Code ersetzt Code

Der rasante Fortschritt der künstlichen Intelligenz (KI) hat nicht nur drastisch verändert, was und warum Technologen entwickeln, sondern auch begonnen, die Art und Weise zu verändern, wie Technologen diese Dinge entwickeln. Computer-Code, der mehr Computer-Code schreibt, ist kein futuristisches Konzept mehr, das gleichbedeutend mit der Inbetriebnahme von Skynet ist, und man muss keine rote Pille nehmen, um seine Auswirkungen zu sehen. KI ist heute eine greifbare, subtile und fast allgegenwärtige Kraft, die unsere täglichen Entscheidungen und Interaktionen prägt.

Von der subtilen Zusammenstellung unserer Musik-Playlists über die blitzschnelle Auswahl des nächsten Videos in unserem Feed bis hin zu den angenehm roboterhaften Stimmen in unseren Küchen und dem dunklen Fenster, das die Hausaufgaben unserer Kinder erledigt – der Einfluss der KI durchdringt unser Leben. Für diejenigen, die an der Spitze der Technologie stehen – CTOs und leitende Entwickler – stellt dieser Wandel sowohl eine Chance als auch eine Herausforderung dar. Die Fähigkeit, große Sprachmodelle (LLMs) sowohl als Mittel zum schnellen Schreiben oder Umschreiben von Code als auch als Mittel zum Ersatz des Schreibens dieser Codezeilen überhaupt zu nutzen, ist innerhalb von drei Jahren zu einer Selbstverständlichkeit für Unternehmen geworden, die an der Spitze der Softwareentwicklung stehen.

Basierend auf dem derzeit verfügbaren Fachwissen betrachten wir diesen Trend im Zusammenhang mit der Suche und wie er sich bereits in der Fähigkeit großer Sprachmodelle manifestiert, die Relevanz und Absicht einer zugegebenermaßen hastigen, manchmal kurzen und fast immer kontextlosen Suchanfrage zu beurteilen. Während Sucherfahrungen fast schon seit Beginn des E-Commerce ein zentraler Bestandteil dynamischer und nutzerorientierter E-Commerce-Erlebnisse sind, waren die Suchmaschinen hinter diesen einfachen Suchleisten noch nie so gut darin, nur wenige Wörter zu verarbeiten und Verbraucher oder potenzielle Kunden mit minimalem Aufwand und Stress zu ihren wahrscheinlichsten Käufen zu führen. Die Absicht eines Suchenden anhand so weniger Informationen zu erkennen, grenzt an Telepathie, aber es ist eine subtile Kunst und keine geringe Wissenschaft.

Dieser Artikel zielt darauf ab, über die theoretischen Fragen „Wann“ und „Wo“ hinauszugehen, wann KI (und insbesondere LLMs) eine Rolle bei der Sucherfahrung von Verbrauchern spielen kann (die Antworten lauten „jetzt“ und „überall“). Stattdessen konzentriert er sich auf das praktische „Wie“. Er analysiert die neuesten Trends in der Verflechtung von KI und Mensch, bietet einen strategischen Rahmen für den Einsatz von LLMs zur deutlichen Verbesserung der Entwicklungsbemühungen und liefert konkrete Code-Beispiele, insbesondere aus dem Einzelhandel und E-Commerce, die bessere Ergebnisse liefern, weil sie LLMs nutzen, und noch spezifischer, da diese Themen mit der schnellen und effektiven Umsetzung von Sucherfahrungen der nächsten Generation zusammenhängen.

Was wir bauen werden

Schließlich erhalten Sie wahrscheinlich ständig Empfehlungen: Ihre Eltern sagen Ihnen, Sie sollen Ihr Geld sparen, Ihre Schwiegereltern sagen Ihnen, wie Sie den Rasen mähen sollen, Ihre Kinder sagen Ihnen, Sie sollen dieses Wort nicht verwenden. Wenn Sie bereits verstehen, worum es geht, können Sie diesen Abschnitt überspringen. Wenn Sie jedoch eine formellere Definition wünschen, definiert Emile Contal, Doktor der Statistik, die Praxis der Personalisierung wie folgt:

„...der Inhalt wird auf Grundlage einiger persönlicher Variablen angepasst. Dabei kann es sich um Ihre bisherigen Einkäufe in einem Online-Shop, Ihr Alter, Ihren Wohnort oder einfach um das von Ihnen verwendete Gerät handeln... Was ein Nutzer sieht, unterscheidet sich von dem, was ein anderer Nutzer sieht.“

Empfehlungen hingegen erfordern: „das Filtern einer Sammlung von Dingen auf der Grundlage des bisherigen Verhaltens eines Nutzers (in der Regel Vorlieben/Abneigungen oder Verhaltenshistorie). So formuliert, sind Empfehlungen eine Form der Personalisierung.“ Manche mögen pedantisch argumentieren, dass eine Empfehlung notwendigerweise auf Personalisierung aufbauen muss, denn was sind Ihre bisherigen Einkaufs-, Klick- oder Sehgewohnheiten, wenn nicht persönlich? Vielleicht sind diese Daten sogar persönlicher als demografische Informationen. Andere, wie Contal, würden argumentieren, dass das Wissen über frühere Aktivitäten und die für eine Empfehlung notwendige Historie allesamt Möglichkeiten zur Personalisierung sind. In jedem Fall ist klar, dass beide untrennbar miteinander verbunden sind, denn eine gute Empfehlung ist nicht allgemein gehalten. Ihre Eltern sagen allen, sie sollen ihr Geld sparen, unabhängig von den Umständen, Ihre Schwiegereltern geben allen die gleichen Ratschläge zur Rasenpflege und Ihre Kinder haben hoffentlich gelernt, dass es niemals in Ordnung ist, zu fluchen. Gute Empfehlungen sind personalisiert. Dieser Blogbeitrag von Algolia definiert eine personalisierte Empfehlung im Rahmen der Website-Suche wie folgt:

... ein relevanter Vorschlag, der von einer Empfehlungsmaschine (auch bekannt als Empfehlungssystem) unter Verwendung eines Algorithmus und Filteroptionen auf der Grundlage der bekannten Aktivitäten des Kunden auf der Website generiert wird.