Von Suchbegriffen zu Gesprächen: Machen Sie sich bereit für die KI-gestützte Suche

Es ist schon eine Weile her, dass eine revolutionäre neue Technologie die Aufmerksamkeit der Welt so schnell und so stark auf sich gezogen hat. Doch am 30. November 2022 rückten alle ein wenig näher heran. An diesem Tag stellte OpenAI ChatGPT der Welt vor.

Mit 100 Millionen aktiven Nutzern im Januar stellte die Website einen Rekord als am schnellsten wachsende Nutzerbasis aller Anwendungen im Internet auf. Während die meisten Technologie-Themen selten länger als ein paar Tage in den Schlagzeilen bleiben, dominiert ChatGPT auch Monate später noch die Schlagzeilen.

Mittlerweile hatte jeder die Gelegenheit, mit dem Tool zu experimentieren und sich Gedanken über seine Funktionsweise zu machen. Alle haben sich selbst davon überzeugt, welch bemerkenswert flüssige, ausgefeilte und manchmal auch alberne Antworten es auf einfache Anfragen liefert. Das Ergebnis ist eine Flut von Ideen darüber, was diese Entwicklung bedeutet und wie Unternehmen sie nutzen können.

Dieses E-Book befasst sich mit dem Quantensprung in den Bereichen Künstliche Intelligenz (KI) und Natural Language Understanding (NLU), den Plattformen wie ChatGPT darstellen, sowie mit den Auswirkungen der sich aus diesen Entwicklungen ergebenden wichtigen Trends auf die Suchtechnologie.

Darin wird argumentiert, dass eine leistungsstarke Suche, wie wir sie kennen, längst kein Grundvoraussetzung mehr ist. Dank modernster KI und insbesondere der neuesten NLU-Innovationen werden Menschen und Unternehmen in der Lage sein, Dinge zu tun und Informationen zu entdecken – und zwar auf natürlichere Weise, schneller und präziser als je zuvor und mit bemerkenswerter Rechenleichtigkeit.

Diese Fortschritte stellen einen entscheidenden Wendepunkt dar und sind ein wesentlicher Bestandteil einer erfolgreichen digitalen Strategie. Sie haben weitreichende Auswirkungen – nicht nur auf die zukünftige Suche auf Websites, sondern auch darauf, wie wir im Internet surfen, suchen, Informationen konsumieren und online einkaufen.

 

Wie wir beim Verstehen natürlicher Sprache so weit gekommen sind

Mit Fortschritten wie ChatGPT scheinen Computer die menschliche Sprache zu verstehen und flüssig zu produzieren. Das ist keine Zauberei. Dahinter stecken Technologien, die als „Large Language Models“ und „Transformer“ bezeichnet werden.

Um die Bedeutung der jüngsten Fortschritte bei KI-gestützten Anwendungen im Bereich der natürlichen Sprache und der Suche zu verstehen, müssen wir einen Blick unter die Haube werfen und uns ansehen, wie sie funktionieren.

Gartner definiert KI als die Anwendung „fortschrittlicher Analyse- und logikbasierter Verfahren, einschließlich maschinellen Lernens, zur Interpretation von Ereignissen, zur Unterstützung und Automatisierung von Entscheidungen sowie zur Durchführung von Maßnahmen“. Natürlich kommt bei nicht jedem KI-Projekt natürliche Sprache zum Einsatz. Auch Bilderkennung und Robotik gehören beispielsweise zur KI.

Doch die natürliche Sprache ist das Mittel der Wahl für die menschliche Kommunikation. Sie ist unsere primäre Schnittstelle – sowohl mit Maschinen als auch in anderen Bereichen. Nahezu alle unsere digitalen Interaktionen finden in natürlicher Sprache statt. Gleichzeitig ist es für Computer schwierig, natürliche Sprache zu verarbeiten und zu verstehen. Wörter haben mehrere Bedeutungen, und diese Bedeutungen ändern sich je nach Kontext. Wörter wie „es“, „das“ und „dies“ sind ständig im Wandel und können sich innerhalb weniger kurzer Sätze auf viele verschiedene Dinge beziehen.

Für Menschen ist ein Satz wie „Verstehst du das?“ am Ende eines Absatzes wie diesem leicht zu verstehen. Computern fällt es hingegen viel schwerer, mit dieser Art von Mehrdeutigkeit umzugehen. Sie haben Schwierigkeiten, Lücken zu füllen, zwischen den Zeilen zu lesen und Schlussfolgerungen zu ziehen.

Der Teilbereich der KI, der sich mit diesem Problem befasst, wird als „Natural Language Processing“ (NLP) bezeichnet. Der Teilbereich, der sich darauf konzentriert, wie Computer von Menschen verfasste Texte verstehen, wird als „Natural Language Understanding“ (NLU) bezeichnet. Die beiden Fachgebiete NLP und NLU beschäftigen sich bereits seit Jahrzehnten mit diesen Problemen – dabei wurden beeindruckende Fortschritte erzielt, doch immer wieder stößt man an Grenzen.

Computer scheinen mittlerweile natürlichen menschlichen Text wirklich zu verstehen und können Antworten generieren, die vollkommen flüssig und verständlich, ja sogar durchdacht wirken. Die verbundenen Forschungsbereiche NLP und NLU haben gerade ihre bislang größte Hürde überwunden. Der Schlüssel zu diesem Erfolg liegt im maschinellen Lernen und in den großen Sprachmodellen (LLMs).

Vom Keyword-Matching bis hin zu LLMs

Die grundlegendste Methode, mit der Computer natürliche Sprache „verstehen“ – also verarbeiten – können, ist der Abgleich von Schlüsselwörtern. In diesem vereinfachten Modell entspricht ein Wort einem anderen einzelnen Wort. Tatsächlich versuchten einige der ersten KI-Modelle in den 1970er Jahren, die menschliche Sprache rückzuentwickeln und Wörterbuchdefinitionen für jede mögliche Texteingabe zu programmieren. Leider brachte diese Methode die NLU nicht sehr weit voran.

In der Zwischenzeit hat sich jedoch der Abgleich nach Stichwörtern als die wichtigste Methode für die Suche durchgesetzt.

Das ergab durchaus Sinn: Menschen neigen dazu, konkrete Begriffe wie Namen, Themen und Titel zu verwenden, um exakte oder relevante Treffer in Verzeichnissen zu finden. Es gab keine wirkliche Erwartung, dass Menschen mit Computern in derselben ungenauen Sprache interagieren würden, sollten oder könnten, die sie im Umgang mit anderen Menschen verwenden.

Heute verfolgt die KI-gestützte NLU jedoch einen völlig anderen Ansatz bei der Sprachverarbeitung. Anstatt Eins-zu-Eins-Entsprechungen zwischen Wörtern zu erfassen, haben Informatiker ein Modell entwickelt, das den Lernprozess im menschlichen Gehirn simuliert. Sie haben neuronale Netze aufgebaut und mithilfe von Deep Learning Algorithmen auf die lexikalischen Muster trainiert, die in der natürlichen Sprache vorkommen. Das Ergebnis? Kontextsensitive Large Language Models (LLMs), die auf riesigen Datenkorpora trainiert wurden und Milliarden von Parametern umfassen, um komplexe Zuordnungen zwischen Wörtern abzuleiten.

LLMs sind der Motor, der die heutigen sprachbasierten KI-Anwendungen antreibt, darunter auch ChatGPT von OpenAI. Dabei kommt ein spezielles LLM namens GPT zum Einsatz, kurz für „Generative Pretrained Transformer“.

Mit Transformatoren einen großen Sprung nach vorn machen

Nicht jedes LLM verfügt über die gleiche Leistungsfähigkeit und Ausgereiftheit. Nicht alle werden in gleichem Umfang mit derselben Menge an Textdaten trainiert. Nicht alle umfassen dieselbe Anzahl sorgfältig abgestimmter und gewichteter Parameter. Nicht alle nutzen dieselben zugrunde liegenden Algorithmen.

Die derzeit größten und leistungsstärksten LLMs basieren auf Transformern, einer neuronalen Netzwerkarchitektur, die 2017 von Google-Forschern entwickelt wurde. Transformer haben den Bereich NLP/NLU revolutioniert, indem sie mehr Rechenleistung nutzen, um semantische Beziehungen über wesentlich längere Textsequenzen hinweg zu verarbeiten. Sie richten ihre „Aufmerksamkeit“ auf wichtige Textstellen, um Probleme zu lösen, wie beispielsweise die Frage, was ein Wort wie „es“ bedeutet, wenn es sich auf etwas bezieht, das an einer viel früheren Stelle im Text identifiziert wurde.

Das LLM verarbeitet den eingegebenen Text und antwortet in Echtzeit, indem es erstaunlich genaue „Vermutungen“ darüber anstellt, wie das nächste Wort wahrscheinlich lauten wird. Es „versteht“ die Bedeutung des eingegebenen Textes zwar nicht wirklich, führt jedoch komplexe statistische Berechnungen auf der Grundlage von Petabytes an Trainingsbeispielen durch, um die wahrscheinlichen Beziehungen zwischen den Wörtern in diesem konkreten Fall zu bewerten.

Wie Stephen Wolfram erklärt, stellt er immer wieder dieselbe Frage: „Was sollte angesichts des bisherigen Textes das nächste Wort sein?“ Auf der Grundlage von Wahrscheinlichkeiten, die aus dem zugrunde liegenden Sprachmodell abgeleitet werden, fügt der Algorithmus das wahrscheinlichste nächste Wort ein, und so weiter und so fort.

Heutige LLMs sind nun in der Lage, aus größeren Textmengen den Kontext und die Relevanz zu ermitteln und präzise sowie natürliche Antworten in einer menschenähnlichen Konversationsform zu generieren. Dank Transformern lässt sich Spracheingabe effizienter und schneller parallel verarbeiten, wodurch sich LLMs leichter integrieren und für eine Vielzahl sprachbezogener Aufgaben, wie beispielsweise die Suche, einsetzen lassen.

Wie Sean Mullaney, CTO von Algolia, gegenüber Venture Beat erklärte:

„Große Sprachmodelle (LLMs) verändern die Funktionsweise von Suchalgorithmen grundlegend. Herkömmliche Suchmaschinen gleichen einzelne Wörter einer Suchanfrage mit den Wörtern in einem umfangreichen Inhaltsindex ab, erklärte er, doch LLMs verstehen die Bedeutung von Wörtern tatsächlich und können so relevantere Inhalte finden.“

Diese Fortschritte in der Datenverarbeitung haben die NLU exponentiell verbessert. Je mehr Textdaten ein Modell zum Training verwendet, desto mehr semantische Beziehungen stehen ihm zur Verfügung und desto genauer sind die lexikalischen Muster, die es verarbeiten, anwenden und reproduzieren kann.

 

Vektoren und der Aufstieg der Intent-Intelligence

Eine Innovation namens „Vektorsuche“ stellt einen enormen Fortschritt gegenüber dem Abgleich von Schlüsselwörtern dar. Sie ermöglicht es Computern, die semantischen Beziehungen zwischen Wörtern mithilfe von Statistiken und Wahrscheinlichkeiten abzubilden. Indem sie Verbindungen zwischen Wörtern herstellt, versteht sie, was Nutzer meinen, und erfasst wertvolle „Intent Intelligence“.

Verabschieden Sie sich von der „Null“-Suche. Selbst wenn ein Wort in einem Index nicht vorkommt, können Computer nun auf ihre zugrunde liegenden Sprachmodelle zurückgreifen, um eine passende Antwort zu liefern.

Die Entwicklung von Transformern führte Google und die KI zu einer weiteren entscheidenden Innovation: der Vektorsuchtechnologie, einer Methode, mit der Texteingaben mit Objekten in einem Index verknüpft werden, um die Informationsgewinnung auf eine Weise erheblich zu verbessern, die dem menschlichen Verständnis entspricht.

Es ist leicht zu erkennen, warum Vektoren entscheidend dafür sind, dass Computer natürliche Sprache verstehen können. Wie sollte ein Computer beispielsweise wissen, dass ein Nutzer, der „Espresso mit Milch-Ding“ eingibt, ein Küchengerät meint und nicht Kaffee oder Lebensmittel? Vektoren helfen dabei, indem sie Wort-Tokens in mehreren Dimensionen (n-dimensionalem Raum) darstellen und gruppieren, wobei diese Raum beliebig viele variable Attribute repräsentieren. Bei Suchanfragen werden diese in Vektoren umgewandelt und mit anderen Vektordarstellungen verglichen, indem der Abstand zwischen verschiedenen Attributen berechnet wird. Je näher die Übereinstimmung, desto genauer das Ergebnis.

Eine der größten Herausforderungen bei der herkömmlichen, stichwortbasierten Suche ist nach wie vor die „Null-Suche“: eine Suchanfrage, die überhaupt keine Ergebnisse liefert. Niemand möchte eine Frage stellen – sei es an eine Person oder an eine Website – und keine Antwort erhalten.

Stellen Sie sich folgendes Szenario vor: Ein Kunde besucht die Website einer Apotheke und gibt in die Suchleiste „Sauber werden, ohne meine Haut auszutrocknen“ ein. Während menschliche Leser ein allgemeines Verständnis dafür entwickeln, wonach der Kunde sucht, ist es für einen Computer schwierig, dies zu analysieren. Vor der Zeit der LLMs, Transformer und Vektoren hätte der Computer die Eingabe lediglich als Schlüsselwörter – „reinigen“, „Haut“ und „trocken“ – verarbeitet und dem Kunden nicht die gewünschten feuchtigkeitsspendenden Seifen angeboten. Heute ermöglichen die durch LLMs ermöglichten lexikalischen Muster es Computern, die richtigen semantischen Zusammenhänge herzustellen und selbst aus einer frei formulierten und eher ungenauen Suchanfrage den Begriff „Duschgel“ zu erschließen.

Während die KI dank großer Sprachmodelle (LLMs), der Transformer-Architektur und Vektoren rasante Fortschritte macht, baut sie ein Repertoire an lexikalischem Verständnis und Mustererkennung auf, das die Art und Weise, wie Menschen mit Computertechnologie interagieren, revolutioniert.

Früher gaben Nutzer feste oder eng gefasste Suchbegriffe ein, um konkrete Ergebnisse zu erhalten. Heute wissen Algorithmen so viel über die Semantik der natürlichen Sprache, dass sie selbst bei äußerst vielfältigen und vagen Eingaben genau erkennen können, wonach die Nutzer suchen. Die Nutzer müssen sich nicht mehr so sehr anstrengen, um zu definieren, was sie suchen. Computer verstehen ihre Absichten und kommen ihnen entgegen – ganz ähnlich wie menschliche Gesprächspartner es tun. Das Ergebnis ist ein Wendepunkt in der KI, da Computer nun die Absichtserkennung beherrschen.

Die Grenzen von Vektoren – außer für die Giganten

Zwar haben Vektoren in den letzten Jahren als technologische Entwicklung im Bereich NLP/NLU für großes Aufsehen gesorgt, doch kommerziell haben sie sich noch nicht durchgesetzt. Vektormodelle erfordern enorme Mengen an Trainingsdaten, umfangreichen (Festplatten-)Speicherplatz und rechenintensive Prozesse, die von teuren GPU-Prozessoren ausgeführt werden müssen. Diese Faktoren führen dazu, dass der großflächige Einsatz von Vektoren für die meisten Unternehmen mit enormen Kosten verbunden ist.

Für die meisten Unternehmen ist der großflächige Einsatz von Vektoren mit hohen Kosten verbunden.


LLMs von Technologiegiganten wie Microsoft, Google und OpenAI sind für den Einsatz im offenen Web konzipiert. Kleinere Unternehmen würden diese Erfolge gerne in einem für sie passenden Maßstab nachahmen, doch die Entwicklung und das Training von Modellen sind kostspielig und zeitaufwendig. Die Entwicklung einer Vektorsuche mit einem internen Entwicklerteam stellt eine besonders große Herausforderung dar. So benötigte Home Depot beispielsweise 13 Monate und ein Team hochqualifizierter Datenwissenschaftler, um eine selbst entwickelte, hochwertige Vektorsuchmaschine aufzubauen. Nicht jedes Unternehmen verfügt über die gleichen Ressourcen, die gleiche Zeit und das gleiche Budget.

Dennoch haben Vektoren die Büchse der Pandora geöffnet. Unternehmen aller Art sind begeistert vom Potenzial der „Intent Intelligence“ und suchen nach Wegen, diese für sich zu nutzen. 

Intent-Intelligence mit durchgängiger NLU

In der Zwischenzeit lassen alltagstypische Nutzer ihrer Entdeckungslust freien Lauf. Autoren – von Dichtern bis hin zu Drehbuchautoren – nutzen große Sprachmodelle wie ChatGPT, um Ideen zu sammeln, Geschichten zu entwerfen und neue Ausdrucksweisen zu finden. Studenten und Journalisten nutzen sie für Recherchen und zum Verfassen von Entwürfen. Die Menschen nutzen sie, um Urlaube zu planen, Einkaufstipps zu erhalten und ihre Lebensläufe zu schreiben. Manche nutzen sie sogar, um Code zu schreiben.

Für viele ist die bemerkenswert menschlich anmutende Persönlichkeit hinter den Sprachmodellen der größte Reiz. Sie sind neugierig, was sie zu sagen hat. Andere wollen einfach nur ein bisschen plaudern oder die Schnittstelle als Gesprächspartner für ihre Gedanken und Gefühle nutzen.

Es gibt auch Hilfsanwendungen. LLMs können die Navigation im Internet für Menschen mit Kommunikationsschwierigkeiten verbessern, indem sie beim Verfassen von E-Mails helfen und sofort präzise Beschreibungen von Videos und Bildern generieren.

Für Websites besteht ein immenses Potenzial zur Verbesserung des Kundensupports. Dank großer Sprachmodelle (LLMs) und Intent-Intelligence werden Chatbots und virtuelle Assistenten in der Lage sein, genau zu erfassen, wonach Website-Besucher suchen – schneller und präziser als je zuvor. Das Potenzial der Website-Suche ist wirklich unglaublich.

 

Einsatz von KI bei der Suche und Erkundung

Die Suche ist der erste und beste Bereich, in dem KI in jedem Unternehmen eingesetzt werden kann. „Intent Intelligence“ wird die Suchleiste in ein dialogorientiertes Tool verwandeln, doch damit die Suche effektiv ist, muss sie als Suchfunktion optimiert werden.

Es ist keine Überraschung, dass diese verblüffenden, fast schon natürlich anmutenden Fortschritte in der Computertechnik nun in erster Linie im Bereich der Suche zum Einsatz kommen.

Wenn Nutzer sich hinsetzen, um ein LLM wie ChatGPT zu erkunden, ist das Feld der Möglichkeiten ein leeres Suchfeld. Sie geben Eingabeaufforderungen ein und sehen, was zurückkommt. Sie stellen Fragen. Sie finden Informationen. Sie entdecken Neues. Die Nutzer interagieren mit der Technologie auf ähnliche Weise wie mit den bekannten Suchmaschinen, etwa Microsofts Bing, Googles Bing und KI-gestützten Tools wie Algolias NeuralSearch.

Mit Blick auf die Zukunft ist klar, dass „Intent Intelligence“ die Suchleiste in ein dialogorientiertes Tool verwandeln wird. Da Suche und Entdeckung mittlerweile die Speerspitze der KI bilden, liefern sich die Internetgiganten ein Wettrennen um die besten und natürlichsten Ergebnisse. Ein Google-Manager bezeichnete dies als einen „entscheidenden Moment“ für die Zukunft des Unternehmens.

Microsoft hat 10 Milliarden US-Dollar in OpenAIs ChatGPT investiert, um seine Suchmaschine Bing auf einem suchspezifischen Sprachmodell laufen zu lassen und so die Geschwindigkeit zu erhöhen und die Genauigkeit zu verbessern. Google hat kürzlich eine dialogorientierte KI namens Bard eingeführt, die auf LaMDA basiert, einem auf Dialogen trainierten Sprachmodell. Der chinesische Suchriese Baidu soll Berichten zufolge einen Dienst nach dem Vorbild von ChatGPT entwickeln, der in seine Suchmaschine integriert werden soll. Amazon investiert kontinuierlich in Such-KI und gibt öffentlich an, dass seine Suchfunktion monatlich zusätzliche Einnahmen in Höhe von 800 Mio. US-Dollar generiert.

Unbegrenztes Potenzial, wenn man es richtig angeht

Zwar ist die Suche der erste und beste Anwendungsbereich für KI in jedem Unternehmen, doch sind große Sprachmodelle (LLMs) in ihrer derzeitigen, offen gestalteten Form nicht die idealen Mechanismen für die Website-Suche. Da sie auf einen riesigen Korpus öffentlich zugänglicher Informationen zurückgreifen, können sie Fehler machen. Der Produktkatalog oder -index eines Unternehmens ist nicht Teil der Trainingsdatenbank. Für Unternehmen, die Präzision benötigen, reicht das nicht aus.

LLMs reagieren auf eingegebene Eingabeaufforderungen, doch die zurückgegebenen Antworten sind nicht so optimiert wie bei einer erstklassigen Suche. Sie können Empfehlungen nicht nach Relevanz ordnen oder Ergebnisse anhand früherer Suchanfragen, des Standorts oder der Präferenzen eines Nutzers personalisieren. Sie können keine Verbindungen zwischen verschiedenen Arten von Waren oder Dienstleistungen herstellen oder Produktempfehlungen nach dem Muster „Kunden, die diesen Artikel gekauft haben, kauften auch“ geben.

Suchwerkzeuge müssen zwar noch speziell für die Suche entwickelt werden, doch Lösungen der nächsten Generation werden sich vom Abgleich mit Suchbegriffen wegbewegen und stattdessen auf Intent-Intelligence basieren. Stellen Sie sich das als „Suche auf Steroiden“ vor. Dieser Fortschritt wird erhebliche Verbesserungen im Front-Office mit sich bringen und sich gut in neue, hybride Einzelhandelsmodelle wie „Online kaufen, im Laden abholen“ (BOPIS) integrieren lassen.

Stellen Sie sich einen Jogger vor, der ein suchoptimiertes LLM nutzt, um nach einem langen Lauf etwas zu trinken zu finden. „Ich muss nach einem 10-km-Lauf wieder Flüssigkeit zu mir nehmen“, könnte er in eine Suchleiste sprechen oder eintippen. Die Suche der nächsten Generation wird erkennen, dass diese Person nach Sportgetränken sucht, ohne dass eine Marke angegeben werden muss. Das Tool liefert eine Reihe von lokal verfügbaren Vorschlägen, die den Bedürfnissen des Läufers sofort gerecht werden.

Zukünftige Website-Besucher werden erwarten, dass Websites ihre Absichten erkennen und nahtlose sowie präzise Ergebnisse liefern – unabhängig vom Thema oder Bereich. Sie werden in allen Suchszenarien dasselbe Sucherlebnis erwarten, das sie von den Suchriesen und Marktführern wie Amazon, Instagram und Netflix gewohnt sind.

Um mit der Konkurrenz Schritt zu halten und sich der Suchkonversionsrate von Amazon in Höhe von 15 % anzunähern, müssen Unternehmen ihre Websites auf den neuesten Stand bringen. Die Suche muss weiterentwickelt werden, um mehr, besser und schneller zu arbeiten, und durch KI sowie Echtzeitdaten unterstützt werden, um die Möglichkeiten voll auszuschöpfen und die folgenden gängigen Suchszenarien abzudecken:

• Herausforderung bei der Suche: EinEinzelhändler wechselt seine Produktpalette häufig, um saisonalen und anderen Trends Rechnung zu tragen. Die Merchandising-Teams wissen nicht, welche Suchbegriffe die Nutzer verwenden werden, um diese Produkte zu finden. Das Erstellen von Synonymlisten ist mühsam, und die Aktualisierung der Suchindizes verlangsamt den Prozess, was möglicherweise zu Umsatzverlusten führt.
• KI-gestützte Lösung: Die Suchfunktion erkennt Suchabsichten automatisch – selbst bei langen, kreativen oder ungewöhnlichen Suchbegriffen, die keine exakte Übereinstimmung mit Produktnamen oder Produktkategorien aufweisen. So sparen Merchandiser Zeit und Kunden finden genau das, wonach sie suchen.
• Herausforderung bei der Suche: Ein Ersatzteilhändler verkauft Ersatzteile für alle Arten von Geräten, deren Produktbezeichnungen sich ständig ändern. Wenn Nutzer nach der Artikelnummer (SKU) suchen, erhalten sie exakte Treffer, doch wenn sie eine veraltete Produktbezeichnung oder Beschreibung verwenden, finden sie die benötigten Ersatzteile nicht.
• KI-gestützte Lösung: Nutzer beschreiben Produkte in natürlicher Sprache, die Suchplattform erkennt die Absicht und liefert die gesamte Palette der zu diesem Produkt gehörenden Teile.

Noch stärker auf KI setzen

Vielen Führungskräften in der Wirtschaft ist klar, dass fortschrittliche KI den Weg in die Zukunft in den Bereichen Geschäftsabläufe, Produktdesign, Kundenservice und vielem mehr bestimmt. Laut der „CIO and Technology Executives Survey 2022“ von Gartner gaben fast alle Befragten (96 %) an, dass KI entweder bereits Teil ihrer Implementierungspläne sei oder dass sie KI-Projekte initiiert hätten. Davon hatten 27 % KI-Techniken bereits implementiert (Gartner).

Eine aktuelle McKinsey-Studie hat gezeigt, dass Unternehmen, die am stärksten in KI investieren, sich einen Vorsprung gegenüber der Konkurrenz verschaffen. Mit großen Sprachmodellen (LLMs) und dialogorientierter Sprache haben die führenden Internetunternehmen bereits einen enormen Vorsprung. Ihre jüngsten Investitionen in KI machen deutlich, dass das durchgängige Verstehen natürlicher Sprache das neue Unterscheidungsmerkmal bei der Suche ist, um Umsatz und Wachstum voranzutreiben.

 

Wie geht es nun weiter?

Neural Hashing macht die neueste KI-Technologie für jedes Unternehmen zu erschwinglichen Kosten zugänglich.

Die Herausforderung für herkömmliche Unternehmen, die ein hervorragendes Such- und Entdeckungserlebnis schaffen möchten, besteht darin, dass Intent Intelligence zwar in greifbarer Nähe liegt, deren Nutzung jedoch in vielen Fällen mit unerschwinglichen Kosten verbunden sein kann.

Algolia hat eine neue Innovation entwickelt, die die Herausforderungen bei der Verarbeitung und Speicherung von Vektoren löst und dabei die gleichen Ergebnisse erzielt. Die firmeneigene Technologie namens „NeuralHashing“ erweist sich als bedeutender Fortschritt gegenüber herkömmlichen Vektoren. Es handelt sich um eine Technik des maschinellen Lernens, die das Vektorproblem aus rechnerischer Sicht vereinfacht und mehr als 90 % der Relevanz bei nur einem Zehntel der Speicher- und Verarbeitungskosten liefert.

Anstatt Vektoren an einen komplexen und ressourcenintensiven Vektorindex zu übermitteln, wandelt NeuralHashing diese in ein effizientes binäres Format – einen sogenannten Hash – um, speichert sie darin und verwirft die ursprünglichen Vektoren.

Neuronale Hashes sind Musik in den Ohren jedes CTOs. Sie lassen sich einfacher berechnen und effizienter speichern, sodass Unternehmen blitzschnell hochwertige Intent-Intelligence nutzen und gleichzeitig Rechenressourcen und Kosten einsparen können. Doch die Ressourcen sind nicht das einzige Anliegen. Damit Unternehmen KI-gestützte Intent-Intelligence optimal nutzen können, benötigen sie nach wie vor die Kontrolle durch das Geschäft und den Merchandiser. Sie brauchen eine Lösung, die sie selbst besitzen können.

Für Unternehmen ist es nun möglich, das aufmerksamkeitsstarke, dialogorientierte Erlebnis der LLM-gestützten Technologie als wesentlichen Bestandteil ihrer Unternehmensarchitektur nachzubilden. Als Teil der Plug-and-Play-Suchplattform von Algolia können Hashes nun Unternehmen aller Art dabei helfen, ein herausragendes Sucherlebnis zu schaffen und bereitzustellen.

KPI-Steigerung durch KI-gestützte Suche

Daten sind der Treibstoff, der KI-Algorithmen antreibt, darunter auch die KI-gestützte Suche. Die meisten Unternehmen erfassen bereits Ereignisdaten und Klickmuster aus den Interaktionen ihrer Nutzer – wonach diese zuvor gesucht haben, worauf sie geklickt haben, was sie in ihren Warenkorb gelegt haben und was sie gekauft haben. All diese wertvollen Datenströme lassen sich nutzen, um KI-gestützte Plattformen zu verbessern und das Sucherlebnis insgesamt weiter zu optimieren.

Eine Suchanfrage wie „Kristall-Türknäufe, die in einem viktorianischen Haus gut aussehen“ könnte eine Suchmaschine verwirren, die sich auf den Abgleich von Schlüsselwörtern beschränkt. 


Die KI-gestützte Suche versteht von Anfang an mehr. Durch Kundeninteraktionen wird das KI-Modell kontinuierlich verbessert, wodurch zukünftige Nutzer bessere Ergebnisse erhalten und das Nutzererlebnis auf der Website optimiert wird. Durch die Automatisierung wird vermieden, dass Zeit für die Einrichtung komplexer Sprachregeln und Ontologien verschwendet wird. Außerdem werden Backend und Frontend miteinander verbunden, um die Geschäftsergebnisse zu steigern und Merchandising-Maßnahmen effektiver umzusetzen.

Eine KI-gestützte Suche kann die Website-Kennzahlen erheblich verbessern – unabhängig davon, ob Datenwissenschaftler für die Entwicklung und Verwaltung des Projekts zur Verfügung stehen oder nicht. Mit solchen Lösungen, die sich bereits abzeichnen, können Unternehmen endlich die effektivste und umfassendste Suchlösung erhalten – und zwar in großem Maßstab und ohne ihr Budget zu sprengen.

 

Sich mit KI weiterentwickeln

Angesichts der derzeitigen Belastungen für die Weltwirtschaft fällt es selbst führenden Unternehmen zunehmend schwerer, ihre KPIs zu erreichen und die Tragfähigkeit sowie den Erfolg ihres Geschäfts zu sichern. Das gilt sowohl für E-Commerce-Shops als auch für stationäre Geschäfte.

Dennoch gehen Prognosen davon aus, dass die Ausgaben für KI-gestützte Systeme in diesem Jahr deutlich steigen werden. IDC schätzt, dass die Investitionen im Jahr 2023 154 Mrd. US-Dollar erreichen werden, was einem Anstieg von 26,9 % gegenüber 2022 entspricht. Angesichts dieser Schätzungen entstehen Opportunitätskosten, wenn man sich nicht an diesen Trends orientiert und wichtige Innovationen nicht vorantreibt.

Angesichts unserer aktuellen Lage und unserer zukünftigen Ausrichtung sind unter anderem folgende entscheidende Fragen zu berücksichtigen:

• Ist mein Unternehmen gut gerüstet, um in einer von KI geprägten Welt zu bestehen und erfolgreich zu sein?
• Wie kann mein Unternehmen die neuesten Fortschritte im Bereich NLP/NLU optimal nutzen und an der „Conversational Revolution“ in der Suche teilhaben?
• Verfüge ich über die Ressourcen, die Zeit und das Budget, um das Projekt intern zu entwickeln?
• Gibt es bereits Lösungen, die den Anforderungen der Organisation im Bereich Intent Intelligence gerecht werden?
• Wie kann ich das Beste daraus machen und den ROI maximieren?
• Welche Lösung lässt sich am schnellsten auf den Markt bringen und am einfachsten implementieren?
• Welche entscheidenden Funktionen sind für mein Geschäftsszenario wirklich wichtig?

Revolutionen finden nicht jeden Tag statt. Seit Alan Turing 1950 den ersten „Test“ für Computerintelligenz entwickelt hat, war NLU stets das große Ziel der KI. Nun, da wir miterleben, wie es Wirklichkeit wird, wird es immer stärker in unserem Leben verankert sein.

Unternehmen stehen vor einer Entscheidung: sich weiterentwickeln oder untergehen. Diejenigen, die sich für die Weiterentwicklung entscheiden – und zwar frühzeitig –, haben eine einmalige Chance. Sie können „Intent Intelligence“ nutzen und als Vorreiter ihre Such- und Entdeckungserlebnisse verbessern, was ihren Wettbewerbern zum Nachteil gereicht.

Richtig genutzt lassen sich diese Verbesserungen effizient und kostengünstig umsetzen, um die Prozesse zu optimieren und den Umsatz zu steigern. Unternehmen, die untätig bleiben, geraten ins Hintertreffen. Wer zögert, läuft Gefahr, noch weiter zurückzufallen.

Künstliche Intelligenz wird schon bald jedes einzelne Kundenerlebnis prägen. Ist Ihre Plattform bereit für diesen Wandel?

 

Über Algolia

Algolia ist die weltweit leistungsstärkste, API-orientierte Such- und Entdeckungsplattform. Mit der weltweit ersten hybriden Suchmaschine, die mithilfe der Neuralsearch-Technologie die Stichwort- und die vektorbasierte semantische Suche in einer einzigen API vereint, revolutioniert Algolia die Suche und Entdeckung weiterhin. Algolia ermöglicht es Entwicklern und Geschäftsanwendern, einzigartige, ansprechende und skalierbare Endnutzererlebnisse zu schaffen, um blitzschnell vorherzusagen, was Kunden wünschen. Wir bieten das beste Anwendungs-Browsing-Erlebnis, das derzeit auf dem Markt erhältlich ist.

Algolia ist Ihr Wegweiser durch die Welt der Inhalte und ermöglicht die Suche überall dort, wo Sie leben, arbeiten und Ihre Freizeit verbringen. Mehr als 17.000 Unternehmen vertrauen auf Algolia, um jährlich über 1,5 Billionen Suchanfragen zu verarbeiten, darunter Under Armour, Birchbox, Stripe, Slack, Medium und Zendesk. Algolia hat seinen Hauptsitz in San Francisco und Niederlassungen in New York, Atlanta, Austin, Paris, London, Bukarest und Sydney. Weitere Informationen finden Sie unter www.algolia.com.