Machine Learning, oder auch maschinelles Lernen, ist eine spezifische Form der künstlichen Intelligenz. Dessen Ursprung geht zurück auf das Jahr 1950, als der britische Mathematiker Alan Turing die gleichnamige Prüfung entwickelte. Der Turing-Test dient dazu, herauszufinden, ob eine Maschine menschliches Denken simulieren kann. Im Rahmen einer spezifischen Problemstellung werden Algorithmen zweckmässig darauf trainiert, wiederkehrende Muster, sogenannte Patterns, in einem umfangreichen, heterogenen Datensatz zu erkennen. So lernen sie nach und nach, die Aufgabe selbstständig auszuführen und ihre Leistung kontinuierlich zu verbessern.
Die ersten intelligenten Programme wurden 1952 entwickelt. Sieben Jahre danach benutzte der amerikanische Informatiker Arthur Samuel erstmals den Begriff Machine Learning, um ebendiese Anwendung zu beschreiben: ein Damespiel, das von Partie zu Partie dazulernt. Die allgemeine Faszination der künstlichen Intelligenz hielt bis 1960 an. Jedoch blieben die versprochenen Ergebnisse vorerst aus, was zu einem allmählichen Abflauen des Interesses an solchen Technologien führte. 30 Jahre später gewann das maschinelle Lernen durch den Aufschwung des Internets und der enormen Steigerung von Computerrechenleistungen wieder an Bedeutung.
Anwendungsbereiche
Machine Learning hat längst den Sprung aus den Wissenschaften in die öffentliche Sphäre vollzogen. Dieser Übergang wurde beispielsweise durch den von IBM geschaffenen Computer «Deep Blue» begünstigt, der auf das Schachspiel spezialisiert ist. Zunächst wurde maschinelles Lernen häufig auf solche Spiele angewendet, heutzutage wird es aber in allen möglichen Bereichen eingesetzt. Besonders hilfreich erweist es sich unter anderem in folgenden Domänen:
- Medizin, zum Beispiel in Bildanalysesystemen
- Autonome Transporte
- Suchmaschinen
- Erkennung von Spam in Mailservices
- Chatbots
- Digitale Sprachassistenten
Ausserdem ermöglicht Machine Learning die Entwicklung von Algorithmen zur prädiktiven Analyse. So können diese nach einem Vortest auf bestimmte Datentypen für Zukunftsvorhersagen angewendet werden.
Machine Learning im Content Marketing
Heutzutage hat das maschinelle Lernen im Content Marketing eine genauso bedeutende Rolle inne. Mit der Erhebung von Daten und dem Einsatz künstlicher Intelligenz können Unternehmen die Interessen, emotionale Reaktionen und Verhaltensweisen des Zielpublikums bestimmen. Auf diese Weise kommen sie näher an ihre aktuelle und potenzielle Kundschaft heran. Dies erlaubt wiederum eine Förderung der Konversionen, eine Steigerung des Umsatzes und eine Erhöhung des Return of Investment.
Stimmungsanalyse zum Ausbau des Engagements
Es existieren verschiedene Ansätze, wie man Machine Learning im Rahmen des Content Marketings einsetzen kann. Eine der beliebtesten im Marketing ist die Stimmungsanalyse. Wie der Name suggeriert, geht es darum, die Gemütslage des Publikums zu verstehen, insbesondere gegenüber den Inhalten des Unternehmens wie Texte, Anzeigen oder Social-Media-Posts. Auf diesem Wege ist das Unternehmen in der Lage zu verstehen, welche Inhalte Engagement erzeugen und weiter auf diese eingehen.
Prädiktive Analysen und Engagement
Ein weiterer in der Wirtschaft beliebter Ansatz stellt die vorausschauende Analyse dar. Dabei werden Informationen aus grossen Datensätzen extrahiert, um vergangene Trends eingehender zu verstehen und zukünftige Dynamiken vorherzusagen. Im Bereich des Content Marketings werden mithilfe der prädiktiven Analyse zeitsensitive Daten gesammelt und ausgewertet. Wann führen welche Inhalte am ehesten zu Konversionen? Es geht einerseits darum, mithilfe von Machine Learning zu verstehen, welche Inhalte die Zielgruppe ansprechen und andererseits darum, den Content zum bestmöglichen Zeitpunkt zu publizieren. Die prädiktive Analyse ist zwar nicht unfehlbar, kann aber die Unternehmen dabei unterstützen, engagierende Inhalte zu erstellen.
Text Andrea Tarantini
