Mit Hilfe von Deep Learning Produkt-Empfehlungen aufwerten -
Bei Möbel Höffner konnte das User Engagement mit visuell ähnlichen Artikeln deutlich verbessert werden.
Die Technik hat Augen bekommen
Mit der Deep Learning Revolution haben Maschinen neue Fähigkeiten der sensorischen Aufbereitung erhalten. Dass computergestützte Bilderkennungssysteme heute schneller und besser eine Vielzahl von Objekten im Gewimmel erkennen können als die meisten Menschen, ist kein Geheimnis.
Wie groß aber die Schnittmenge zwischen visuell ähnlichen Produkten und tatsächlich vom fleißigen Benutzer betrachteten Produkten ist - gemessen an den Interaktionen in einer klassischen kollaborativen Filterung - hat uns dann doch überrascht. Womit nicht nur die Zahl der Klicks auf die empfohlenen Elemente nach oben getrieben werden konnte, sondern auch ein Problem des kollaborativen Filterns abgemildert werden kann: das Einfügen von neuen Produkten ohne Interaktionshistorie (Kaltstart-Problem).
Teile-Ganzes Beziehungen der Bilder werden erfasst
Nicht nur die Silhouette von Möbeln wird erfasst, auch kleinere stilbildende Details wie Möbelfüße, gesteppte Oberflächen und Feinstrukturen der Möbel werden zueinander in Beziehung gesetzt. Möglich macht dies die Filterung der Bilder durch die sogenannten Convolutional Neural Networks, die mit Hilfe von kleineren perzeptiven Feldern ein Bild abtasten und über tiefe Netze weiterpropagieren, so dass Teile-und-Ganzes-Betrachtungen möglich sind.
Stilbildende Details und kollaborative Filterung harmonieren
Bei den Produkten mit vielen Interaktionen - der Fat Tail - mussten wir viele Überlappungen herausfiltern, die sowohl vom kollaborativen Filter - also jenem Empfehlungssystem, das auf Benutzerverhalten beruht - als auch von der Deep Learning-unterstützten Engine entdeckt wurden. Trotzdem aber finden sich natürlich auch Produkte im Shop, die bisher seltener entdeckt wurden. Und auf dem Long Tail bilden stilähnliche Empfehlungen auf der Grundlage von visueller Ähnlichkeit eine echte Aufwertung der Customer Experience.
Agile / Rapide Entwicklung
Durch unsere im Team Data Science auf Agilität und Innovation ausgerichteten Prozesse entdecken wir kontinuierlich neue Möglichkeiten, die wir für unseren Kunden nutzbringend einsetzen können. Das Projekt konnte in kurzer Zeit realisiert werden: ein aufwendiges Training von tiefen neuronalen Netzen war nicht notwendig, da die bereits erhältlichen vortrainierten Modelle eine hinreichend gute Performance für diesen Use Case mitbringen. Vom ersten technischen Spike bis zum Einbau in die technologische Strecke vergingen nur wenige Tage.
