Sie haben wahrscheinlich bereits von den Auswirkungen generativer KI-Technologien (GenAI) auf unsere Arbeitsweise und unsere Geschäftsabläufe gehört. Bei näherer Betrachtung der differenzierteren Auswirkungen dieser Technologie kommt jedoch eine eher technische Seite zum Vorschein.

Abgesehen davon, dass man mit GenAI in Sekundenschnelle einen Brief an einen Kunden oder einen Aufsatz über Abraham Lincoln entwerfen kann, hat KI-basierte Technologie auch die Möglichkeiten für Customer Journeys und Kundenbindung im E-Commerce-Bereich erheblich verändert.

Diese Technologie hat eine neue Welt wirkungsvollerer, sinnvollerer und personalisierter Online-Erlebnisse eröffnet und verwandelt das einst eintönige Einkaufserlebnis in eine vielfältige Palette innovativer und kreativer Interaktionen zwischen Händlern und Endnutzern.

Hinter den Kulissen treibt die KI eine Revolution in der komplexen Architektur und den Funktionen der Systeme voran, die das Online-Einkaufserlebnis sowohl im Frontend als auch im Backend des Computing-Stacks ermöglichen.

KI: Optimierung von Suchwerkzeugen und „dem Stack“

Unternehmen nutzen GenAI und große Sprachmodelle (LLMs), um die Suche und das Auffinden von Informationen zu optimieren. Die Technologie basiert auf komplexen Algorithmen des maschinellen Lernens, die in der Lage sind, riesige Datenmengen sehr schnell zu durchsuchen und zu strukturieren.

Dies wirkt sich auf die Art und Weise aus, wie Suchvorgänge durchgeführt werden, sowie auf die Gesamtgestaltung des Tech-Stacks, indem es die Art und Weise verändert, wie Informationen genutzt und zwischen verschiedenen Geschäfts- und Betriebsanwendungen ausgetauscht werden.

KI ist nicht nur ein wesentlicher Bestandteil der NeuralSearch-Suchmaschine von Algolia – die Integration von KI ist auch eines der Prinzipien, die den Übergang zur Headless-Architektur vorantreiben.

Dieser Ansatz erleichtert die Entkopplung ehemals monolithischer Systeme eines einzigen Anbieters in flexible, austauschbare und modulare API-basierte Anwendungen.

Inhaltsstandards

Da GenAI-gestützte Lösungen im gesamten Tech-Stack und an entscheidenden Kundenkontaktpunkten immer dynamischer und kreativer eingesetzt werden, ist die Bewertung und Aufrechterhaltung hoher Inhaltsstandards eine technische und ethische Priorität. Dies ist zudem eine strategische Notwendigkeit, da die Qualität von KI-generierten Inhalten direkte und nachhaltige Auswirkungen auf die Nutzerzufriedenheit, das Nutzerengagement, den Ruf der Marke und entscheidende Geschäftsergebnisse hat.

 

Generative KI: Was ist das?

Sich mit all den neuen Begriffen rund um KI vertraut zu machen, kann verwirrend sein. Schlüsselbegriffe wie „GenAI“ umfassen oft andere, parallel existierende, wichtige
Technologien wie große Sprachmodelle (LLMs), die nebeneinander und im Zusammenspiel funktionieren. Hier sind 15 Schlüsselbegriffe, die man im Zusammenhang mit künstlicher Intelligenz im Hinterkopf behalten sollte.

1. Generative KI (GenAI)
   Eine Form der künstlichen Intelligenz, die Inhalte wie Texte, Bilder und Code generieren kann, indem sie Techniken des maschinellen Lernens auf riesige Datensätze anwendet.
2. Große Sprachmodelle (LLM)
   KI-Modelle, die speziell dafür entwickelt wurden, menschliche Sprache zu verstehen und zu generieren. Diese Modelle werden anhand riesiger Mengen schriftlicher Inhalte trainiert, wodurch sie in der Lage sind, den Kontext zu verstehen und die Nuancen natürlicher Sprache zu erfassen.
3. Maschinelles Lernen (ML)
   Eine Form des automatisierten Lernens, der Anpassung und des Trainings durch Computer, bei der komplexe Algorithmen zum Einsatz kommen und aus großen Datensätzen Schlussfolgerungen gezogen werden. Neuronale Netze und Deep Learning sind Formen des maschinellen Lernens.
4. 
   zur Verarbeitung natürlicher Sprache (NLP) Ein technologisches System, das Text oder Sprache analysiert, interpretiert und darauf reagiert, sodass Menschen mit einer KI in normaler, alltäglicher menschlicher Sprache interagieren können.
5. Verzerrung
   Wenn die Ergebnisse eines KI-Modells unfaire oder voreingenommene Muster in den Trainingsdaten widerspiegeln, was zu potenziell verzerrten Ergebnissen bei zukünftigen Ausgaben führen kann.
6. Chunking
   Eine Methode, mit der große Sprachmodelle (LLMs) Antworten auf Suchanfragen in kleinere Segmente unterteilen, um sicherzustellen, dass der Inhalt angemessen und zuverlässig ist.
7. Data-Lake-
   Ein Speicherort, in dem große Mengen an Rohdaten und strukturierten Daten für die Abfrage im Rahmen von Big Data und maschinellem Lernen gespeichert werden können.
8. Emergent abilities
   Neue, unerwartete Fähigkeiten oder Verhaltensweisen, für die eine KI nicht direkt programmiert wurde.
9. Erklärbarkeit
   Verständnis dafür, wie ein KI-Modell Entscheidungen trifft. Erklärbarkeit ist für Vertrauen und Transparenz von entscheidender Bedeutung.
10. Halluzinationen
    Wenn eine KI aufgrund ungenauer Daten mit falschen oder irreführenden Informationen antwortet.
11. Inferenz
    Der Prozess, bei dem ein KI-Modell das während des Trainings Gelernte anwendet, um auf der Grundlage neuer Daten, wie beispielsweise einer Eingabeaufforderung, Vorhersagen zu treffen oder Ergebnisse zu generieren.
12. Ausgaben
    Die von einem KI-Modell generierten Ergebnisse, wie beispielsweise personalisierte Produktempfehlungen, die Antwort eines Chatbots auf eine Frage oder ein Bild, das anhand einer Textbeschreibung erstellt wurde.
13. Parameter
    Einstellbare Komponenten innerhalb eines KI-Modells, die bestimmen, wie sich ein Modell verhält, Daten verarbeitet, Muster lernt und Entscheidungen trifft. Ein KI-Modell passt seine Parameter während des Trainings kontinuierlich an, um Fehler zu minimieren.
14. Prompt
    Die vom Nutzer generierte Eingabe, die ein KI-Modell auslöst und die Erstellung von Ausgaben steuert. Zum Beispiel eine Frage, die Sie einem Chatbot stellen.
15. Trainings
    Wie das KI-Modell lernt, Aufgaben auszuführen. Das Modell wird mit großen Datenmengen gefüttert, um Muster zu erkennen, Vorhersagen zu treffen und Ergebnisse zu generieren.

 

GenAI und Suche

Wie können wir die Fähigkeit der generativen KI, Inhalte wie Texte, Bilder und Code zu erstellen, nutzen, um die Informationsarchitektur und das Flussmanagement im E-Commerce zu verbessern?

Einer der ersten Schritte besteht darin, die Technologie zu nutzen, um die Werkzeuge im Computing-Stack im Hinblick auf Klarheit, Relevanz und ethische Standards zu optimieren.

Um zu verstehen, wie das funktioniert, müssen wir den Suchvorgang in seine einzelnen Schritte zerlegen und untersuchen, wie Suchergebnisse und Produktbeschreibungen anhand der indizierten Daten generiert werden.

Algolias „NeuralSearch“ beispielsweise kombiniert Vektor-, neuronale und Stichwortsuche, um aussagekräftige Ergebnisse zu liefern. Mithilfe von maschinellem Lernen und künstlichen neuronalen Netzen erkennt es Muster in Wörtern auf der Grundlage ihrer Bedeutungen.

Die Technologie nutzt NLP, um die Suchanfrage eines Kunden präzise zu interpretieren. Anschließend werden mithilfe von KI und Vektorbearbeitung aussagekräftige Suchergebnisse aus einem Index mit Produktartikeln und -beschreibungen abgerufen und gereiht.

Eine weitere intelligente Ebene hinzufügen

GenAI erweitert das Verständnis des Suchprozesses und der Komponenten, aus denen sich der Rechenstack zusammensetzt, um eine weitere Ebene. Es optimiert Suchsysteme, indem es den „Content Lake“ aus indizierten Daten, auf den die Suchtechnologie zurückgreift, besser verwaltet.

Zudem ermöglicht es eine ausgefeilte Personalisierung und Produktbeschreibungen, die Unternehmen dynamisch an das Nutzerverhalten, Suchtrends und andere Echtzeitdaten anpassen können.

GenAI sorgt nicht nur dafür, dass der Data Lake gut organisiert und so eingerichtet ist, dass er optimale Ergebnisse liefert, sondern hilft auch dabei, Verzerrungen und „Halluzinationen“ einzudämmen, die die Suchergebnisse verfälschen können, indem es Informationen herausfiltert, die keinen Sinn ergeben oder anstößig sind.

Qualität von KI-Modellen und GenAI-Inhalten

Die Eigenschaften von KI-generierten Suchinhalten, wie beispielsweise einer Produktbeschreibung oder eines personalisierten Katalogs, hängen in hohem Maße von der Qualität von
des zugrunde liegenden KI-Modells und der Daten ab, mit denen es trainiert wurde.

Ein GenAI-System kann auf der Grundlage derselben Eingabe viele verschiedene Ergebnisse liefern. Deshalb ist es so wichtig, die Qualität und Leistung von KI-generierten Inhalten in einer Suchanwendung zu bewerten.

Was GenAI von anderen Technologien unterscheidet, ist, dass die von KI-Tools gesammelten umfangreichen Daten auch die Informationen liefern, die zur Bewertung dieser Systeme und zur Anpassung ihrer Leistung erforderlich sind. Die Möglichkeit, die Parameter von GenAI zu bewerten und anschließend anzupassen, erleichtert die Erzielung aussagekräftiger Ergebnisse, was letztlich die Nutzerzufriedenheit steigert und das Engagement erhöht.

 

Qualitätsbewertung: KI-generierte Inhalte

Dass KI auf der Grundlage derselben Eingabe viele verschiedene Ergebnisse generieren kann, ist ein Merkmal, das Experten für GenAI-Technologie als hohe potenzielle Variabilität der Ergebnisse bezeichnen.

Daher ist die Notwendigkeit, die Ergebnisse und die Bandbreite der Outputs zu bewerten, ein entscheidender Bestandteil jeder GenAI-Implementierung. Auf diese Weise lässt sich sicherstellen, dass die vom KI-System erstellten Inhalte relevant und korrekt sind und weder irreführend noch voreingenommen sind.

Systeme zur Generierung von KI-Inhalten können Echtzeit-Rückkopplungsschleifen nutzen, um die Ausgabe zu überwachen und anzupassen, wobei Systeme zur Inhaltsmoderation direkt in die GenAI-Implementierung eingebettet werden, während diese neue Inhalte erstellt.

Diese Systeme können zudem so konzipiert werden, dass sie vorhersehbare Ergebnisse liefern und die Erwartungen der Nutzer erfüllen, wodurch das Online-Erlebnis verbessert wird. Durch die Steuerung und Anpassung von Parametern sowie durch Training und Tests kann GenAI ein leistungsstarkes Werkzeug sein, um Geschäftsziele zu erreichen und zu übertreffen.

Erstellung und Bewertung von Inhalten

Bei der Bewertung von KI kommen sowohl quantitative als auch qualitative Kriterien zum Einsatz, um die Ergebnisse von GenAI zu filtern. Dadurch werden Fehlinformationen und „Halluzinationen“ eingedämmt, die zu Ergebnissen führen können, die sachlich falsch oder anstößig sind. Die Nutzer müssen das Vertrauen haben, dass die von der KI generierten Ergebnisse zuverlässig sind und dass das System transparent darüber ist, wie es funktioniert.

Ein effektives GenAI-System sollte es den Nutzern ermöglichen, die Ergebnisse durch anpassbare Einstellungen oder interaktives Feedback zu optimieren. Letztendlich fördert die Interaktion zwischen Nutzer und KI die Kreativität und passt die Ergebnisse an die individuellen Bedürfnisse des Nutzers an.

Quantitative Kennzahlen zur Bewertung von Gen-KI

Hier finden Sie eine Liste einiger wichtiger qualitativer Bewertungsinstrumente und -methoden, die zur Gestaltung der Ergebnisse von GenAI eingesetzt werden können:

• Bewertung der Lesbarkeit: Sind die von der KI generierten Inhalte für die Nutzer zugänglich und verständlich? Mit Tools wie dem Flesch-Kincaid-Lesbarkeitsindex lässt sich feststellen, ob das Leselevel für die Zielgruppe angemessen ist.

• Kognitive Belastung: Enthält der Inhalt komplexe Grammatik oder Sprache, die vereinfacht werden könnte, um ihn zugänglicher zu machen, die Nutzerinteraktion zu steigern und die Absprungraten zu senken? Generierte Inhalte lassen sich mit Tools wie Textstat bewerten, die dabei helfen, lange Sätze, Passivkonstruktionen und komplexe Wörter zu vermeiden.

• Stimmungs- und Moral-Analyse: Tools wie das AFINN-Lexikon, VADER oder TextBlob können die Stimmung in KI-generierten Inhalten überwachen und anpassen. Diese Tools tragen dazu bei, dass Antworten einfühlsam und freundlich klingen. Ressourcen wie das „Extended Moral Foundations Dictionary“ (eMFD) verringern die Wahrscheinlichkeit, dass KI-generierte Inhalte entstehen, die schädliche Stereotypen fördern oder gegen ethische Richtlinien verstoßen.

• Engagement-Kennzahlen: Diese bekannteren Daten sind nach wie vor äußerst nützlich und relevant. Sie ermöglichen es E-Commerce-Unternehmen, die Interaktion der Nutzer mit ihren Inhalten zu analysieren – beispielsweise anhand von Klickraten, Verweildauer auf der Seite und Absprungraten – und zu messen, wie effektiv die Inhalte die Aufmerksamkeit der Endnutzer fesseln.

 

Qualitative Bewertung – Was ist „Retrieval-Augmented Generation“ (RAG)?

Eine der weitreichendsten Auswirkungen generativer KI auf die Suche und Informationsgewinnung ist das Aufkommen der „Retrieval-Augmented Generation“ (RAG).

RAG bereichert Inhalte und macht sie für bestimmte Suchanfragen zugänglicher und relevanter, indem es die Gewinnung externen Wissens mit der Generierung von Inhalten verbindet.

Gleichzeitig dient es als leistungsstarker Mechanismus, um qualitative Bewertungskriterien auf Suchergebnisse im Rahmen der Suchabfrage, der Rangfolge und der Erstellung von Produktbeschreibungen anzuwenden.

Es nutzt Kennzahlen wie Treue und Kontextgenauigkeit, um zu messen, wie gut GenAI-Inhalte mit den Suchanfragen der Nutzer übereinstimmen. Der Prozess umfasst das „Chunking“, also die Aufteilung der Suchergebnisse in kleinere Segmente, um sicherzustellen, dass die Inhalte angemessen und zuverlässig sind.

Verbesserung der Benutzerfreundlichkeit von Inhalten

Wenn ein Nutzer eine Anfrage stellt, beschränkt sich das RAG-System nicht darauf, lediglich das bereits im LLM vorhandene Wissen zu nutzen. Stattdessen durchsucht es aktiv
eine Datenbank mit Dokumenten oder Inhaltselementen, um die relevantesten Informationen zu finden.

Die abgerufenen Inhalte werden anschließend wieder in das LLM eingespeist, das daraufhin eine Antwort generiert, die schlüssig ist und auf aktuellen, spezifischen Informationen aus den anderen Datenbanken basiert.

RAG ist eine leistungsstarke Methode zur Optimierung und Verbesserung der aus einer Vektordatenbank abgerufenen Inhalte. Das LLM bindet die Inhalte in eine zusammenhängende Antwort ein und bezieht dabei mehrere Quellen mit relevanten und verfügbaren Inhalten ein.

Gleichzeitig analysiert ein RAG-Bewertungssystem (RAGAS) die Treue zum Original und die Kontextgenauigkeit, um die Relevanz der Inhalte zu verbessern und personalisierte sowie aussagekräftige Ergebnisse zu liefern.

RAG stellt sicher, dass alle präsentierten, von KI generierten Informationen korrekt und im jeweiligen Kontext nützlich sind. Ganz gleich, ob die Eingaben von einem Vertriebsmitarbeiter stammen, der nach den neuesten Marketingmaterialien sucht, oder von einem Produktingenieur, der nach aktualisierten Spezifikationen sucht – RAG kann den Nutzer, dessen Verlauf und eine Reihe weiterer ausgewählter Variablen berücksichtigen, um wirkungsvolle GenAI-Inhalte zu erstellen.

 

Warum die Suche über den gesamten Stack hinweg wichtig ist

Da immer mehr Komponenten im Computing-Stack KI-Funktionen integrieren, entwickelt sich ein KI-Stack, der auf GenAI-gestützten Komponenten basiert, zum neuen Industriestandard.

KI-gestützte Funktionen werden zunehmend auf eine Vielzahl unterschiedlicher Komponenten verteilt. Wer komplexe, KI-gestützte E-Commerce-Plattformen aufbauen möchte, kann nun beim Aufbau seiner Headless-E-Commerce-Lösung aus einer Vielzahl verschiedener Anbieter zwischen LLMs, Orchestratoren, Überwachungs- und Cloud-Diensten wählen – die alle KI-gestützt sind.

Im Bereich der Suche wird GenAI bereits häufig eingesetzt, um Suchanfragen zu verstehen und Informationen aus der Datenschicht, auf die es zurückgreift, besser zu organisieren, zu pflegen und zu verarbeiten, um Ergebnisse abzurufen, zu bewerten und Produktbeschreibungen zu erstellen.

GenAI ermöglicht außerdem

• „Innovative deskriptive und generative Funktionen auf der operativen Ebene, die sich auf die Benutzererfahrung (UX) und die Benutzeroberfläche (UI) auswirken, sowie die Erstellung neuer Ressourcen wie personalisierter Einkaufsratgeber“
• Effizientere Automatisierung und Optimierung von Geschäftsprozessen auf operativer Ebene zur Verbesserung der Marketing- und Auftragsabwicklung$
• Bessere Verwaltung des Netzwerkverkehrs und der Nutzeranfragen durch die Auslagerung von Funktionen in der Datenschicht an LLMs, wodurch die Kapazitäten für den Datenverkehr und die Bereitstellung von Inhalten erhöht werden

 

Die Auswirkungen von GenAI auf die Wirtschaft

Wenn die Besucherzahlen sprunghaft ansteigen, die Umsätze jedoch nicht mit der Anzahl der Käufer Schritt halten, fragt sich ein E-Commerce-Händler möglicherweise, ob seine Nutzer die gewünschten Produkte nicht finden.

Zwar ist die Implementierung leistungsstarker GenAI-Lösungen ein wichtiger Bestandteil bei der Gestaltung des Online-Erlebnisses, das Nutzer heute erwarten, doch technisches Wissen ist nur ein Teil des Ganzen.

Neben der Aufrechterhaltung und Sicherstellung der Qualität der Inhalte sowie der Anpassung der Parameter zur Erzielung optimaler Ergebnisse ist es von entscheidender Bedeutung, zu prüfen, ob die Ergebnisse der generativen KI den Zielen und Erwartungen der Kunden entsprechen.

Zudem ist es unerlässlich, kontinuierlich zu überprüfen und sicherzustellen, dass das durch GenAI gestützte Such- und Entdeckungserlebnis mit den geschäftlichen Zielen und strategischen Vorgaben wie Markenvertrauen, Kundenbindung und betrieblicher Effizienz im Einklang steht.

Transparenz und Vertrauen schaffen

Eine der Kernaufgaben von GenAI-Entwicklern besteht darin, die Erwartungen der Nutzer zu gestalten und aufeinander abzustimmen. Die Nutzer möchten sich nicht von intelligenter Technologie unter Druck gesetzt oder
manipuliert fühlen.

Eine klare Kommunikation und gut gestaltete Benutzeroberflächen können Nutzern dabei helfen, sich ein realistisches mentales Modell davon zu machen, wie generative Systeme funktionieren. Indem man den Kunden eine Begründung für ein Ergebnis liefert und erklärt, wie eine GenAI-gestützte Plattform zu diesem Ergebnis gelangt ist, lässt sich dieses Vertrauen stärken. Hier sind einige Möglichkeiten, wie GenAI-Entwickler dies erreichen können:

• Stellen Sie neben einem Suchergebnis eine Seitenleiste bereit, in der die Ergebnisse auf der Grundlage eines früheren Kaufs erläutert werden.
• Den Benutzern die Möglichkeit geben, ein nummeriertes Suchergebnis neu zu ordnen
• Fügen Sie Erläuterungen zu den Ergebnissen hinzu, die Preisangaben für B2B-Kunden oder Produktempfehlungen für B2C-Kunden generieren.

Unternehmen sollten kreative Möglichkeiten nutzen, anstatt sich auf vorgegebene und deterministische Ergebnisse zu beschränken. Dieser Ansatz fördert das Vertrauen und sorgt für begeisternde und überzeugende Nutzererlebnisse.

 

Fazit: Integration von Algolia

Die Stärkung der Kunden durch den Einsatz einer auf GenAI basierenden Such- und Entdeckungsfunktion ist entscheidend, um Beziehungen zu neuen Kunden aufzubauen und tiefere Bindungen zu bestehenden Kunden zu pflegen.

Jede Gelegenheit, Ihre Online-Nutzer sinnvoll einzubinden, trägt dazu bei, dass sich das Online-Erlebnis weniger programmiert und dafür natürlicher anfühlt.

Algolia stellt Unternehmen die notwendigen Tools zur Verfügung, um das Kundenerlebnis zu verbessern und den Gewinn zu steigern.

Der E-Commerce steht vor großen Herausforderungen, wenn es darum geht, die Erwartungen der Zielgruppe hinsichtlich relevanter, korrekter und personalisierter Informationen zu erfüllen.

Mit hochmodernen, auf GenAI basierenden Tools und Technologien wie unserem GenAI-Toolkit können Teams innerhalb weniger Minuten von der Idee zur Produktion gelangen.

• Verbinden Sie Ihre bestehenden Algolia-Suchindizes mit führenden LLMs, um die KI-gestützte Textgenerierung in Ihrer gesamten Anwendung zu ermöglichen:
• Kombinieren Sie die Leistungsfähigkeit Ihrer Suchdaten mit einem LLM Ihrer Wahl, um intelligente und dynamische Anwendungen zu entwickeln:
• Verwandeln Sie Produktkataloge in dynamische, KI-generierte Einkaufs-, Kategorie- oder Vergleichsführer:
• Nutzen Sie das No-Code-Tool „Algolia Merchandising Studio“, um die Ergebnisse der KI an Ihre Markenstimme und Ihre Produktdetails anzupassen.

GenAI bietet eine leistungsstarke Lösung, die die Suche und das Auffinden von Inhalten optimiert. Es automatisiert die Erstellung von Inhalten, die auf verschiedene Zielgruppensegmente zugeschnitten sind, und ermöglicht so ein effizientes Informationsmanagement sowie eine verbesserte Architektur der Informationsflüsse.

Der GenAI-Ansatz von Algolia deckt den gesamten Tech-Stack durch eine Reihe innovativer Suchlösungen und -erlebnisse ab. Für versierte Führungskräfte bietet sich hier die Gelegenheit, ihren Tech-Stack zu optimieren und ihren Wettbewerbsvorteil auszubauen.