Ich würde sagen, startet doch gerne mal durch, damit wir ein bisschen die verlorene Zeit zurückgewinnen und uns gleich in der Q&A noch einmal eurer Session widmen können. Ich wünsche euch viel Spaß und dann bis gleich. Machen wir so. Danke, Christoph. Gut, dann starten wir mal. Thema brauchen wir gar nicht mehr groß vorlesen. Uns brauchen wir auch nicht mehr vorstellen. Das hat der Christoph schon so toll gemacht. Ähm, wie gesagt, uns brauchen wir nicht vorstellen, aber mal ganz kurz die Firma, für die wir hier sind, wird keine Werbeveranstaltung. Deswegen gibt es da keine Slides zu. Nur mal ganz kurz auf der Tonspur. Wir sind von der Firma eggheads. Eggheads ist ein Softwarehersteller im Bereich PIM-Systeme, Product Information Management, also Systeme, wo ich zentral meine Produktdaten verwalten kann und die dann in ganz viele Vertriebskanäle, Amazon, eigener Webshop und ähnliches ausspielen kann. Das ist so der Kern. Da machen wir Standard-Software in dem Bereich, die die normalen PIM-Use-Cases erledigen können, aber wir haben auch ein Track, den maßgeblich der Kai leitet – deswegen ist er heute auch mit mir hier drin –, wo wir uns innovative Themen kümmern und das ist in den letzten zwölf Monaten – wir haben ja gerade einen einjährigen Geburtstag von GPT – sehr, sehr stark das KI-Thema. Und dieses KI-Thema haben wir auch mitgebracht und wollen euch heute – ich gehe mal kurz auf die Agenda rüber – ah, ein bisschen was davon zeigen. Der Kai fängt in seiner Funktion, der das Ganze richtig gut versteht, mal an, so ein bisschen die Theorie dahinter zu erklären, dass wir alle noch mal so ein bisschen abgeholt sind. Was ist denn das eigentlich das Besondere an diesen Large-Language-Models und wie kann das dann vielleicht später helfen, mit Produktdaten übernehmen? Im zweiten Teil und zeige einfach mal einen kleinen Selbstversuch, wo ich erst mal einfach einen Chat mit Schipping und Co. versucht habe, wie man im PIM-Umfeld sinnvoll KI einsetzen kann. Und das haben wir quasi als initialen Input genommen und bei uns in die Entwicklung reingesteckt. Und im letzten Teil übernimmt dann der Kai wieder und zeigt dann auch hier ein paar Prototypen, wo wir dann mal sehen, was damit schon heute Tolles alles möglich ist. Das ist so ein bisschen unsere Agenda, die wir jetzt mal im Einzelnen durchgehen, die drei Teile. Kai, du kannst mit dem ersten Teil gerne anfangen. Das mache ich doch gerne. Vielen Dank. Ähm, ich muss-- ich bin vertraglich verpflichtet, erst mal den Witz zu bringen. Ich heiße Kai, also bin ich natürlich sowohl für KI als auch für AI perfekt vorbereitet, weil das schon in meinem Namen drinsteckt. Wir gucken uns jetzt ein bisschen Theorie an. Also keine Angst, wir machen jetzt einen ganz schnellen Crash-Kurs, damit man dann nachher auf Partys auch mal mitreden kann, wenn es Tokens, Embeddings und Large-Language-Models allgemein geht. Large-Language-Models, wir kennen es alle. ChatGPT hat jeder schon mal mitgearbeitet. Man gibt irgendeinen Text ein, der Computer denkt einmal drüber nach und gibt uns dann einen Ausgabetext raus. Das sind alles Modelle, die jetzt von ganz vielen Firmen gepusht werden. Wir haben das Ganze basierend auf dem Bird-Modell von Google, was irgendwann kam, aber aktuell sind wir natürlich auf so Sachen wie GBT-354 unterwegs von OpenAI. Wir haben Lama, also Lama 2 eigentlich von Facebook. Wir haben Palm von Google, das hinter Bart steckende System. Wir haben Amazon, Titan und so weiter. Wir haben ganz viele Sprachmodelle, die alle auf ganz großen Textkörpern trainiert wurden. Das heißt, man nimmt sich irgendwelche Daten aus dem Internet, zum Beispiel Wikipedia oder irgendwelche großen gecrawlten Textdatenbanken wie Common Core und so weiter, und kriegt dann da Trainingsdaten, mit denen man dann sehr komplexe neuronale Netze antrainiert. Bei GPT-3 wissen wir, dass da sechsundneunzig Schichten sind, die insgesamt etwa hundertfünfundsiebzig Milliarden Parameter haben. Bei GPT-4 wissen wir es, glaube ich, immer noch nicht, aber man schätzt, dass es so etwa die zehnfache Menge davon ist. Und die müssen natürlich erst mal irgendwie trainiert werden, diese Billionenparameter, die wir da haben. Das kann man nicht mehr irgendwie mit menschlichem Feedback direkt machen. Man kann, aber das Ganze selbstlernend machen und am Ende noch mal das Ganze ein wenig feintunen. Das ist bei ChatGPT eigentlich so das Erfolgsrezept gewesen, um das so gut hinzumachen, wie es heute ist. Eigentlich nutzt man diese LLMs primär für Textgenerierung, aber theoretisch sind das Daten, die da reingehen. Das heißt, man kann genauso gut auch Bilder, Video oder Audio damit generieren und das wird ja auch sehr erfolgreich gemacht. Was man immer bedenken muss: Alle Modelle, die wir hier in der LLM-Gruppe haben, die haben immer eine beschränkte Erinnerungsfähigkeit. Das sind immer, ähm, eine Menge von Tokens. Was Token sind, gucken wir uns noch mal gleich an. Zuerst gucken wir uns aber mal von ganz (lacht leise) unten an, was genau ist eigentlich ein neuronales Netz und wie kommen wir vom neuronalen Netz zur Transformer-Architektur, die hinter dem ganzen her steckt? Als erstes ein Neuron. Man nehme ein handelsübliches Gehirn, wie man es zum Beispiel in einem Eckez-Mitarbeiter findet, und guckt da rein und findet dann eine Menge Neuronen da drin. Das sind erst mal einfach nur Zellen, die mit anderen Zellen irgendwie vernetzt sind und da kommen dann über die Nerven irgendwelche Stromimpulse rein. Diese Reize, die überschreiten dann irgendwann eine gewisse Aktivierungsschwelle in diesem Neuron und dann fängt das an, von sich aus wieder Ionenkanäle zu öffnen und selbst Stromstöße an andere Zellen weiterzuleiten. Und das Ganze kann man wunderbar in ein mathematisches Modell überführen. Keine Angst, es wird jetzt hier nicht richtig mathematisch, aber wir sehen schon hier, man könnte im Prinzip diese Verbindung zu den anderen Zellen als Gewichte hier darstellen, als Zahlen. Manche sind ziemlich gut miteinander vernetzt, manche sind schlecht vernetzt, manche sind sogar eher hemmend. Wenn da Strom kommt, dann, äh, zündet das Ding nicht. Und wenn jetzt irgendein Eingangswert von draußen kommt, dann multipliziert man das einfach mit diesem Gewichtsvektor, kriegt dann eine Summe dann am Ende dann raus, die wir dann irgendwie in einen Ausgangswert umrechnen. Das haben wir jetzt für eine Zelle gemacht. Wir können aber auch viele zusammenschließen und kriegen dann, ähm, ja, das, was wir als ein neuronales Netzwerk bezeichnen. Und, ähm, ja, davon gibt es sehr viele verschiedene. Man kann auch Werte, die aus einer, äh, einem Ergebnis rauskommen. In einem Lauf kann man die im nächsten Lauf wieder zurück in eine vorherige Schicht geben und kann das Ganze dann quasi mit einem Zeitgedächtnis versehen. Man kann die Dinger sehr groß machen. Das ist eigentlich das, was hinter den Large-Language-Models steht. Deshalb das „Large". Also je größer die Netze dann werden, desto komplexere Sachen kann man damit machen. Es gibt spezielle Netze, wie hier zum Beispiel Deep Convolutional Networks, die sind zum Beispiel zum Bildklassifizieren sehr gut geeignet. Entspricht so ein bisschen dem Sehnerv im Auge. Viele Sehzellen werden über den Sehnerv ins Auge weitergeleitet und dann kann das Auge da irgendwelche Dinge erkennen.Oder die GUN Architektur. Damit kann man mehrere Netzwerke gegeneinander antreten lassen, zum Beispiel Bilder zu generieren. Das war vor dem ganzen Stability und so war das eigentlich der Weg, den man gehen konnte, Bilder zu generieren. Wir wollen uns aber heute auf Textgenerierung noch mal beschränken und da gucken wir uns einfach an, wie ein Transformer diesen Satz hier sich angucken würde. Wir haben diesen Satz und wollen den irgendwie einen Computer verstehen lassen. Der Transformer wandelt diesen Text erst mal in Zahlen Wir können natürlich am Computer nur mit Zahlen rechnen, deshalb wird jetzt erst mal der gesamte Text umgewandelt. Als erstes unterteilen wir ihn in Tokens. Ein Token ist ein Wort oder ein Teil eines Wortes. Es kann auch nur ein einzelnes Zeichen sein, je nachdem, wie das Ganze jetzt partizioniert wird. Man nimmt den gesamten Textkorpus und fasst das dann zu einem Dictionary zusammen, einem kleinen Wörterbuch, wo alle Textelemente drin vorkommen. Sagen wir mal jetzt mal hier, jedes Wort ist ein Token und jedes Token hat eine Nummer. Damit haben wir jetzt eben aus unserem Satz eine Menge von Zahlen gemacht. Die Zahlen an sich haben noch keine semantische Bedeutung. Die müssen wir jetzt versuchen, irgendwie rauszukriegen und dafür gibt es die sogenannten Embeddings. Das ist auch was, was man sehr häufig hört im KI-Umfeld. Ein Embedding ist ein Vektor im latenten Raum, der quasi das, was hinter diesem einen Token semantisch steckt, versucht abzubilden. Nehmen wir uns mal das Wort „Fahrrad hier vor. Sie alle haben eine Assoziation, wenn Sie das Wort „Fahrrad hören. Sie denken, das ist ein Transportmittel. Ein Fahrrad ist einigermaßen schnell im Vergleich zum Fußgänger, aber nicht so richtig schnell im Vergleich zum Auto. Es ist ein bisschen teuer, aber nicht so richtig teuer wie ein Auto. Sie haben irgendwelche Assoziationen beim Wort „Fahrrad. Und wenn Sie das jetzt, diese Zahlen „ein bisschen oder „ein bisschen weniger oder „ein bisschen mehr, wenn man das jetzt in Zahlen umwandelt, dann hätte man einen Vektor, der jetzt für Sie beschreibt, wie ein Fahrrad aussieht nach Ihren eigenen Kriterien. Diese semantischen Embeddings kann man sogar ganz lustig verwenden, damit mathematische Operationen zu machen. Nehmen wir mal an, wir haben das Wort „König. Wir haben eine Assoziation mit dem Wort „König. Das ist ein Mann, der ist einflussreich, der ist reich. Wenn wir von diesem Vektor jetzt den Vektor zu „Mann abziehen und dann den Vektor von „Frau dazu addieren, dann kommen wir irgendwo in diesem latenten Vektorraum an einer Stelle aus, die in der Nähe von hoffentlich einem anderen Vektor liegt, der dann dem Vektor für Königin entspricht. Also wir können tatsächlich mathematische Operationen auf diesen Embedding-Vektoren machen. Dasselbe hier für ein Fahrrad. Fahrrad plus Motor ergibt Motorrad oder solche mathematischen Operationen können wir jetzt mit Texten durchführen. Das ist ein bisschen vereinfachend erklärt. Meistens, das klappt auch nicht immer, was ich hier so sage, aber so kann man sich das einigermaßen gut vorstellen. Jetzt haben wir also diese einzelnen Embedding-Vektoren, aber manche von denen sind wichtiger als andere. Und dafür hat das Transformer-Modell von Google damals den Attention-Mechanismus, den Multi-Attention-Mechanismus eingeführt. Das heißt, einige dieser Worte werden jetzt wichtiger sein als andere. Die wichtigen Informationen zieht man sich jetzt aus diesem Satz raus und konzentriert sich darauf, damit man nicht in dem ganzen Grundrauschen die wichtigen Sachen übersieht. Und dann kann man diese Folge von Tokens, die sich jetzt irgendwie durch den latenten Raum bewegt, kann man dann logisch sinnvoll fortsetzen, indem man die nächsten Orte in diesem Vektor raum sucht und das ergibt dann wieder ein Embedding. Aus dem Embedding kriegt man das Token, aus dem Token kriegt man die Textausgabe und das wiederholt man dann so lange, bis man am Ende angekommen ist. Und damit haben Sie jetzt eben auf ganz schnelle Art gelernt, wie ein LLM in der Lage ist, einen Text zu vervollständigen und auf eine Frage zu antworten und so weiter. Und das soll jetzt mal als Ausgangspunkt dienen, damit der Erik jetzt mal erklären kann, wie wir das im PIM-Umfeld nutzen können. Ganz genau. Also Theorie haken dran. Ich gehe davon aus, Sie können jetzt alle die Miskies selber zumindest haben sie eine grobe Vorstellung, wie das funktionieren könnte. Jetzt überlegen wir uns mal, wie man diese Technologie, die der Kai gerade erklärt hat, einsetzen könnte im PIM-Umfeld, also im Umfeld von Produktdatenerstellung, Produktdatengenerierung und ähnliches. Ich habe dafür ein kleines Beispiel. Ich muss mal kurz nach links rübergreifen – an dem wir das gleich in einem kleinen Selbstversuch mal selber probieren. Erst mal: Wie könnte überhaupt eine KI sinnvoll im Produktdatenerstellungsprozess eingesetzt werden? Wenn man da selber keine Ideen hat, fragen wir doch einfach mal die KI, was die KI darauf antwortet. Und in dem Fall war es GPT drei fünf, der dann gesagt hat: „Hey, pass mal auf. Im Produktdatenerstellungsprozess kann eine KI auf verschiedene Weisen eingesetzt werden, zum Beispiel für etwas wie eine automatische Textgenerierung, automatische Kategorisierung von Produkten. Das ist ein sehr spannender Bereich. Über den reden wir gleich noch mal ein bisschen länger. Bildoptimierung, Übersetzung – das kennen wir durch DeepL und Ähnliches schon mehrere Jahre –, Bilderkennung und Bildverschlagwortung. Und in dem kleinen Selbstversuch habe ich mir mal die ersten drei vor allem vorgenommen und habe versucht, die mal durchzuspielen. Erst mal einfach im Chat mit GPT beziehungsweise später dann auch mit Bean. Als Beispiel für meinen ganzen hab mal einen Rucksack hergeholt. Den habe ich einfach so neben mir gefunden, als ich mir darüber Gedanken gemacht habe. Wir versuchen jetzt, für diesen Rucksack Texte zu generieren, Daten zu generieren, ihn zu kategorisieren, Bilder von ihm zu optimieren. Mal gucken, wie uns das gelingt. So ein bisschen braucht man seinen Namen dafür. Das Modell, das gibt es gar nicht mehr von Deutscher. Das heißt Hard Work. Das ist an der Stelle keine Werbung, aber einfach nehmen wir das mal als Beispiel und versuchen, von der KI dafür dann Texte zu kriegen. In einem ersten Schritt bin ich hingegangen und habe versucht, mithilfe von ChatGBT, also auf omnei. Com, ein Konto gemacht und Texte dafür zu erstellen. Ich habe im Internet irgendwo von Amazon oder irgendeiner anderen Webseite ein paar technische Daten von dem Rucksack rausgesucht. Hier sehen wir so was wie Länge, Breite, Höhe, Anzahl Taschen und Ähnliches. Habe gesagt: „Hey, erstellen wir doch mal für einen Rucksack mit diesen technischen Daten einen Text.Also der erste Versuch, der hat auch sehr, sehr gut funktioniert. Haben wahrscheinlich alle schon mal in irgendeiner Form mit GPT und Co. Probiert. Herausgekommen ist dann etwas, ich lese jetzt nicht den ganzen Text vor, aber so was wie: „Der Rucksack mit der Artikelnummer, fünfunddreißig und so weiter ist ein perfekter Begleiter für den täglichen Gebrauch. Hat eine Größe von dreiunddreißig zwanzig fünfzig und bietet somit genügend Platz und so weiter und so fort. Diesen Text kann man sehr gut in verschiedenen Sprachen generieren lassen und je nachdem, was man ihm dann noch mitgibt, in dem-- die Anleitung, die ich der KI gebe, nennt man Prompt. Also was ich ihm in dem Prompt noch mitgebe, kann ich ihm auch durchaus sagen, wie lang Texte sein sollen, wen ich mit dem Text ansprechen will und ähnliches. Und das sind dann Parameter, die den Text auch beeinflussen. Zweiter Versuch war auf bing. com. Bing. com, für alle, die es nicht wissen, da gibt es heute so eine Live Chat Funktion, die nutzen im Hintergrund GPT vier, Microsoft ist daher beteiligt an OpenAI, deswegen nutzen sie die Technologie, mit der Besonderheit noch, dass die Zugriff auf das Web haben. Deswegen wollte ich einfach mal testen, okay, gibst du mal Bing nicht die ganzen technischen Daten, sondern sagst einfach, erstell mir mal eine Produktbeschreibung für den Rucksack Deuter Hardrock Pro. Und bei rausgekommen ist durchaus ein sehr, sehr positives Ergebnis. Der ist jetzt wieder gekommen. Der Rucksack Deuter Hardrock Pro ist der perfekte Begleiter für alle, die viel unterwegs sind, MacBook oder Laptop sicher und gerade und vertable transportieren wollen. Ich habe mal von mir aus ein paar Sachen hier fett drin markiert. Das waren jetzt quasi Sachen, die offensichtlich Bing irgendwo im Internet gefunden hat. Spezielles Fach für den MacBook, das finde ich auch in den technischen Daten des Rucksacks. Separates Fach für iPad oder anderes Tablet. Man kann den Rucksack so vom Volumen erweitern, das sehen wir hier, von neunzehn auf sechsundzwanzig Meter. Der hat sein Deuter Erstfreibystem. Also wir sehen hier verschiedene Sachen eingearbeitet, die offensichtlich irgendwo aus dem Internet kommen, mit denen dann der Text angereichert wurde. Also ich brauche gar nicht erst die technischen Daten meinen Text erstellen, sondern kann durchaus auch eine KI nutzen, die selber ein Stück weit für mich auch recherchiert. Jetzt handelt man in einem PIM-System üblicherweise nicht nur mit Texten, sondern man hat auch sehr, sehr viele strukturierte kleinteilige Daten. Deswegen war meine Idee: Mensch, versuchst du doch mal so was wie Länge, Breite, Höhe, Volumen, Material und ähnliches so als Eigenschaften zu bekommen, die du dann in das PIM führen kannst. Und da habe ich mal gefragt: „Gib mir mal eine Liste von Eigenschaften für den Rucksack. Auch das hat geklappt. Allerdings ist jetzt als Ergebnis etwas rausgekommen, was so ähnlich ist wie der Text gerade, nur einfach in Bullet-Form. Das ist noch nicht dementsprechend, was so ein PIM als Datenmodell hat, wo es ein Feld gibt, das Volumen heißt und wo da eine Zahl reinpasst oder so, sondern er hat es jetzt erst mal textlich gemacht. Um da so ein bisschen konkreter ranzugehen, habe ich das mal versucht, ein bisschen zu verfeinern und habe eine sehr konkrete Frage gestellt. Du stell dir vor, du musst mir das Material des Rucksacks geben und du hast zur Auswahl nur einen der folgenden Materialien. Es ist ziemlich üblich, dass man in einem PIM-System so Select-Attribute sich baut, wo man dann keinen Freitext eingibt, sondern wo der Produkt manager beziehungsweise der Content-Redakteur eine Auswahl treffen muss. Und genau diese Auswahl wollte ich der KI geben und habe der KI dann gebeten, dass sie mir das quasi gibt. Sie hat das auch gemacht, hat das jetzt hier in einen Satz eingebettet. Man kann ihr auch sagen, sie soll nur das einzelne Wort rausgegeben, hat mir aber erfolgreich in dem Fall Polyester ausgegeben, was auch wirklich das Material ist. Also in diesem ersten Use Case sieht man, sowohl für Texterstellung wie auch für einzelne Produktdaten, einzelne eher atomare Produktdaten, kann sich eine KI durchaus eignen, Content zu generieren. Zweiter Use Case. Dazu muss ich ein ganz kleines bisschen Theorie sagen. Ein wichtiger Use Case, gerade im B2B-Geschäft, wenn es Produktdaten geht, ist, dass ich Abnehmer für meine Produktdaten habe, die die in einer Standardklassifikation haben sollen. Da gibt es so Standards da draußen wie E-Tim und E-Class. Die haben sich quasi so ein Datemodell überlegt und beschreiben, wie hat ein Rucksack beschrieben zu werden, mit welchen Attributen. Oder wenn du eine Schraube hast, welche Attribute sollte die Schraube haben? Und da muss man, wenn man solche Daten liefern will an einen Geschäftskunden, sich erst mal überlegen: „Hey, den Rucksack, den ich habe, in welche Klasse, in E-Tim, E-Class, passt der Rucksack? Und dann in den vorgegebenen Attributen, wie muss ich die ganz genau ausführen? Und genau das habe ich auch mal versucht, mit BIM rauszukriegen. Es gibt von diesen E-Class mehrere Versionen und da habe ich ihn gefragt: „Du, welche E-Class dreizehn Produktklasse würdest du für diesen Rucksack klassifizieren? Erst ein bisschen Theorie, er hat es wieder eingebettet in so einen Satz mit rein, kam aber zum Ergebnis, dass das die Klasse vierundzwanzig neunundzwanzig null null eins ist. Ähm, und das ist tatsächlich auch ganz genau die Klasse. Ich bin selber in E-Class reingegangen, habe gesucht, wenn man nach Rucksack sucht, findet man alleine acht Klassen, eine davon sind Notebook-Rucksäcke. Ich hätte es genauso klassifiziert. Also man hat erst einen gewissen Aufwand, immer seine Produkte nach E-Tim, E-Class und Co. Klassifizieren, die Klasse auszuwählen. Da hat mich das System sehr, sehr gut bei unterstützt. Wirklich begeistert war ich bei dem Nächsten. Da habe ich ihm gesagt: „du pass mal auf. Guck mal nach, diese E-Class-Klasse vierundzwanzig neunundzwanzig eins eins. Was hat die für Eigenschaften? Und klassifiziere mir jetzt den Rucksack in diese Eigenschaften rein. Und was rausgekommen ist, neben ein bisschen Theorie am Anfang tatsächlich – das sehen wir jetzt als Nächstes – Material: Polyester, Farbe schwarz, Volumen achtundzwanzig Liter und so weiter. Da war ich total begeistert. Also offensichtlich schafft die KI nicht nur die richtige Klasse rauszurufen, sondern gleich sagen, wie die Attribute dafür heißen. Das war aber der Punkt, der mich hat etwas lernen lassen. Tatsächlich hatte ich das auch schon in den Experimenten vorher. Diese Eigenschaften, die hier links unten sind, Material, Farbe, Volumen, Gewicht, die hören sich logisch an für einen Rucksack, die gibt es aber gar nicht in dieser E-Class dreizehn, Klasse vierundzwanzig neunundzwanzig eins eins. Das ist quasi etwas – das ist jetzt nicht ganz richtig, wenn ich so formuliere – etwas ausgedacht. Das durch Wahrscheinlichkeiten ist es offensichtlich das Ergebnis gewesen, was sehr wahrscheinlich für die KI war, zu antworten. Das entspricht aber nicht dem, was wirklich da war. Ich habe ihn dann auch gefragt: „Ich finde diese Attribute gar nicht. Hat Bing dann auch gesagt, findet er aber komisch. Er war auf der Seite und hat da und da hingeklickt und die dann gesehen, aber die Knöpfe gab es alles gar nicht. Das waren offensichtlich wahrscheinlich Antworten. Also das, was ich hier gelernt habe, ist, dass das Ganze Grenzen hat, wobei ich insgesamt sehr begeistert von den Möglichkeiten war.Aber unabhängig davon, dass es Grenzen hat, ist einfach wichtig, dass ich eine gewisse Kontrolle reinbringe, wenn ich Texte generieren lasse, wenn ich automatisch Produktdaten mir ausgeben lasse und ähnliches, dass ich das noch mal kontrolliere, ob wirklich das Ergebnis stimmt. Das hat mich dann schon ganz viel Arbeit abgenommen. Ich musste nicht selber alles schreiben. Ich muss nur noch kontrollieren und gegebenenfalls korrigieren. Aber dieser Schritt ist doch sehr, sehr wichtig. Man sollte sich nicht zu 100 % drauf verlassen. Letzter Use Case den ich einmal betrachte. Hier geht es Bilder. Foto von einem Rucksack vor einem Schrank in meinem Arbeitszimmer. Relativ einfach gemacht mit dem Handy, auch absichtlich mit der schlechten Qualität. Da gibt es spezialisierte KIs. Hier habe ich eine genutzt, die heißt Clip Drop. Da mache ich etwas, das kann ich in Photoshop auch mit einem Zauberstab, aber hier tatsächlich sehr, sehr einfach und auch mit einer sehr hohen Qualität, auch bewiesermaßen für kompliziertere Objekte. Also ich entferne den Hintergrund davon, was wir jetzt hier in der Präsentation nicht sehen. Ich habe auch die schlechte Qualität des Bildes hochrechnen lassen auf 4K und wenn man rangezoomt hat, kam tatsächlich etwas raus, wo ich sagen würde: „Ja, der hat sich sinnvolle Pixel ausgedacht, die realistisch da sind. Das hat gut funktioniert. Also ich habe die Qualität verbessert. Und letztlich kann man auch mit einer solchen KI natürlich sprachig kommunizieren. Ich habe ihn gebeten, den Rucksack vor einer Wand eines stylischen Wohnzimmer zu platzieren. Ich habe auch andere Experimente gemacht, Bushaltestelle, Schule und ähnliches. Das hat mal besser und mal schlechter geklappt, aber insgesamt auch tatsächlich nicht so schlecht. Und man schafft es dann auch zum Beispiel, einheitliche Hintergründe für seine Produktbilder zu geben. Also ich glaube, der Use Case in unserem Umfeld ist nicht unbedingt die Generierung komplett neuer Bilder, weil die KI wird nicht ein 100% verbindliches Bild des Rucksacks, ohne dass ich irgendwas über den Rucksack weiß, außer ein paar technische Daten generieren können. Aber die Optimierung von Bildern, die Freistellung von Bildern, Hintergrundwechsel und Ähnliches können durchaus Use Cases sein, wo eine KI auch helfen kann. Jetzt haben wir ein paar praktische Beispiele gesehen, wie wir das Ganze einsetzen können. Wir haben als ECK heads dieses Jahr selber ganz viel so theoretisch rumprobiert, aber auch in der Softwareentwicklung richtig rumprobiert. Wie gesagt, Kai war das maßgeblich mit seinem Team und hat da einige Prototypen gebaut und will uns das einfach mal in unserer Software mal kurz zeigen, was da einfach alles möglich ist. Deswegen noch mal du. Genau. Und jetzt wird es ein wenig praktisch. Wir gucken uns direkt mal unsere Software an. Das ist jetzt unser KI-Prototyp, wo wir jetzt diese neuen Funktionalitäten haben. Worum geht es jetzt hier? Wir können in diesem PIM-Datenmodelle von irgendwelchen Artikeln zum Beispiel erfasst. Wir können zum Beispiel sehen, dass es hier Bücher, Elektronikartikel, Fahrräder in in unserem Modell hier gibt, die wir dort eintragen könnten. Sie können jetzt hier, wenn Sie einen kleinen Webshop oder so was betreiben, können Sie hier Ihr ganzes Portfolio, was Sie da im Angebot haben, eintragen. Zum Beispiel bei den Monitoren haben wir Anschluss, Artikelnummer, Auflösung, Beschreibungstext, Bildschirmgröße und so weiter. Das sind alles die Daten, die Sie normalerweise dann von Hand eintragen müssen. Hier ist also quasi das allgemeine Formular, wie das aussehen soll und für einen konkreten Artikel kann ich dann zum Beispiel sagen: „Lege ein neues Geschäftsobjekt an vom Typ. Wir machen heute mal einen Monitor und ich nenne den mal „Monitor A. Keine Ahnung. „monitor A. Der wird jetzt angelegt und da könnte ich jetzt von Hand anfangen, die Werte einzutragen. Ja, klassisch würde ich jetzt vielleicht ein Datenblatt von meinem Hersteller gekriegt haben, dass ich jetzt daneben lege und abtippe. Oder wenn ich jetzt keine Daten zu diesem Monitor habe, kann ich vielleicht auch im Netz gucken. Ich könnte mal hier auf die Amazon-Seite gehen, könnte mir jetzt irgendeinen Monitor hier raussuchen. Nehmen wir mal an, wir nehmen hier diesen Lenovo. Er ist nicht für uns gesponsert. Ich habe jetzt einfach irgendeinen genommen. Wir können auch gerne irgendeinen anderen nehmen. Den kopiere ich mir jetzt mal hier raus, nur diesen Beschreibungstext. Nur das, was hier so an Informationen in dieser Überschrift bei Amazon steht. Und die könnte ich natürlich hier jetzt auch irgendwie eintragen. Ich könnte mir das jetzt da raussuchen. Ich habe aber auch hier eine Funktion „Geschäftsobjekt aus Text importieren. Da füge ich jetzt einfach genau den Text, den wir gerade von Amazon kopiert haben, rein und klicken auf „Extrahieren. Dann steht da unten, die AI fängt jetzt an, Werte zu generieren. Und jetzt hoffen wir mal, dass die KI uns richtige Sachen antwortet. Das sieht wunderbar aus. Er hat herausgefunden, er hat einen HDMI-und Display-Port-Anschluss, er hat eine Auflösung von 2560 x 1440 und so weiter. Bildschirmgröße: 27 Zoll, 75 Hertz, 350 Nitz und vier Millisekunden Reaktionszeit. Wunderbar. Diese Daten muss ich jetzt nicht mehr von Hand eingeben. Das ist ganz großartig. Das Ganze könnten wir auch zum Beispiel für so ein Datenblatt machen. Nehmen wir an, Sie haben jetzt nicht eine Amazon-Seite, wo nur Text drauf ist, sondern sie haben eine PDF-Datei irgendwie liegen. Dann können wir hier zum Beispiel die URL kopieren, machen dasselbe, was wir gerade gemacht haben, noch mal, URL reinkopieren, „Daten extrahieren und beten, dass die KI was Richtiges da raussucht. Das ist natürlich immer so ein bisschen Glückssache und hier dauert es auch ein bisschen länger, aber gut, Beschreibungstext, bessere Sicht aus jeder Position. Weiß ich nicht, ob das jetzt der richtige Beschreibungstext ist, aber ich glaube, die Daten sehen so weit ganz gut aus. Wir können noch mal eben gucken: 27 Zoll, 60 Hertz, stimmt das? 27 Zoll und bestimmt stehen auch irgendwo die 60 Hertz drin. Ich sehe sie gerade nicht. Ach, sie glauben mir das jetzt bestimmt. So, das war ein Einsatzgebiet von KI. Wir haben uns jetzt also Daten hier selbst von der KI eintragen lassen. Meistens klappt das ziemlich gut. Natürlich macht KI auch Fehler. Manchmal werden hier vielleicht andere Einheiten oder so was verwendet. Da muss immer noch ein Mensch rüber gucken. Wir gucken uns noch einen anderen Einsatzfall an. Wir gucken mal auf den Beschreibungstext. Vielleicht haben wir den Beschreibungstext nicht. Wir haben vielleicht nur Datenblätter und jetzt wollen wir den Beschreibungstext vom Computer generieren lassen aus den Daten, die wir für den Monitor haben. Dann kann man hier auf den Beschreibungstext sagen, man soll die Textgenerierung bitte konfigurieren. Und das ist jetzt der Prompt, den man der KI zu diesem Beschreibungstext mitgibt: „Schreibe eine Produktbeschreibung mit Überschrift, Fließtext und einer Liste mit Fakten.Und berücksichtige dabei die folgenden ah Eingangsinformationen, die wir da mit reinnehmen. Ich möchte mal die Artikelnummer und den Helligkeitswert vielleicht nicht haben. Alles andere soll da irgendwie mit rein. Und ich möchte jetzt hier ähm schreibe einen Rap Text für diesen Gaming Monitor. Behaupte jetzt, ich habe hier nur Gaming Monitore und jetzt soll er bitte einen coolen Rap Text dafür schreiben. Cool, wir müssen das Wort cool noch mit reinbringen, damit es cool wird. So, das ist jetzt unsere neue Konfiguration, die wir ihm hier gesagt haben. Jetzt gehen wir wieder zurück zu. Achso, ich habe nicht gespeichert. Entschuldigung Änderung speichern und dann gehen wir wieder zurück zu unserem Artikel, den ich natürlich vergessen habe zu speichern. Egal, ah wir gehen hier auf irgendeinen anderen Monitor und jetzt lassen wir uns einfach mal den Beschreibungstext generieren. Das ist jetzt das einzige Merkmal hier, was auf Generierung geschaltet ist. Das heißt, wenn ich jetzt hier generiere Werte mache, dann sollte er jetzt hoffentlich mit diesen Werten, die wir haben, einen ah Rep Text schreiben. Yo, check it out. We got the dell monitor with 30 inch screen und so weiter und so fort. This monitors the real deal. It's a gaming delight. Also ich habe ihm nicht gesagt, in welcher Sprache er das machen soll, also hat er das jetzt auf Englisch gerappt. Aber ich denke, das ist schon mal ein Beispiel dafür, wie sie sich jetzt für ihre Anforderungen irgendwelche Beschreibungstexte kurz oder lang, in welchen Ausprägungen auch immer generieren können. Das wäre eigentlich mein Praxisteil. Schon gewesen. Dankeschön. Ah Ich schalte nochmal für ein Slide rum auf die Präsentation. Ich versuche es zumindest. Ja, hat sie gestoppt. Alles, was sie gestoppt. Dann öffne ich sie einfach nochmal ein letztes, quasi so ein bisschen Fazit Slide. Da könnte sie kommen. Ja, Kai hat uns jetzt zwei Beispiele gezeigt, oder zwei Use Cases. Der eine hat etwas mit Datenimport zu tun. Spannend für Händler, die von ihren Lieferanten vielleicht noch Datenwerte bekommen oder ähnliches. Der andere hat was für jeden zu tun, egal ob herstellendes Unternehmen oder Händler, dass Texte oder generell Produktdaten generiert werden können. Tatsächlich haben wir noch viel mehr Ideen, wie KI helfen kann in den Produktdatenerstellungsprozess Systemintegration. Wenn ich das nach Amazon gebe und Amazon hat ein anderes Datenmodell und ich muss das daran übersetzen, dass Mappings automatisch erstellt werden. Übersetzung hatte ich schon am Anfang gesagt durch etwas wie die BL und ähnliches ist ja schon sehr klar. Wir haben einen Bereich, es ist immer wichtig für ein PIM System mit Datenqualität zu handeln, also sicherstellen, dass die Datenqualität hoch ist, bevor dann die Produktdaten ausgespielt werden. Auch da kann dir KI helfen. Lese den Text und vergleiche den Inhalt des Textes mit den Attributen. Stimmt das überein oder ist da irgendeine Anomalie? Irgendetwas, was abweicht, wo ein Mensch drüber gucken sollte, also da irgendetwas finden? Also gibt es ganz viele Anwendungsfälle, wo KI unser PIM Geschäft, glauben wir zumindest maßgeblich verändern wird. Deswegen habe ich dieses Slide so ein bisschen KI first PIM genannt. Also wir persönlich glauben, Stück für Stück mit diesen allen Anwendungsfällen wird sich das Thema Produktdatenmanagement verändern. Weg von einem sehr manuellen Prozess, wie er heute ist, hin zu einem Prozess, der hochautomatisiert ist und wo ich als User hauptsächlich reingehe, um die Automatisierung zu steuern und eine gewisse Kontrolle zu übernehmen. Nicht zu 100 % automatisiert, aber doch in einem hohen Maß. Das macht es natürlich schwierig. Und das hat jetzt gar nichts so mit Produktdaten zu tun, sondern generell mit Content auf der Welt. Durch KIs gibt es auf einmal ganz viel Content. Ich kann mich als Händlerhersteller nicht mehr dadurch differenzieren, dass ich Content habe. Ich kann mich auch nicht mehr dadurch differenzieren, dass ich viel Content habe. Das werden, da werden alle KIs nutzen. Ich muss mir klug überlegen, wie sind gute Produktdatenmodelle, dass Produkte gut beschrieben werden? Wie sind gute Automatismen reingebaut, dass ich für Zielgruppen individuell Content erstelle, zu welchen Zeiten ich den Content aktualisiere und ähnliches. Das heißt, so wie ich da Datenmodelle und diese Automatisierung konzipiere, das wird meine Möglichkeit sein der Differenzierung, um mich von Wettbewerb abzusetzen. Also wird es nicht nur unser Business sehr stark verändern, sondern tatsächlich auch, dass alle den Leuten, die irgendwo digital Produkte präsentieren und das machen müssen. So, damit sind wir mit dem, was wir hier zeigen wollen, am Ende. Christoph, ich weiß nicht, ob irgendwelche Fragen bei dir eingegangen sind, aber wenn ja, können wir gerne darüber reden. Wir hören dich nicht, Christoph. Wir hören gar nichts. Ich weiß nicht, ob es an uns liegt. Vielleicht hat man uns auch die ganze Zeit nicht gehört und jetzt fällt es erst auf, weil wir haben dich am Anfang gehört und dann wird rumgeschrien. Hört ihr mich? Ja, jetzt. Jetzt ist super. Ja, die Tonprobleme ziehen sich leider heute ein bisschen durch. Wir konnten es nicht identifizieren, was genau da los ist. Leider, leider. Aber ihr könnt mich hören und vielen lieben Dank für eure Session, Kai und Eric. Da waren ja echt einige Cases dabei. Sehr, sehr cool. Hab euch interessiert oder gebannt gelauscht und es sind auch die Einladung Frage eingegangen. Da würde ich einmal einsteigen wollen mit euch. Gerne. Lasst uns einmal einmal gucken. Erst einmal auch hier. Danke für die Cases. Sehr cool. Gerade hatte ich auch einen schönen Hinweis gelesen. Jemand schrieb Mein Hirngehirn qualmt sehr viel KI. Heute Morgen. Das lag glaube an. Ja. Starke KI Experten heute im Livestream. Bin begeistert. Also da ging es auf jeden Fall mit eurer Session nahtlos weiter. Ähm Wie kann ich verhindern, dass meine Daten von der KI weiterverwendet werden oder somit Geschäftsgeheimnisse in falsche Hände geraten? Vielleicht könnt ihr dort ähm ein bisschen mehr Licht ins Dunkel bringen. Ich kann mal anfangen. Du kannst mich ja noch erweitern oder verbessern. Ist natürlich.So eine Standardfrage, mit der wir konfrontiert werden „Hey, jetzt bringe ich meine ganzen Produktdaten in die KI rein, ich als Hersteller, da ist das vielleicht irgendwie wettbewerbskritisch. Können das dann andere auch lesen oder trainiere ich die KI und die nutzen die dann? Das liegt jetzt gar nicht an uns, sondern eher an der Auswahl, welche Large-Language-Models wir da nutzen. Und da gibt es durchaus welche, die das garantieren, dass das nicht passiert. Also nur als Beispiel: Wenn ich das normale Public auf mein Eye ChatGBT nehme, wo ich selber drin chatte, da kann durchaus mit trainiert werden mit meinen Antworten. Aber OpenEye hat auch Angebote für Enterprises, wo sie garantieren, dass das nicht passiert. Genauso gibt es das Ganze von Azure betrieben, die GBT-Modelle. Da ist auch die Garantie da, dass das nicht passiert oder auch die ABS Web Services garantieren das. Also je nach Anbieter und benutzender Anbieter, die das eben garantieren, dass es a, einen datenschutzrechtlichen Reglements entspricht und b, dieses Wissen nicht irgendwie verloren geht, nur die nutzen wir dann. Wir selber schreiben diese KIs nicht, sondern nutzen da die Modelle, die am Markt sind. Perfekt. Wie kann ich denn die Qualität der generierten Daten sicherstellen? Ja, ich habe es ja gerade schon gesagt. Es ist immer ein kleines Vabanquespiel. Man hofft, dass die KI es richtig macht. In unseren Experimenten macht sie das sehr zuverlässig, aber ich kann die Daten natürlich nicht unkontrolliert rausgeben. Da muss noch mal ein Mensch drüber gucken oder wir brauchen einen wirklich guten Qualitätssicherungsprozess, vielleicht teilautomatisiert, vielleicht ganz automatisiert, aber eigentlich ist es immer schön, noch einen Menschen drübergucken zu lassen und dafür ahhh haben wir dann auch einen Workflow, dass so was freigegeben werden kann. Also wir müssen sicherstellen, wir haben jetzt hier für 30.000 Produkte irgendwelche Beschreibungstexte generiert, dann müssen wir einen Freigabeprozess haben, zu sagen: „Ab jetzt sind die Dinger gut genug, in den Katalog ins Internet oder sonst wohin zu kommen. Ganz praktisch kann das heißen: Meistens hat man im System wie einem KIM-System, wie Kai sagt, einen Workflow, weil Daten werden geliefert, kommen rein ins System. Dann könnte ich einen Workflowschritt machen, wo automatisiert durch die KI-Text und Ähnliches generiert werden. Und dann, sobald das geschehen ist, bringe ich dann vielleicht noch mal den Mensch rein, der da drüber guckt und erst wenn der sagt, ja, ist okay, dann geht es dann raus in die Kanäle. Also so könnte ich das in so einem PIM-System quasi modellieren, das sicherstellen zu können. Whykai auch schon gesagt hat, wir selber bei uns, ahhh ein Schwenk aus der Entwicklung unseres PIM-Systems. In der Qualitätssicherung haben wir dasselbe Problem, dass wenn wir testen, ob die Texte, die rauskommen aus der KI, denn auch das sind, was wir erwarten, können wir nicht mehr fest irgendwas vorgeben, was wir erwarten, weil die KI generiert immer ein Stück weit andere Texte. Und da nutzt man heute schon viel KIs, die KIs kontrollieren. Also ich lasse eine KI einen Text generieren. Einer zweiten KI sage ich: „Du, lies dir mal den Text durch, guck dir den technischen Daten an, passt das zusammen, ja oder nein? Also auch solche Mechanismen sind vielleicht in Zukunft möglich, dass ich da noch mal KIs auch reinbringe. Eine teilautomatische Kontrolle. Ahhhm Ich habe hier eine Frage. Ich glaube, die muss ich ein bisschen umformulieren: Was für Auswirkungen haben die KI-Entwicklungen für eure Content-Marketeer bei Eggheads? Ich würde jetzt einmal sagen, auch auf eurer Kundenseite. Ahhhm Wie hat sich dein Arbeitsalltag verändert? Mit Sicherheit verändert der sich. Also habe ich jetzt ein Beispiel gerade eines Kunden im Kopf, der für die Textgenerierung heute KI einsetzt. Der hatte vorher ein Team von vier Leuten, die den Content händisch geschrieben haben. Wir waren tatsächlich, wir haben irgendwie 60.000 Produkte in ich weiß nicht wie vielen Sprachen relativ überfordert, damit das zu schaffen. Das sind heute noch dieselben Leute, aber eigentlich sind es jetzt mehr as Fabel: Er ist jetzt immer das Fachwort „Air Prompt Engineers geworden. Also die Leute, die einstellen im Datenmodell, welche Texte generiert werden, die, die vielleicht die Kontrollen und ähnliches machen. Also die schaffen es heute mit demselben Team von vier Leuten – das sind auch noch dieselben Leute – haben sie neue Fähigkeiten quasi gelernt, ummm diese Technologie nutzen zu können und schaffen damit mit ihren Leuten einen wesentlich höheren Outcome. Also ja, die ändern sich durchaus, die Aufgabenstellung. Die Leute sind aber, wie wir jetzt durch die Kontrollen und ähnliches haben, immer noch notwendig und können dann auch solche Systeme bedienen. Alles das, wir haben das Beispiel von Kai gesehen mit seinem coolen Red Text. Das ist ja nicht die Programmierer für sein musste, ummm das gerade zu machen. Also so wie ich das konfiguriere, die KI, wie sie das Ganze macht, das funktioniert sehr, sehr intuitiv und sehr, sehr einfach. Hervorragend. Vielen lieben Dank, ihr zwei. Da würde ich noch mal sagen an die Audience: Wenn ihr noch Fragen an die beiden habt, schiebt die gerne trotzdem rüber. Wir leiten im Nachgang weiter, gucken auch dort, ahhhm wie wir euch das zur Verfügung stellen. Immer her damit. Immer her damit. Sehr gut. Jörg und Kai, vielen lieben Dank ahhhm euch beiden für eure eure zweite Session hier heute bei den OMKB Digital Marketing Days. Ich würde sagen, ich wünsche euch noch einen erfolgreichen Tag und freue mich auf ganz bald. Euch auch. Ihr danke Danke schön. Danke. Bis dahin. Tschau, tschau. Sooo und jetzt geht es gleich weiter. Wir gehen in einen tatsächlich kurzen Break. Ahhhm Ich habe hier noch die eine oder andere Frage bekommen: „Gibt es trotzdem eine Aufzeichnung? Konnte die Sessions ahhhm nur zum Teil verfolgen, noch einige Minuten, wie es damit aussieht. Also wir werden alle Sessions als ahhhm On-Demand-Inhalte im Nachgang für euch aufbereiten und zur Verfügung stellen. Für die vorausgegangene Session gibt es ja noch den den Podcast. Den werden wir im Januar aufnehmen mit dem Geschäftsführer von „Hase und Igel, mit dem Jan, zum Thema KI Navigation im Marketing. Und das heißt, da wird es im Nachgang noch mehr Content für euch geben. Ihr könnt alles nachverfolgen und wir werden da auch noch weiter veredeln. So, und jetzt gehen wir in die angesprochene kurze Pause und ich freue mich dann auf gleich mit dem Kollegen Michael Pirker von Yentis, der mit am Start sein wird. Also bis gleich nach einem kurzen Break.
Automatisch erstellt & redaktionell aufbereitet — kann vereinzelt Fehler enthalten.
