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 sie diese Dinge entwickeln. Dass Computercode weiteren Computercode schreibt, ist längst kein futuristisches Konzept mehr, das gleichbedeutend mit der Inbetriebnahme von Skynet ist, und man muss keine rote Pille schlucken, um dessen Auswirkungen zu erkennen. KI ist heute eine greifbare, subtile und nahezu allgegenwärtige Kraft, die unsere täglichen Entscheidungen und Interaktionen prägt.

Von der sorgfältig zusammengestellten Auswahl unserer Musik-Playlists bis hin zur blitzschnellen Auswahl des nächsten Videos in unserem Feed, von den angenehm roboterhaften Stimmen in unseren Küchen bis hin zum 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 vollständigen Ersetzen der Notwendigkeit, diese Codezeilen überhaupt erst zu schreiben, zu nutzen, ist innerhalb von drei Jahren zu einer Grundvoraussetzung für Unternehmen an der Spitze der Softwareentwicklung geworden.

Auf der Grundlage des derzeit verfügbaren Fachwissens werden wir diesen Trend unter dem Gesichtspunkt der Suche betrachten und untersuchen, wie er sich bereits in der Fähigkeit großer Sprachmodelle manifestiert, die Relevanz und Absicht einer zugegebenermaßen hastig eingegebenen, manchmal kurzen und fast immer kontextlosen Suchanfrage zu beurteilen. Zwar sind Sucherlebnisse schon fast so lange ein zentraler Bestandteil dynamischer und nutzerorientierter E-Commerce-Erlebnisse, wie es den Begriff „E-Commerce“ überhaupt gibt, doch noch nie zuvor waren die Suchmaschinen hinter diesen einfachen Suchfeldern so gut darin, anhand weniger Wörter Verbraucher oder potenzielle Kunden mit minimalem Aufwand und Stress zu den für sie wahrscheinlichsten Kaufentscheidungen zu führen. Die Absicht eines Suchenden anhand so geringer Informationen zu erkennen, grenzt an Telepathie, doch dahinter verbirgt sich eine subtile Kunst und nicht wenig Wissenschaft.

Dieser Artikel zielt darauf ab, über die theoretischen Fragen „wann“ und „wo“ hinauszugehen, in denen KI (und insbesondere LLMs) eine Rolle im Sucherlebnis von Verbrauchern spielen können (die Antworten darauf lauten „jetzt“ bzw. „überall“). Im Folgenden liegt der Fokus stattdessen auf dem praktischen „Wie“. Es werden die neuesten Trends in der Zusammenarbeit zwischen KI und Mensch analysiert, ein strategischer Rahmen für den Einsatz von LLMs zur deutlichen Verbesserung der Entwicklungsarbeit vorgestellt und konkrete Code-Beispiele aufgezeigt – insbesondere aus den Bereichen Einzelhandel und E-Commerce, die dank des Einsatzes von LLMs hinter den Kulissen bessere Ergebnisse erzielen, und ganz konkret im Zusammenhang mit der schnellen und effektiven Umsetzung von Sucherlebnissen der nächsten Generation.

Was wir entwickeln werden

Schließlich erhalten Sie wahrscheinlich ständig Empfehlungen: Eltern, die Ihnen raten, Ihr Geld zu sparen; Schwiegereltern, die Ihnen vorschreiben, wie Sie den Rasen mähen sollen; Ihre Kinder, die Ihnen sagen, dass Sie dieses Wort nicht verwenden sollen. Wenn Sie bereits verstehen, worum es geht, können Sie gerne weiterblättern; wenn Sie jedoch eine formellere Definition wünschen: Emile Contal, Doktor der Statistik, definiert den Begriff der Personalisierung wie folgt:

„...die Inhalte werden anhand bestimmter persönlicher Variablen angepasst. Das können Ihre bisherigen Einkäufe in einem Online-Shop sein, Ihr Alter, Ihr Wohnort oder einfach das Gerät, das Sie gerade nutzen... Was ein Nutzer zu sehen bekommt, unterscheidet sich von dem, was ein anderer Nutzer zu sehen bekommt.“

Eine Empfehlung hingegen erfordert: „das Filtern einer Sammlung von Objekten auf der Grundlage des bisherigen Verhaltens eines Nutzers (typischerweise Vorlieben/Abneigungen oder Verhaltensverlauf). So betrachtet ist eine Empfehlung eine Form der Personalisierung.“ Manche mögen pedantischerweise argumentieren, dass eine Empfehlung zwangsläufig auf Personalisierung aufbauen muss, denn was sind Ihre bisherigen Einkaufs-, Klick- oder Surfgewohnheiten, wenn nicht persönlich? Vielleicht sind diese Daten sogar noch persönlicher als demografische Informationen. Andere, wie Contal, würden argumentieren, dass das Wissen über bisherige Aktivitäten und die für eine Empfehlung notwendige Historie allesamt Mittel zur Personalisierung sind. Auf jeden Fall ist klar, dass beide untrennbar miteinander verbunden sind, denn eine gute Empfehlung ist nicht allgemein gehalten. Deine Eltern raten jedem, Geld zu sparen, unabhängig von den Umständen, deine Schwiegereltern geben jedem die gleichen Ratschläge zur Rasenpflege und deine Kinder haben hoffentlich gelernt, dass Fluchen niemals in Ordnung ist. 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) mithilfe eines Algorithmus und von Filteroptionen generiert wird, basierend auf den bekannten Informationen über das Surfverhalten des Kunden auf der Website.