Mithilfe von KI mehr Market Intelligence generieren

Ein Interview mit Dr. Robin P. G. Tech von delphai

Dr. Robin P. G. Tech ist Geschäftsführer und Co-founder von delphai. Sein Unternehmen entwickelt Market Intelligence Software, die automatisch die neuesten Technologien und innovativen Unternehmen aus der ganzen Welt analysiert. Darüber hinaus ist Dr. Tech Forscher am WZB und MIT, Berater des Deutschen Bundestages über mehrere Ausschüsse hinweg, High-Tech-Koordinator beim Deutschen Startup Verband, Beirat von Blockchain for Science sowie Mitglied des Wirtschaftsbeirats von B90/ Die Grünen. 

Im Interview mit Gunnar Brune von AI.Hamburg erklärt Dr. Tech unter anderem wofür delphai Künstliche Intelligenz einsetzt, welche Formen der KI zum Einsatz kommen und wie die Kunden mit den gewonnenen Daten umgehen. Außerdem beschreibt er das Zusammenspiel zwischen Mensch und KI sowie die Ergebnisse, die aus dieser Teamarbeit entstehen.

Gunnar Brune/AI.Hamburg: Wofür setzen Sie bei delphai Künstliche Intelligenz ein?

Dr. Robin P. G. Tech: delphai ist eine Market-Intelligence-Software. Das bedeutet in unserem speziellen Fall, dass wir global Daten über Organisationen sammeln. Dazu setzen wir sogenannte Scraper- und Crawler-Programme ein. Das ist sehr ähnlich zu dem, wie Google seine Daten sammelt. D.h., diese Programme gehen “mit großen Netzen” durch das Internet und sammeln Daten. Google ist dabei natürlich an allem interessiert, wir “nur” an Organisationen. Wenn also einer unserer Crawler auf eine Event-Website geht, dann identifiziert er alle teilnehmenden Firmen, die die Konferenz besucht haben oder auf der Messe waren. Genauso machen wir dies mit Newslettern und mit Nachrichtenartikeln generell. Bis zu diesem Punkt werden dafür Suchroboter eingesetzt, die noch keine Künstliche Intelligenz nutzen.

Bei Nachrichtenartikeln kommt bei uns die erste Stufe unserer Künstlichen Intelligenz ins Spiel. Wir haben Algorithmen entwickelt, die automatisiert Texte dahingehend auslesen können, um welche Firma und um welches Thema es geht. Das kann z.B. ein neues Produkt, eine Akquise, eine Finanzierung oder ein anderes Thema sein. Aus der unstrukturierten Welt des Internet gewinnen wir so strukturierte Daten, die wir in Tabellenform ausweisen können. Ganz praktisch steht dann zum Beispiel in der ersten Zeile der Name des Unternehmens, in der zweiten Zeile der Standort des Headquarters usw. Mit diesen Ergebnissen fängt dann die nächste Stufe unserer Künstlichen Intelligenz an, die Organisationen und Unternehmen nach Industrien, Technologien und anderen Themen zu klassifizieren.

Gunnar Brune/AI.Hamburg: Welche Formen Künstlicher Intelligenz kommen bei dieser inhaltlichen Analyse von Texten zum Einsatz?

Dr. Robin P. G. Tech: Für jeden dieser Schritte setzen wir eigene spezifische Künstliche Intelligenz ein. Die Überführung von unstrukturierten in strukturierte Daten, die Klassifizierung von Unternehmen, das machen jeweils einzelne neuronale Netze, die genau dafür trainiert wurden, die können nichts anderes. Die meisten AIs, über die wir sprechen, sind „Narrow AIs“, die eine Sache richtig gut können. Meistens zumindest oder im Idealfall! Sobald man denen aber irgendeine andere Aufgabe gibt, dann sind sie komplett verloren. Für Textanalysen haben wir ein neuronales Netz, das speziell für die Identifikation von Produkten trainiert ist. Ein anderes neuronales Netz ist speziell auf Mergers & Acquisitions trainiert. Wenn man das eine auf den anderen Fall ansetzen würde, erhielte man keine sinnvolle Antwort.

Diese Arbeit erfolgt mit Künstlicher Intelligenz, die im supervised Learning trainiert wurde. Wir annotieren Daten, wir annotieren Text und bringen der AI bei, wonach sie Ausschau halten muss und soll. Den unsupervised Ansatz nutzen wir dort, wo Organisationen wenig Textdaten über ein Attribut produzieren. Man kann sich das gut vorstellen. Alle Organisationen haben Themen, über die sie viel und gerne sprechen. Firmen schreiben viel über Ihre Produkte und was sie alles toll machen. Aber, es gibt auch andere Themen, zu denen es vielleicht weniger zu erzählen gibt oder weniger kommuniziert werden soll. Trotzdem sind dies natürlich Attribute, welche die Firma hat. In diesen Fällen können wir dies nicht in den Texten annotieren und der AI zeigen, was wir suchen. Es gibt einfach zu wenig Material für supervised Learning, also muss die Künstliche Intelligenz selbst lernen. In solchen Fällen haben wir vielleicht Datensätze, dank derer wir von der Existenz eines Attributs wissen. Wir setzen dann verschiedene Modelle unsupervised ein und benchmarken die Ergebnisse mit dem, was wir schon wissen. Die Modelle, die dann untrainiert die richtigen Ergebnisse liefern, die behalten und verbessern wir. Das Gute an dem unsupervised Ansatz ist, dass wir der AI eben nicht sagen, wonach sie suchen soll, sie sucht die Auffälligkeiten selbst.

Gunnar Brune/AI.Hamburg: Sind diese AIs dann auch besonders wichtig für Ihr Unternehmen?

Dr. Robin P. G. Tech: Tatsächlich können wir anhand genau dieser AIs festmachen, wo wir einen Vorsprung haben. Ein schönes Beispiel ist der Bereich Natural Language Processing als Subkategorie von Künstlicher Intelligenz. Dieser hat in den letzten Jahren einen enormen Aufschwung gewonnen. Wir sehen dies an der Bedeutung, die Chatbots heute haben. Hier gibt es natürlich auch viel wissenschaftliche Aufmerksamkeit. Wir vergleichen unsere Ergebnisse mit denen der aktuellen Forschung, wie wir sie auf Preprint-Archiven wie „arXiv“ finden. Gerade bei dem unsupervised Ansatz in der Identifikation von Attributen von Unternehmen liegen wir in den Kriterien Accuracy, Recall etc. 6,5 Prozent über den Ergebnissen ganz neuer Preprints. Wir wissen daher, dass wir hier einen relevanten Vorsprung haben.

Weiterlesen!