Month: Januar 2020

Die Chatbot Euphorie sinkt

Viele Geschäftsmodelle wurden seit 2015 umgedacht. Chatbots kamen auf und stellte für viele Unternehmen erstmal einen spannenden Acquisition Chanel da.  Fünf Jahre später stellen einige dieser Unternehmen fest, dass der Chatbot vielleicht doch nicht so optimal ist. Ähnlich geht es auch dem Startup Storyliner, die anfangs das Problem des “Leeren Blattes” in der Content Creator Branche lösen wollten. Es stellte sich heraus, dass Kunden u.a. zu wenig Fokus auf einen Chatbot legen und bereits nach wenigen Minuten die Konzentration schwindet. Das Interview mit den Gründern lest ihr hier.

Wofür eignen sich Chatbots? In den vergangenen Jahren wurden immer häufiger Chatbots für verschiedene Use Cases eingesetzt, darunter:

  • On-Boarding von Nutzern für diverse Plattformen
  • Schnellerer Sales Prozess
  • Optimierung von Customer Service Prozessen
  • Abfrage von Informationen über APIs im Hintergrund
Nachdem Chatbots oft als der Kanal der Zukunft gehypt wurden, stellt sich nun heraus, dass diese Technologie noch einige Zeit brauchen wird, bis sie die nötige Akzeptanz findet.
Aber welche Verbesserungen werden Chatbots letztendlich zum Siegeszug verhelfen?

Buch-Tipps zum Thema Chatbots

6 Mythen zum Thema Deep Fakes

Das Center for Data Ethics and Innovation hat einen Report über das Thema Desinformation und DeepFakes veröffentlicht. Der Report bietet vieles! U.a. wird gezeigt, wie Deep Fakes enstehen und wie sich falsche Informationen verbreiten. Darauf werde ich in anderen Beiträgen zurückkommen. Hier geht es um die 6 Mythen zum Thema Deep Fakes.

(Extrahiert aus dem Report: Snapshot Paper – Deepfakes and Audiovisual Disinformation)

Deep Fakes treten vorwiegend in Form von Gesichtsaustausch in Videos auf. 

Realität: Es gibt vier Typen von Deep Fakes: Gesichtsersatz, Gesichtsnachstellung, Gesichtserzeugung und Audiosynthese.

Deepfakes tauchen auf Social-Media-Plattformen in großer Zahl auf

Realität: Auf Social-Media-Plattformen sind nur wenige politische Deepfakes aufgetaucht. Die Anzahl der gefälschten pornografischen Videos gibt jedoch Anlass zur Sorge.

Jeder kann ausgefeilte Deepfakes erstellen, die die Messlatte der Glaubwürdigkeit sprengen. 

Realität: Während unterstützende Software wie FakeApp es mehr Menschen ermöglicht hat, sich mit Deepfakes zu beschäftigen, erfordert die hochqualitative Audio- und Bildsynthese immer noch beträchtliches Fachwissen.

Die beste Methode zum Erkennen von Deepfakes besteht in physiologischen Tests (dem “Eye Blinking”-Test).

Realität: Die physiologische Untersuchung von Videos kann langsam und unzuverlässig sein. Für ein systematisches Screening von Deepfakes sind AI-basierte Tools erforderlich, mit denen die Erkennung gefälschter Inhalte teilweise automatisiert werden kann. Die Tools müssen außerdem regelmäßig aktualisiert werden.

Neue Gesetze sind eine schnelle Lösung für den Umgang mit Deepfakes. 

Realität: Versuche, Gesetze gegen Deepfakes zu erlassen, können sich als wirkungslos erweisen, da es sehr schwierig ist, die Herkunft der behandelten Inhalte zu bestimmen. Die Gesetzgebung könnte auch den nützlichen Einsatz visueller und akustischer Manipulationen gefährden.

Deepfakes sind wie mit Photoshop erstellte Bilder. Die Menschen werden sich an sie gewöhnen. 

Realität: Dies ist eine Annahme, keine Tatsache. Es gibt nur unzureichende Untersuchungen darüber, wie Deepfakes das Verhalten und die Überzeugungen der Zuschauer beeinflussen.

Machine Learning für Manager

Machine Learning kann für Nicht-Techies, Anfänger und Manager oft eine harte Nuss sein. In unserer neuen Tour wollen wir deshalb dabei helfen, diese Nuss zu knacken. Oftmals sind Management-Entscheidungen zu treffen, bei denen Manager zumindest eine Ahnung von den Abläufen und Prozessen haben wollen.

In 6 kurzen Kapiteln werden die grundlegendsten Begriffe angesprochen und in verständlicher Sprache erklärt. Diese Kapitel beinhalten alles, was man wissen muss, um mit Engineers und Datenspezialisten zu diskutieren.

  • Entscheidung für den Typ der Anwendung
  • Das besorgen der Daten
  • Das Erstellen der Feature-Repräsentation
  • Prototyping des Feature-Vektors
  • Auswahl eines Verfahrens für die Implementation
  • Anschließendes Messen der Ergebnisse

Hier geht es zur Tour Machine Learning für Manager.