Artificial Intelligence, kurz AI, ist nicht erst seit ChatGPT in aller Munde. Maschinelles Lernen birgt für die IT-Branche ein riesiges Potential. Auch ITscope setzt auf Machine-Learning-Methoden.
Die Aufgabe: 7 Millionen Produkte kategorisieren
Durchschnittlich finden jeden Monat 100.000 neue Produkte von Distributoren und Herstellern aus ganz Europa ihren Weg in die ITscope-Plattform, Tendenz steigend. Damit jeder Kunde bei der riesigen Auswahl von über 7 Millionen Produkten auch genau das findet, was er sucht, werden alle Artikel einheitlich kategorisiert und einsortiert. Seit November 2022 werden die Content Manager von ITscope dabei von einem Machine-Learning-Modell unterstützt.
Der Algorithmus: Lernen von Datensätzen
Maschinelles Lernen, abgekürzt ML, ist eine Unterdisziplin von AI und erlaubt Computern, aus Datensätzen zu lernen und menschliche Entscheidungen nachzuahmen. Auf der ITscope-Plattform ist seit November ein Algorithmus im Einsatz, der Produktdaten selbstständig aufarbeitet. Bisher haben Content Manager die Produkte mittels hinterlegter Regeln kategorisiert und anschließend manuell überprüft. Der neue Algorithmus wurde mit den vorhandenen Daten trainiert und ordnet die Produkte weitgehend autonom zu oder schlägt passende Kategorien vor.
Über 7 Millionen Produkte von unterschiedlichen Herstellern und Distributoren sind in ITscope kategorisiert.
Die Realität: ML-Modelle brauchen Menschen
Also ersetzt die Künstliche Intelligenz bei ITscope jetzt die Mitarbeiter? Ganz so einfach ist es nicht: Denn auch wenn das ML-Modell einen hohen Prozentsatz an Produkten korrekt zuordnen kann, gibt es immer noch tausende Daten, bei denen die Kategorisierung nicht eindeutig ist. An diesem Punkt greifen unsere Content Manager wieder ein und beurteilen die Daten mit ihrem IT-Fachwissen. Von diesen Entscheidungen lernt wiederum das ML-Modell, das somit immer genauer wird. So sorgt die künstliche Intelligenz dafür, dass das Arbeitsaufkommen im Content Management trotz der stetig wachsenden Produktanzahl und ‑vielfalt konstant bleibt.
Das Vertrauen: Transparenz schaffen
Um sicherzustellen, dass der Algorithmus den Content Managern wirklich die Arbeit erleichtert, bekam ITscope Unterstützung von der Hochschule Ruhr-West: Jonas Deterding beschäftigte sich bei seiner Bachelorarbeit mit der Erklärbarkeit des Kategorisierungs-Modells durch Techniken der Explainable AI. „Akzeptanz und Vertrauen bilden zwei wichtige Aspekte, die den Einsatz eines ML-Modells sowohl unterstützen als auch verhindern können“, erklärt der Bachelorabsolvent. „Durch die Erklärbarkeit erlangt der Nutzer ein verbessertes Verständnis der Modellvorhersagen, sodass er diesen nicht blind vertrauen muss.“
Das Ergebnis: Effiziente Abläufe
Product Manager Jan Crommelinck ist von den Neuerungen der ITscope-Plattform überzeugt. „Der Algorithmus nimmt unseren Kollegen die leichteren Kategorisierungsaufgaben ab, sodass sie sich auf die komplexeren Fälle konzentrieren können. Auch eignet sich ML hervorragend, um bestehende Kategorisierungen zu prüfen und ggf. Fehler gezielt zu korrigieren.“, sagt er und freut sich auch über die Zusammenarbeit mit der Hochschule: „Jonas hat mit seiner Bachelorarbeit dafür gesorgt, dass die Entscheidungen der AI transparent werden, was unsere Arbeitsabläufe beschleunigt hat.“ Das zeigt sich auch in Zahlen: mit ML-Unterstützung ist jeder Content Manager fast doppelt so schnell gegenüber dem Vorjahreszeitraum ohne ML-Unterstützung.
