Voraussetzungen und erste Erfahrungen zum Einsatz von KI im Verlag
Entscheidungsabläufe zu beschleunigen und zu automatisieren ist auch für die Auflagenplanung eine große Herausforderung, besonders bei der Planung von Erstauflagen. Wie Künstliche Intelligenz hier einsetzt, welche Voraussetzungen gegeben sein müssen und erste Erkenntnisse zum Einsatz von KI im Verlag erfahren Sie im aktuellen buchreport-Artikel “Erstauflagen planen mit Künstlicher Intelligenz“.
Sie wollen mehr über Pondus erfahren?
Lernen Sie PONDUS kennen und vereinbaren Sie einen unverbindlichen Präsentationstermin.
PONDUS Radar ist für den dpr award 2022 nominiert!
Wir von PONDUS freuen uns sehr über diese tollen Neuigkeiten: Das Projekt “PONDUS Radar” ist in der Kategorie “Prozess/Technologie” für den dpr award 2022 nominiert!
Der dpr award zeichnet Innovationen im Bereich des digitalen Publizierens aus. In verschiedenen Kategorien werden durch eine Jury aus Digitalexperten herausragende Projekte ausgewählt, mit denen Verlage/Publisher, Medienunternehmen und Dienstleister die digitale Transformation meistern. Im Fokus stehen neben Produkten auch Prozesse oder Geschäftsmodelle, mit Hilfe derer Verlage und Medienunternehmen ihre Inhalte publizieren. Die Preisverleihung des dpr awards 2022 findet am 5. Oktober im Vorfeld der Buchmesse statt. Weitere Informationen erhalten Sie auf der Webseite Shortlist dpr award 2022.
PONDUS steht für Innovation und bringt mit PONDUS Radar Künstliche Intelligenz in den Verlagsalltag. Die gemeinsam mit unserem Partner Ehrenmüller GmbH entwickelten KI-Prognosen liefern um bis zu 50% genauere Ergebnisse als die Schätzungen des Menschen. Die Prognosen sind in Workflows eingebunden und können unmittelbar in die Entscheidungen einfließen. Mehr über PONDUS Radar erfahren Sie hier.
Sie wollen mehr über Pondus erfahren?
Lernen Sie PONDUS kennen und vereinbaren Sie einen unverbindlichen Präsentationstermin.
Dr. Julia König hat die wichtigsten Begriffe rund um KI zusammengestellt:
Big Data: auch Massendaten genannt, ist ein Begriff, der sich auf Datensätze bezieht, die so groß und komplex sind, dass sie nicht-traditionelle Softwareanwendungen für die Datenverarbeitung erfordern, um sie richtig zu verarbeiten.
Data Mining: beschäftigt sich mit dem Erkennen von bisher unbekannten Strukturen und Mustern in Daten, die der Menschen nicht mehr durch herkömmliche Analysen erkennen kann, weil die Datenmenge zu groß und unübersichtlich oder die Abhängigkeiten innerhalb der Datenpunkte zu komplex sind.
Data Science: Ist ein interdisziplinäres Gebiet, das wissenschaftliche Methoden, Prozesse und Systeme zur Gewinnung von Wissen oder zum besseren Verständnis von Daten in ihren verschiedenen Formen umfasst.
Deep Learning: Teilgebiet des ML, bei dem mithilfe von sogenannten Neuronalen Netzen Probleme in Anlehnung an die Funktionsweise des biologischen Gehirns gelöst werden.
KI: Teilgebiet der Informatik, das sich mit der Erstellung von Systemen beschäftigt, die komplexe Probleme automatisiert lösen können, die ursprünglich von Menschen gelöst wurden. Schwache KI: System, das klar definierte Aufgaben lösen kann. Erkennt von selbst keine neuen Problemstellungen. Heutige KI-Systeme sind ausschließlich dieser Art von KI zuzuordnen. Starke KI: Kann universelle Probleme identifizieren und diese lösen und ist nicht nur auf eine Aufgabe spezialisiert. Dies wurde bisher nicht erreicht und es ist noch nicht verlässlich abzusehen, wann diese Stufe erreicht werden kann.
Künstliche neuronale Netze: Systeme zur Lösung von Aufgaben, deren Architektur und Funktionsweise an der des menschlichen Gehirns angelehnt ist.
Maschinelles Lernen (ML): Teilgebiet der KI. Entspricht der Generierung von Wissen aus Erfahrung, indem generalisierende Modelle basierend auf Beispielen erstellt werden.
Mean Absolute Error (MAE): ist eine statistische Messgröße, mit der man die Genauigkeit von Prognosen bestimmen kann, indem man die durchschnittliche absolute Abweichung der Vorhersagen von den Beobachtungen berechnet.
Mean Absolute Percentage Error (MAPE): ist eine statistische Messgröße, mit der man die Genauigkeit von Prognosen bestimmen kann, indem man die durchschnittliche prozentuale Abweichung der Vorhersagen von den Beobachtungen berechnet.
Modellvalidierung: Nach dem Training des Algorithmus wird mithilfe von Daten, die im Training nicht genutzt wurden (sog. Testdaten), die Güte des Algorithmus beurteilt, indem dessen Genauigkeit auf den Testdaten bestimmt wird.
Natural Language Processing: ist ein Teilgebiet der Künstlichen Intelligenz und der Linguistik, das sich mit der Interaktion zwischen Computern und menschlicher Sprache beschäftigt, um Schlüsse aus gesprochener oder geschriebener Sprache zu ziehen.
Objekterkennung: ist die Fähigkeit eines Computerprogramms, ein bestimmtes Objekt oder auch dessen optische Abweichungen vom Soll-Zustand in einer Sequenz von Bildern oder Videos zu identifizieren.
Overfitting: Ein KI-Modell ist beim Overfitting so sehr auf die Trainingsdaten angepasst, dass es nicht auf andere Datenbeispiele übertragbar ist und somit eine Verallgemeinerung auf die Realität nicht möglich ist.
Predictive Analytics: sind Prognosen, die von KI-Algorithmen getroffen werden.
Prescriptive Analytics: Von Prescriptive Analytics spricht man, wenn aus den Prognosen einer KI optimale Handlungsempfehlungen vorgeschlagen oder selbstständig getroffen werden.
Python: Ist eine Programmiersprache, die bei Anwendungen im Bereich von KI sehr häufig verwendet wird und die eine große Auswahl an Open-Source Bibliotheken bietet.
Testdaten: Daten, die ein trainierter Algorithmus noch nicht verarbeitet hat und mit deren Hilfe man die Güte des Algorithmus testet.
Trainingsdaten: Datensatz, mithilfe dessen ein KI-Algorithmus lernt.
Topic Modeling: Wenn Computersysteme durch probabilistische Modelle abstrakten Themen oder Schlüsselbegriffe in einer Rede, Text, Dokument oder einer anderen Form von natürlicher Sprache ableiten, spricht man von Topic Modeling.
Underfitting: Dabei handelt es sich um das Gegenteil von Overfitting. Das trainierte Modell ist zu generalisierend und weist deshalb eine große Fehlerrate bei Trainingsdaten und unbekannten Daten auf.
Überwachtes Lernen: Bei diesem Teilgebiet des ML bestehen die Trainingsdaten aus Merkmalsausprägungen und den richtigen Zielwerten, die vorhergesagt werden sollen (man spricht dabei auch von gelabelten Daten).
Unüberwachtes Lernen: Bei diesem Teilgebiet des ML liegen nur die Merkmalsausprägungen vor und es besteht kein A-Priori-Wissen über die Zielwerte. Ziel bei diesem Lernverfahren ist es häufig, Muster oder Gruppen in Daten zu erkennen (engl. Clustering).
Zeitreihenvorhersage: Eine Zeitreihe ist eine Folge von Daten, die zu bestimmten Zeitpunkten gemessen und chronologisch angeordnet werden. Für die Analyse dieser Zeitreihen werden Methoden verwendet, die bei ihrer Interpretation helfen und die es ermöglichen, repräsentative Informationen über die zugrunde liegenden Beziehungen zwischen den Daten der Reihe oder mehrerer Reihen zu gewinnen und die Daten für die Zukunft vorherzusagen.
About
Dr. Julia König ist Gründerin und Geschäftsführerin des KI-Unternehmens Ehrenmüller GmbH, das maßgeschneiderte KI-Lösungen für innovative mittelständische Unternehmen entwickelt.
Sie studierte Mathematik an der TU München und École Polytechnique in Frankreich und promovierte an der TU Hamburg im Bereich der Graphentheorie und Kombinatorik. Nach ihrer Promotion arbeitete sie zunächst als Data Scientist bei Sixt und Bosch und gründete 2018 das Unternehmen Ehrenmüller – https://www.ehrenmueller.ai/
Sie wollen mehr über Pondus erfahren?
Lernen Sie PONDUS kennen und vereinbaren Sie einen unverbindlichen Präsentationstermin.
Seit vielen Jahren unterstützt Pondus Verlage bei der digitalen Transformation. Mit Schnittstellen zu allen relevanten Quellsystemen und individuell konfigurierbaren Exportschnittstellen wird Pondus zur zentralen Informationsplattform und Datendrehscheibe im Verlag.
Die komplett internetbasierte Verlagssoftware ist intuitiv zu bedienen und optimiert damit die Prozesse und Workflows im Verlag. Durch die Integration von Künstlicher Intelligenz in die Prozesse ermöglicht Pondus unter dem Label Radar den Verlagen, bessere Entscheidungen zu treffen.
Was ist künstliche Intelligenz?
Künstliche Intelligenz ist ein Teilgebiet der Informatik. Sie beschäftigt sich mit der Erstellung von Systemen, die komplexe Probleme automatisiert lösen können. Dabei werden z.B. über maschinelles Lernen (machine learning) große Datenmengen (big data) ausgewertet, um Algorithmen zu trainieren, die klar definierte Aufgaben lösen können. Man unterscheidet zwischen starker und schwacher Künstlicher Intelligenz. Die heute existierenden KI-Systeme sind alle der schwachen Künstlichen Intelligenz (narrow artificial intelligence) zuzuordnen. Ihr erfolgreicher Einsatz hängt sehr von der Interaktion mit dem Menschen ab. Starke KI, die selbstständig Entscheidungen trifft, gibt es bislang noch nicht.
Business Intelligence für Verlage
PONDUS Radar liefert präzise und transparente Informationen für datengestützte Entscheidungen im Verlag. Von der Auslieferung bis zu Kassendaten, von Salesranks bis zu Social Media Monitoring. Ausgefeilte Schnittstellen, ein performantes Data Warehouse und aussagestarke Visualisierungen bilden die verlässliche Basis für permanente und umfassende Data Insights. Automatisch auf jedem Endgerät und vollintegriert in die Verlagssoftware. Business Intelligence für Verlage – bei Bedarf mit Unterstützung von Künstlicher Intelligenz.
Künstliche Intelligenz für Verlage
Künstliche Intelligenz hilft schon heute zahlreichen Unternehmen, Prognosen präziser zu treffen und die durch Fehlplanung entstehenden Kosten zu reduzieren. Mit PONDUS Radar ist das jetzt auch in der Verlagsbranche möglich. Books are different? Klar, aber auch Bücher müssen geplant werden: beim Umsatzbudget, beim Rechteeinkauf, bei der Auflagendispo.
Modularer Aufbau – Change Management in Etappen
PONDUS Radar ist modular aufgebaut und lässt sich intuitiv bedienen. Herzstück ist das performante Data Warehouse, das sich über zahlreiche Schnittstellen mit externen Datenquellen verbinden lässt. Darauf aufbauend werden verschiedene Module angebunden, die für unterschiedliche Anwendungsfälle konzipiert sind. So lassen sich von der täglichen Umsatzauswertung über Kundenreports bis zur KI-gestützten Produktionsplanung viele Workflows komplett digital und in einem System abbilden. Manuelle Arbeiten entfallen, die Datenbasis wird transparent und ein gemeinsames Verständnis über die aktuellen Zahlen entsteht: Missverständnisse können vermieden, Inselwissen aufgelöst und Fehlentscheidungen minimiert werden.
Keine Angst vor künstlicher Intelligenz
KI ersetzt nicht die menschliche Entscheidung, sondern hilft, sie zu objektivieren. KI kann unterschiedliche Ausstattungsvarianten kalkulieren, oder den idealen Preis finden. Mit KI lassen sich unbestechliche Absatzprognosen treffen und mit den menschlichen Schätzungen vergleichen. Das führt zu interessanten Einsichten und deckt verborgene Potenziale auf. Mit Künstlicher Intelligenz als Sparringspartner lassen sich bessere Entscheidungen treffen.
