besucher mit einem interaktiven Arzt-Avatar Arztgespräche in ihrer Muttersprache führen. Für dieses Gemeinschaftsprojekt des Uniklinikums Marburg und make/c wird GPT als Basis genutzt und ein Video-Avatar erstellt, der sprachbarrierefrei agiert.
Auch wenn der Nutzen von Personalisierung durch AI im Marketing unbestreitbar ein großer Vorteil ist, kann ein Zuviel an Personalisierung als aufdringlich empfunden werden. Wie bei allem kommt es auf die richtige Balance an.
Die größten Unsicherheitsfaktoren, die noch gelöst werden müssen, sind jedoch ethische und rechtliche Bedenken. Wie werden Kundendaten genutzt und geschützt? Wie transparent sind Entscheidungen von künstlicher Intelligenz? Wie steht es um Fehler und Voreingenommenheit in AI-Systemen, die auf fehlerhaften oder voreingenommenen Daten trainiert wurden? Inwieweit wird das Urheberrecht gewahrt? Sind Werke von AI, die auf der Grundlage menschlicher Prompts erstellt wurden, urheberrechtlich geschützt? Regelungen und Gesetze sollen hier für mehr Sicherheit sorgen. Bisher (Stand Oktober 2023) gibt es nur einen Beschluss des Deutschen Bundestags, dass es ein solches Gesetz geben wird und eine Handlungsempfehlung der UNESCO zur Ethik folgt. Der rechtliche Bereich ist also noch eine Wildcard – eine Entwicklung, die Marketeers auf jeden Fall im Auge behalten müssen.
Das Potenzial von Generative AI und die vielen Einsatzmöglichkeiten im Marketing wurden auf der DMEXCO 2023 eindrucksvoll demonstriert. Marken können nun in Echtzeit auf Marktveränderungen reagieren, personalisierte Kampagnen in Massenproduktion erstellen und eine noch nie dagewesene Konsistenz in der Kommunikation gewährleisten.
Damit GenAI auch in deinem Unternehmen Zeit und Arbeit spart und Conversions steigert, brauchst du qualitativ hochwertige Daten, Wissen über deine Zielgruppe, klar definierte Aufgaben, die automatisiert werden sollen und natürlich das passende GenAI-Tool. Die Zukunft des Marketings ist spannend und wird allerlei Veränderungen bringen. Experten von Google Bard haben verraten, dass in den USA derzeit daran gearbeitet wird, Bard nicht mehr nur mit Google Drive zu verbinden, sondern auch mit Google Ads Konten. Dieser Artikel wurde zwar nicht von ChatGPT-4 und Bard geschrieben, aber beide haben mitgewirkt.
Seit fast 10 Jahren verbinde ich für Hanseranking meine journalistische Erfahrung mit modernem SEO. Das Ergebnis ist Content, der nicht nur hervorragend rankt, sondern auch echten Mehrwert bietet.
