Wir und Künstliche Intelligenz im Marketing
Willkommen bei der Online Marketing Agentur ANN2thrive
Durch die Innovation künstlicher Intelligenz im Online Marketing garantieren wir unseren Kunden einen einfühlsamen und flexiblen Service sowie zuverlässige, effiziente und konsistente Ergebnisse
Neuronale Netze
Künstliche Neuronale Netze sind ein Teilgebiet der Künstlichen Intelligenz (KI). Sie sind ein mathematisches Modell des menschlichen Gehirns, weshalb sie schnell große Datenmengen analysieren und sich sogar anpassen können, um die anstehenden Aufgaben besser zu lösen.
Geschäftsidee
Der Einsatz von künstlichen neuronalen Netzen, der die Grundlage der Arbeit unserer Agentur darstellt, ermöglicht es uns daher, auch kleinen und mittelständischen Unternehmen hochqualifizierte Marketingdienstleistungen anzubieten, um die Effektivität ihrer Marketingkampagnen deutlich zu verbessern.
Unser Auftrag
Unsere Agentur ist ein Full-Service-Anbieter für Online Marketing Aktivitäten: Kommunikation, Preisgestaltung, Produkte und Vertrieb. Wir helfen kleinen und mittelständischen Unternehmen in allen Phasen ihrer Marketing Aktivitäten: Planung, Design und Ausführung.
Unser Team
Wir sind eine Start-Up Online Marketing Agentur, ein kleines, aber ambitioniertes Team von Menschen mit sich ergänzenden Fähigkeiten. Wir folgen einer organischen, sogenannten Pod-Struktur. Diese selbstorganisierte Struktur mit minimalen Formalitäten fördert kreative, dynamische und schnelle Lösungen für kleine Projekte und schafft ein Umfeld, in dem die Leistungsträger eng zusammenarbeiten und ihre Rollen im Laufe der Projekte schnell und häufig wechseln.
Elena Kisel
Dmitri König
Prof. Dr. Ivan Kisel
Wir und Künstliche Intelligenz - Zahlen
Wir entwickeln schnelle Algorithmen für Datenverarbeitung in der Kern- und Elementarteilchenphysik.
Große Experimente
Begutachtete Publikationen
Externe Zitierungen
h-index Hirschfaktor
Künstliche Intelligenz
Audio für diejenigen, die lieber hören als lesen.
Das Kernstück unserer Agentur ist die aktive Nutzung von Methoden der künstlichen Intelligenz im Marketing, nämlich künstliche neuronale Netze zur Analyse von Marketingdaten und Optimierung von Werbekampagnen.
Künstliche Neuronale Netze
Künstliche Intelligenz wird sowohl in der Industrie als auch im Alltag immer präsenter. Bei der Arbeit mit Marketingdaten verwenden wir künstliche neuronale Netze (Artificial Neural Networks, ANN).
Ein künstliches neuronales Netz ist ein mathematisches Modell, das auf dem Prinzip biologischer neuronaler Netze, d.h. Nervenzellennetze eines lebenden Organismus, aufgebaut ist.
Es ist jedoch anzumerken, dass die Entwicklung von KNN eher auf die effiziente Verarbeitung großer Informationsmengen abzielt als auf die Modellierung und Untersuchung der biologischen neuronalen Netze selbst.
Aus der Sicht des maschinellen Lernens kann ein künstliches neuronales Netz als eine der Methoden der Mustererkennung oder der Clusterisierung betrachtet werden.
Wie ein biologisches Neuron ist auch ein künstliches Neuron ein einfaches Rechengerät. Es empfängt Signale mit einigen Gewichten an seinen Eingängen, führt mit ihnen bestimmte Berechnungen durch und gibt das Ergebnis an seinen Ausgängen aus.
Ein recht einfaches künstliches Netzwerk ist das sogenannte fully connected feedforward Perceptron.
Fully connected feedforward Perceptron
Ein solches Netz besteht aus mehreren aufeinanderfolgenden Schichten von Neuronen, wobei die Informationen nur in eine Richtung zur Ausgangsschicht übertragen werden. Jedes Neuron einer Schicht ist mit allen Neuronen der nächstgelegenen Nachbarschichten verbunden und empfängt am Eingang Signale von allen Neuronen der vorherigen Schicht, verarbeitet diese und sendet das Ergebnis an alle Neuronen der nächsten Schicht.
Ein Perzeptron besteht im einfachsten Fall nur aus zwei Schichten: Eingabe und Ausgabe. In komplexeren Fällen kann es auch interne Schichten haben, die als versteckte Schichten bezeichnet werden, weil sie keine Verbindungen nach außen haben. Netzwerke mit mehreren versteckten Schichten sind in der Lage, recht komplexe Probleme zu lösen und werden Deep Learning Networks genannt.
Convolutional Neural Network
Beim Lösen komplexer Probleme kann die Anzahl der Neuronen in einem Netzwerk und damit seine Größe sehr schnell auf Millionen oder mehr anwachsen. Um die Generalisierungseigenschaft zu verbessern und gleichzeitig die Netzwerkgröße zu reduzieren, wurde das Convolutional Neural Network (CNN) vorgeschlagen, das ein Teil der Netzwerke mit Deep Learning ist. Sein einfachstes Design ist in der Abbildung oben auf der Seite dargestellt.
Die Faltungsschicht extrahiert Merkmale, wie z. B. das Vorhandensein von Linien oder Bögen, und gibt sie an die nächste Schicht weiter, wo die sogenannte Feature-Map gebildet wird.
In einem solchen Netz wird davon ausgegangen, dass die Information über das Vorhandensein eines bestimmten Merkmals wichtiger ist als z.B. die Kenntnis seiner Koordinaten.
Die Arbeit des Convolutional Neural Network kann als Übergang von den spezifischen Merkmalen des Bildes zu abstrakteren Details interpretiert werden. In diesem Fall ist das Netz selbstanpassend und entwickelt selbst die notwendige Hierarchie der abstrakten Merkmale, wobei unwichtige Details verworfen und das Wesentliche hervorgehoben wird.
Training
Eine äußerst wichtige Eigenschaft eines künstlichen neuronalen Netzes ist die Möglichkeit seines Trainings. Die einfachste und populärste Art des Trainings ist das Training mit einem Lehrer auf Testdaten mit bekanntem Ergebnis, die so genannte Backward-Propagation-Methode. In diesem Fall wird ein bekanntes Bild in den Eingang des Netzes eingegeben, sein Ergebnis wird mit dem bekannten verglichen und im Falle eines Fehlers wird die Information rückwärts propagiert, um die Netzparameter anzupassen und um das Ergebnis zu verbessern.
Mathematisch gesehen ist das Training neuronaler Netze ein mehrparametriges nichtlineares Optimierungsproblem.
Algorithmus
In Bezug auf die Informatik und die Programmierung ist ein neuronales Netzwerk ein effizienter paralleler Algorithmus, der gut für die Ausführung auf modernen parallelen Multicore-Computer-Architekturen und Allzweck-Grafikkarten geeignet ist.