Mai 2020 ⋆ Paraboost

Was ist Hyperpersonalisierung?

Beim Begriff der Personalisierung denken die meisten Nutzer vor allem an Angebote wie „Kunden, die diesen Artikel kauften, interessieren sich auf für“. Tatsächlich handelt es sich dabei um eine Personalisierung auf Basis des angesehenen Artikels, wie sie ohne viel Aufwand in Shops einpflegbar ist. Auch ein Newsletter, der sich mit Nennung deines Namens an dich richtet, ist personalisiert. Hyperpersonalisierung geht einen Schritt weiter. Hier richtet sich alles danach, wonach du suchst, was du magst und was du zuletzt gekauft hast. So sieht beispielsweise die Startseite des Streaminganbieters Netflix für jeden Kunden anders aus. Natürlich haben alle Kunden deiner Region Zugriff auf das gleiche Angebot. Aber nur du hast zuletzt „Nailed it!“ geschaut und bekommst dafür nun auch „Chef’s Table“ vorgeschlagen.

Der Unterschied zwischen Personalisierung und Hyperpersonalisierung

Noch vor wenigen Jahren war die gewöhnliche Personalisierung der absolute Standard im Marketing. Eine persönlich formulierte und an eine Zielgruppe angepasste Mail wirkte vertrauenserweckend, die „Related“ Vorschläge im Netz waren oft relevanter als der Inhalt, den der Nutzer gerade betrachtete. Ein in die Suche im Shop eingegebener Begriff konnte beispielsweise alle Stiefel in der Größe des Kunden ausgeben. Die Personalisierung reduzierte die Zeit bis zum Vertragsabschluss in Onlineshops und konnte allgemeine Discounte anbieten, wenn der Käufer sich beispielsweise für ein reduziertes Schuhpaar zum eigentlichen Kauf hinzuzukaufen entschied.

Hyperpersonalisierung kann mehr, denn sie arbeitet nicht nur mit Namensdatenbank und Suchhistorie. Stattdessen nehmen Unternehmen aller Branchen sich die Freiheit, von Anfang an die Daten aus Käufen, Suchen, weiterleitenden Medien und Warenkorb auszuwerten. Das Ergebnis ist Marketing, das oft wie Gedankenlesen wirkt. Ein paar Monate nach dem Kauf einer Pflanze kann so beispielsweise ein Gartenmarkt einen Newsletter versenden, dass der Kunde jetzt für diese Pflanze einen passenden Dünger erwerben sollte. Möglich macht das ein Hinterlegen großer Datenmengen von Online und Offline-Daten zu jedem einzelnen Nutzer und Kunden.

ANWENDUNGSBEISPIELE in der Praxis

Möchtest du durch eine KI oder einen einfachen Algorithmus ein neues Kauferlebnis für deine Kunden schaffen, solltest du zunächst wissen, mit welchen Daten du arbeiten möchtest. Für die personalisierte Ansicht von Start- und Shopseiten sind beispielsweise wichtig:

Von welchem Gerät mit welcher Internetgeschwindigkeit greift der Kunde zu?

Ist der Kunde angemeldet, oder kann ihm die Registrierung angeboten werden?

Wann hat der Kunde zuletzt den Shop besucht?

Hat der Kunde ungekaufte Artikel im Warenkorb oder einer Merkliste liegen?

Welche Inhalte mag der Kunde für gewöhnlich und welche kauft er tatsächlich?

Welche legt er sich in den Warenkorb und welche werden retourniert?

Nicht deine Mitarbeiter verarbeiten diese Daten, sondern das Datawarehouse oder Shopsystem selbst. Möglich macht es eine KI, die deine Kunden im Blick behält oder ein Algorithmus, der auf jede Änderung adäquat reagieren kann. Eines der besten Beispiele sind Netflix, Spotify und andere Streaminganbieter, die den Kunden auch per Mail oder Push-Notification informieren, wenn es mit seinen angesehenen Serien weitergeht oder neue Dokus und Filme nach seinem Geschmack hinzugefügt wurden. So lockt die Seite oder App den Besucher zurück auf die Plattform.

Vorteile im Marketing

Bestimmt hast du schon einmal den Spruch gehört, dass Daten die neue Währung unseres Jahrhunderts sind. Tatsächlich gibt es für dich als Unternehmer nichts spannenderes, als deine Kunden vollkommen zu kennen. Kein Raten und Kalkulieren mehr, welche Zielgruppe angesprochen werden sollte. Keine gerade so passenden Angebote per Newsletter. Durch Hyperpersonalisierung weiß deine Website besser als der Kunde selbst, was er gerade wirklich sucht. Der Datenschutz lässt uns als Marketing Experten nicht unbegrenzt mit den Daten der Besucher arbeiten. Doch gerade anonymisiert in tagesaktuellen Statistiken unterstützen dich die Zahlen und Fakten auch dabei, zukünftige Werbung gezielt auszuspielen. Du investierst weniger in breit gestreutes Marketing und mehr in den perfekten Service für deine Website- und Shopbesucher.

Auch die Verkaufszahlen von Shops mit Hyperpersonalisierung können sich sehen lassen. Kunden lieben es, maßgeschneiderte Angebote vorgelegt zu bekommen. Passende Ersatzteile, Zubehör zu gekauften Artikeln oder Dinge, die ihnen gefallen könnten, werden eher angeschaut und öfter gekauft. Dabei macht der Algorithmus keinen Unterschied zwischen alten Ladenhütern und brandneuen Artikeln. Du verkaufst alles – und davon mehr. Dadurch steigen die Conversions und du verzichtest auf die altbekannten Streuverluste.

Künstliche Intelligenz als Motor für Hyperpersonalisierung

Menschen lieben es, wenn du persönlich auf sie zugehst und ihnen echten Mehrwert bietest. Eine Studie von Epsilon zeigte 2019 auf, dass Besucher 80% häufiger in Shops bieten, die sie als Konsumenten wirklich kennen. Je besser die Technologie dahinter wird, desto effizienter können hyperpersonalisierte Angebote ausgespielt werden. Die Echtzeit-Analyse des Kaufverhaltens ist nur durch eine hochentwickelte KI möglich, die sämtliche Aktivität auf deiner Website im Blick behält. Paraboost entwickelt eine solche KI für dich mithilfe von AutoML und gibt dir ein übersichtliche Lösung an die Hand, in dessen KI Dashboard du nachverfolgen kannst, worauf die KI wie reagiert hat. So lassen sich beispielsweise unpassende und taktlose Vorschläge von Anfang an verhindern.

Lass dich von unseren Experten beraten und erfahre, was Hyperpersonalisierung für dein Business tun kann! Jetzt Kontakt aufnehmen.

[cp_modal display=“inline“ id=“cp_id_aed80″][/cp_modal]

Du möchtest einen PC speziell für Machine-Learning-Anwendungen zusammenbasteln, aber dabei nicht die exorbitanten Preise für spezialisierte Hardware auf den Tisch legen? Mit ein bisschen Glück hast du einen guten PC für Anwendungsfälle dieser Art schon zu Hause stehen – denn hinsichtlich ihrer Hardware sind sie den Gaming-PCs nicht unähnlich.

Wofür brauche ich einen Machine-Learning-PC überhaupt?

Grob gesagt, fütterst du deinen PC mit sehr großen Datensätzen und trainierst Modelle, um in Zukunft bestimmte Aufgaben besser bewältigen zu können. Der Computer entwickelt dadurch selbstständig Algorithmen, die auf den Daten basieren, die du ihm verabreicht hast. Da wir gerade beim Thema Gaming-PCs waren, hilft ein Beispiel, um die Sache zu verstehen: Denkbar sind etwa Lösungen, um die Bildqualität in Spielen deutlich zu verbessern, ohne dass dadurch die Leistung beeinträchtigt wird. NVIDIAs hauseigenes DLSS (Deep Learning Super Sampling) ist ein Beispiel dieser Methode. Zum anderen sind diese Super-PCs auch bei automatisiertem Machine Learning (AutoML) extrem sinnvoll, da sehr viele Experimente durchgeführt werden. Diese können parallelisiert durchgeführt werden, um die Laufzeiten der Programme deutlich zu reduzieren.

Ein Teilgebiet dieser Lösungen sind Aufgaben wie Feature Engineering: Diese sehr CPU-intensive Aufgabe optimiert die Performance bestehender Algorithmen. Mit anderen Worten: Um alle Felder abzudecken, brauchst du viel CPU- und GPU-Leistung in einem Paket.

Der ideale PC für Machine Learning: kaufen oder Eigenbau?

Die Hersteller hochspezialisierter Maschinen für Machine Learning / Deep Learning lassen sich ihre Arbeit natürlich fürstlich bezahlen. Dabei kochen sie am Ende aber auch nur mit Wasser. Das soll heißen: Sie setzen nicht auf Zauberhardware aus einem geheimen Labor, sondern verbauen RAM, GPU, CPU & Co. genauso, wie du es auch machen würdest.

GPU vs. CPU im Machine Learning

Eventuell kommen bei gekauften PCs dieser Art besonders zertifizierte Komponenten zum Einsatz (Enterprise-HDDs mit besonders langen Garantielaufzeiten, ECC-RAM und ähnliche Bauteile), aber der Grundaufbau bleibt derselbe.

Das heißt: Die Zeichen stehen gut, dass du dir für wenig Geld einen vollkommen ausreichenden PC für die unterschiedlichsten Machine-Learning-Modelle zusammenbauen kannst. Schauen wir uns dazu die wichtigen Komponenten in der Übersicht an:

RAM für ML Computer

Hier gilt: Viel hilft viel. Je mehr RAM, desto besser. Da Applikationen dieser Art nie genug Arbeitsspeicher haben können, solltest du nicht hier kleinlich sein. Du wirst Unmengen von Daten zwischen CPU und RAM und zur GPU schaufeln, wenn du deine Algorithmen lernen lassen möchtest. Die meisten Datensätze sollten dabei unkomprimiert sein, um Zeit zu sparen. Bei 64 GB DDR4-RAM geht es hier los, mehr kann nicht schaden.

CPU Prozessor für ML Computer

Du hast die Wahl zwischen Intel und AMD, wobei AMD hier aufgrund der aktuellen CPU-Landschaft klar die Nase vorn hat. Threadripper-CPUs vereinen dermaßen viele Kerne (und Threads) in einem Package, dass Intel in diesem Segment aktuell nichts entgegenzusetzen hat. Kleines Rechenbeispiel: Für einen Threadripper 2920X mit 12 Kernen und 24 Threads bezahlst du etwas weniger als 400 Euro. Bei Intel bekommst du für denselben Preis 8 Kerne und 16 Threads. Zwar ist dort die Single-Core-Leistung höher, diese spielt bei Machine-Learning-Anwendungen aber eine untergeordnete Rolle. Möchtest du genau jetzt zugreifen, führt an AMD somit kein Weg vorbei.

GPU Grafikkarte für ML Computer

Die nächste große Baustelle ist die GPU: Viel VRAM und eine hohe Geschwindigkeit sind hier wichtig. Bedenken musst du, dass VRAM anders als RAM funktioniert: Hast du nicht genügend VRAM, aber dein Machine-Learning-Modell verlangt danach, wird es einfach nicht starten. Eine aktuelle GeForce Titan RTX mit 24 GB VRAM wird dieses Problem niemals haben, allerdings ist sie auch entsprechend teuer (knapp 3.000 Euro werden fällig). Ein besseres Preis-Leistungs-Verhältnis findest du in allen GPUs ab 8 GB VRAM – also etwa eine RTX 2080 Ti oder auch die ältere Generation ab GTX 1080.

Netzteil für Sicherheit

Laufen die meisten Komponenten permanent unter hoher Last, brauchst du auch eine Stromversorgung, die dieser Auslastung standhält. Spare daher nicht am falschen Ende und investiere in ein Netzteil mit sowohl einem hohem Effizienzgrad als auch genügend Leistung. Spielst du mit dem Gedanken, mehrere GPUs zu verbauen, steigt der Stromverbrauch rasant an. Eine pauschale Empfehlung können wir natürlich nicht geben, da wir nicht wissen, was du am Ende in deinen PC baust. Im Zweifelsfall gilt aber: lieber ein über- als unterdimensioniertes Netzteil kaufen. Außerdem gilt: Finger weg von No-Name-Produkten!

Wasserkühlung zur Leistungssteigerung für Machine Learning

Abwärme muss schnell abtransportiert werden – und von dieser Wärme wird dein PC durch den hohen Stromverbrauch eine Menge produzieren. Wasserkühlungen sind hier eine gute Investition, da Wasser die Wärme schneller leitet als Luft und obendrein auch niedrigere Temperaturen garantiert werden. Auch unter hoher Last müssen Komponenten dann nicht throtteln oder sich abschalten. Je besser die Kühlleistung Deines PC’s desto performanter sind Deine CPU- und GPU Chips. In etwa 30%-45% mehr Leistung lässt sich dadurch erzielen. Außerdem läuft das System dann leiser als mit einer reinen Luftkühlung, was je nach Aufstellungsort für deinen PC wichtig sein kann.

Einen Überblick über die wichtigsten Komponenten und worauf es ankommt, hast du jetzt – aber spart man damit wirklich so viel Geld?

Der Vergleich zu NVIDIAs DGX Station

Mit der Vorstellung der RTX 2000-Serie hat NVIDIA auch die DGX Station vorgestellt. Dabei handelt es sich um eine Workstation, die für die AI-Entwicklung konzipiert wurde, aber generell überall dort zum Einsatz kommen kann, wo Data Science im großen Stil betrieben wird. Ausgestattet ist das Gerät mit 4 Tesla V100-GPUs (einer auf der Volta-Architektur basierenden GPU mit 16 GB VRAM), einer CPU mit 20 Kernen und 128 GB RAM. Für diese Hardware verlangt NVIDIA stolze 49.000 US-Dollar.

An der Performance der DGX Station gibt es nichts auszusetzen: Machine-Learning-Modelle, die trainiert werden müssen, schaffen die Arbeit ungefähr 50 Mal schneller als auf einer einzelnen CPU. Allerdings kannst du dir eine recht ähnliche Leistung schon für den Bruchteil eines Preises ins Haus holen – und wenn du einen Gaming-PC dein Eigen nennst, stehen die Chancen auch gut, dass du sowieso schon eine leistungsstarke Grafikkarte, viel RAM und eine schnelle CPU besitzt.

Auch Angebote aus der Cloud halten dem Vergleich nicht stand: Mietest du etwa über Amazon (in Form von AWS) oder über Microsoft Azure CPU-/GPU-Rechenkapazitäten und nutzt diese für Machine Learning, sparst du ungefähr 90 % der Kosten bei der Nutzung einer einzigen GPU ein. Was bei AWS gute 3 Euro pro Stunde kostet, schlägt zu Hause mit nur 20 Cent zu Buche. Der Vorteil wächst weiter in deine Richtung, wenn du mehr GPUs zuschaltest.

Fazit: Eigenbau ist signifikant günstiger – und fast genauso gut

Spielst du mit dem Gedanken, mit Machine Learning zu experimentieren, kannst du für wenige Tausend Euro eine vergleichbare Leistung erzielen wie die großen Cloud-Lösungen oder spezialisierte Hardware. Für Privatkunden ist die Investition in diese professionellen Lösungen damit praktisch vollkommen unattraktiv – und gewaltige Unterschiede zu Gaming-PCs gibt es, mit Ausnahme der gewaltigen RAM-Bestückung, kaum.

[cp_modal display=“inline“ id=“cp_id_e7a0b“][/cp_modal]