TransPer: Transparente Personalisierung im E-Commerce

Transper_Bildquelle NaMaKuKi auf vecteezy

Im SDIL-Mikroprojekt “TransPer: Transparente Personalisierung im E-Commerce” werden Aspekte der Kausalität, Robustheit und Unsicherheit von KI-Anwendungen im industriellen Umfeld betrachtet. Spezifisch fokussiert sich das Projekt darauf, wie Produktempfehlungen im eCommerce-Bereich transparenter gestaltet werden können, um eine bessere Kundenzufriedenheit zu erreichen und die Einhaltung rechtlicher Vorgaben zu gewährleisten.

Projektziele

Für viele mittelständische Unternehmen ist der Online-Shop das zentrale Kommunikationsmittel zu Kunden. Produktvorschläge sind dabei eine gängige Form der Personalisierung, die zur Steigerung des Umsatzes und der Kundenzufriedenheit führen. Die Vorschlagssysteme, wie sie für Online-Shops heutzutage eingesetzt werden, basieren in der Regel auf maschinellen Lernverfahren, bei denen anhand der gespeicherten Historie von Nutzern und ihrem Verhalten Empfehlungen für einzelne Nutzer abgeleitet werden (collaborative filtering). Methodisch kommen insbesondere tiefe neuronale Netzwerkarchitekturen zum Einsatz. Diese haben jedoch den signifikanten Nachteil, dass sie per se nicht transparent sind und es für den Endanwender nicht möglich ist, zu erkennen, warum ein neurales Netz eine bestimmte Entscheidung getroffen hat.

Gemäß den Leitlinien der Europäische Union und der Deutschen Bundesregierung hinsichtlich des Einsatzes von künstlicher Intelligenz werden in Zukunft jedoch Transparenz- und Erklärbarkeitskomponenten hinsichtlich der Personalisierung notwendig. In diesem Projekt wird daher ein Framework zur Erklärbarkeit von Produktvorschlägen am Beispiel des Personalisierungsservice von econda konzipiert, implementiert und evaluiert. Um die Einsatzmöglichkeiten von Methoden zur Erklärbarkeit anhand mehrerer Use Cases zu evaluieren, werden Modelle und Daten von econda-Kunden genutzt.

Projektergebnisse

TransPer verwendet neuartige, auf schichtweiser Relevanzausbreitung basierende Erklärungsmaße und kann mit heterogenen Daten und komplexen neuronalen Netzwerkarchitekturen umgehen, wie z. B. Kombinationen mehrerer neuronaler Netzwerke in einer größeren Architektur. Wir wenden unseren Rahmen auf zwei reale Online-Shops an und bewerten ihn. Wir zeigen, dass die von TransPer bereitgestellten Erklärungen dazu beitragen, (i) die Vorhersagequalität zu verstehen, (ii) neue Ideen zur Verbesserung des neuronalen Netzes zu finden, (iii) den Online-Shops zu helfen, ihre Kunden zu verstehen, und (iv) rechtliche Anforderungen wie die von GDPR zu erfüllen.

Nächste Schritte

Die Ergebnisse aus dem Projekt bereiten für die econda GmbH die Basis, um Transparenzmechanismen bei Bedarf in Online-Shops und in Zukunft Aspekte von transparenter Personalisierung weiter zu betrachten, um insbesondere auf zukünftige regulative Anforderungen reagieren zu können.