Warum Deep Learning präzisere Adtech-Ergebnisse liefern kann

Ein Kommentar von Daniel Volož, Country Manager DACH RTB House

KI hat zielgerichtetes digitales Marketing erst möglich gemacht und mit jeder Weiterentwicklung werden die Ergebnisse treffgenauer. War bis vor kurzem noch Machine Learning (ML) die modernste Methode, um User-Entscheidungen vorherzusagen, hat dessen Weiterentwicklung Deep Learining (DL) die Herangehensweisen noch verfeinert und kann exaktere Ergebnisse erreichen.

Was aber genau ist der Unterschied zwischen diesen Technologien? Um Machine Learning von Deep Learning voneinander abzugrenzen, helfen die Definitionen:

• Machine Learning bezeichnet Algorithmen, die Daten analysieren, aus diesen Daten lernen und dann das Gelernte anwenden, um fundierte Entscheidungen zu treffen. Machine Learning erfordert allerdings noch die Beteiligung einer Person, die die zur Kategorisierung nötigen Definitionen liefert, die Daten interpretiert und überprüft, wie genau die Vorhersagen sind. Das bedeutet, dass Machine Learning auch nur so gut sein kann wie der Input und die Regeln, mit denen es von den menschlichen Benutzern „gefüttert wird“.
• Deep Learning ist der nächste Schritt in der Entwicklung, der es unnötig macht, dass Menschen die Regeln aufstellen. Das erledigen bei Deep Learning stattdessen neuronale Netze, die Daten und Vorhersagen überprüfen, interpretieren oder Algorithmen anpassen. Deep Learning kann darüber hinaus unvorhergesehene Situationen erkennen und darauf reagieren, mit denen die Benutzer nicht gerechnet haben.  Deep Learning scheint also tatsächlich zu “denken” zu “lernen” und “Entscheidungen zu treffen”.
  
  

Und welche Vorteile kann das für Programmatic Advertising liefern? Mit DL können selbst unterbewusste und nicht wissentlich gesteuerte Absichten der Nutzer erkannt und genutzt werden. DL arbeitet nicht nach Vorgaben, sondern lernt zielgerichtet aus allen gesammelten Daten, um die bestmöglichen Ergebnisse zu erreichen. Eine subjektive Beeinflussung wie etwa bei der Vorgabe von Business-Rules, die zwangsläufig Vorkategorisierung menschlicher Verhaltensweisen beinhaltet, findet nicht statt.

Die Vorteile von Deep Learning für die Zielgenauigkeit von Kampagnen lassen sich folgendermaßen zusammenfassen:

• DL lernt selbstständig und schreibt neue Regeln ohne Neuprogrammierung
• Keine regelbasierten Algorithmen nötig, die von Programmierern geschrieben werden müssen
• DL ermöglicht das Auffinden weiterer Verbindungen zwischen unterschiedlich großen Datenmengen (auch einige versteckte)
• Strukturierte / organisierte / kategorisierte Daten werden nicht benötigt
• DL erkennt Möglichkeiten in einer „chaotischen“, weniger vorhersehbaren Umgebung
  
  

Soweit die Unterschiede, aber welches KI-Modell ist wirklich für welche Anwendung besser geeignet? Klar ist, es gibt kein “one size fits all” Tool und das gilt auch hier. Allerdings ist Deep Learning besonders dann überlegen, wenn große Datenmengen verfügbar sind. Eine Anwendung, bei der Deep Learning eindeutig von Vorteil ist, sind beispielsweise Produktempfehlungen. DL-Algorithmen ermitteln mit jedem getätigten Kauf einen „Footprint“ mit welcher Wahrscheinlichkeit Kunden, die bestimmte Produkte betrachtet oder gekauft haben, auch andere bestimmte Produkte kaufen werden. DL lernt also aus dem Verhalten aller Kunden und kann darauf basierend bestimmte Waren vorschlagen, da Kunden mit ähnlichem Nutzerverhalten ebenfalls daran interessiert waren. Aber abgesehen von diesen Beispielen ist es nicht nötig DL und ML gegeneinander auszuspielen. Es geht vielmehr darum herauszufinden, was für ein Unternehmen und die anstehende Aufgabe das Beste ist.