Navigationsweiche Anfang

Navigationsweiche Ende

Lehrstuhl für Technologien und Management der Digitalen Transformation


Herr Univ.-Prof. Dr.-Ing. Tobias Meisen

Aktuelles

  • Forschungsprojekt mit Breinify: Was möchte der Kunde in Zukunft kaufen?
    Im Projekt untersuchen wir mit Hilfe von KI, was eine gute Empfehlung ausmacht? [mehr]
  • Neues Software-Framework Karolos: Steuerung von Robotern mit KI
    Das Training von Reinforcement Learning Agenten für Robotik leicht gemacht. [mehr]
  • Themenwoche Industrial Transfer Learning: Eine Videostory über Christian Bitter
    In unserer ersten Videostory stellen wir Euch Christian Bitter, Wissenschaftlicher Mitarbeiter am... [mehr]
  • Themenwoche: Industrial Transfer Learning
    Ihr seid herzlich eingeladen, unsere Forschungsgruppe ITL kennenzulernen. ITL steht für Industrial... [mehr]
  • Virtuelle Pinnwand als Ideen-Treffpunkt
    Haben Sie Lust, gute Ideen in smarte Mobilitätskonzepte umzuwandeln? Dann schließen Sie sich unserer... [mehr]
zum Archiv ->

Forschungsprojekt mit Breinify: Was möchte der Kunde in Zukunft kaufen?

Im Projekt untersuchen wir mit Hilfe von KI, was eine gute Empfehlung ausmacht?

Machine Learning-Enthusiast Hasan Tercan setzt sich zusammen mit seinen Kollegen Christian Bitter und Miguel Alves Gomes im Forschungsprojekt „Next-Generation Empfehlungssysteme auf Basis von Deep Learning“ mit modernen Empfehlungssystemen auseinander und sucht die „schlummernde Präferenz“ von Nutzern in Online-Shops. „Wir wissen, was die Nutzer im Moment interessiert. Der Knackpunkt ist abzuschätzen, worauf sie in Zukunft Lust haben könnten“, sagt Herr Tercan.

Im konkreten Projekt untersucht das Projektteam in Zusammenarbeit mit dem US-amerikanischen Start-Up Breinify Deep Learning-basierte Empfehlungsmodelle, die auf historischen Benutzeraktivitäten trainiert werden. Da es eine Vielfalt an Kunden und an Produkten gibt, stellt sich den Wissenschaftlern ein sehr komplexes Lernproblem. „Wir versuchen Ähnlichkeiten zwischen Produkten und Kundenverhalten zu identifizieren. Für unser Partnerunternehmen ist es natürlich sehr wichtig zu validieren, ob diese Empfehlungssysteme funktionieren. Daher setzen wir die Systeme auch im Produktivbetrieb ein und führen wir regelmäßige Live-Tests über mehrere Tage und Wochen durch. So können wir dann genau auswerten, welche Effekte unsere Empfehlungen erzielt haben“, erklärt Hasan Tercan. 

Daraus sollen individuelle Produktempfehlungen unter Berücksichtigung der vielfältigen Daten entstehen. Herr Tercan: „Die USA sind ein riesiges Land, da gibt es allein sehr große regionale Unterschiede im Kauf- und Nutzerverhalten, die wir alle berücksichtigen müssen, wie etwa unterschiedliche Feiertage und Ferienzeiten. Erst die Berücksichtigung all dieser Faktoren mache eine Empfehlung erfolgreich. Mit dem Forschungsprojekt sammeln die Wissenschaftler zudem auch wichtige Erkenntnisse für den Einsatz von Deep Learning Verfahren im realen und komplexen Produktivbetrieb.