Visuelle Magie auf Instagram: Canva und KI-generierte Posts im Rampenlicht

Autorin: Anna Feldbarg


Willkommen in einer digitalen Ära, die uns unendliche kreative Möglichkeiten bietet! Vor allem Instagram hat eine Bühne geschaffen, auf der wir unser künstlerisches Talent entfalten und fesselnde Geschichten erzählen können. Und das Beste daran ist: Als Foodblogger:in kannst du deine Rezepte jetzt noch lebendiger gestalten! Dank der Zusammenarbeit zwischen Canva1 – einer herausragenden visuellen Design-Plattform, und der beeindruckenden KI-Generierung von ChatGPT2 – wird dein Instagram-Profil zu einem magischen Ort voller Innovation und Inspiration. Zögere nicht länger und tauche mit mir in die visuelle Magie von Instagram ein!

Inhaltsverzeichnis

Mit ChatGPT und Canva der Kreativität freien Lauf lassen

Lass die Flammen deiner Kreativität lodern. Auch wenn du als Foodblogger:in schon viele Gerichte kreiert hast, kann es immer wieder vorkommen, dass dir der Funke der Inspiration fehlt. Doch keine Sorge – hier kommt ChatGPT ins Spiel. Diese innovative KI-Plattform generiert Ideen und Texte für dich, damit du auch bei einem scheinbar simplen Rezept wie dem Tomaten-Mozzarella-Salat deine Leser:innen mit kreativen Beschreibungen begeistern kannst.

Info zu Künstliche Intelligenz

KI bezieht sich auf Menschen und Programme, die menschenähnliche Denk- und Entscheidungsprozesse simulieren können. In diesem Kontext wird KI verwendet, um Texte und Inhalte auf kreativer Weise zu generieren.3

Doch das ist erst der Anfang! Hier kommt die Macht von ChatGPT ins Spiel, welche den Ideen magisches Leben einhaucht und damit den Auftakt für eine atemberaubende Transformation in verführerische Instagram-Posts setzt.

Jetzt betritt Canva die Bühne und präsentiert stolz seine beeindruckenden Vorlagen und unzähligen Designelemente. Als Foodblogger:in hast du somit endlich das Werkzeug an der Hand, um deine kreativen Meisterwerke in visuelle Kunstwerke zu verwandeln! Greife jetzt geschickt auf die von ChatGPT erzeugten Texte zurück und erschaffe so eine holistische Erzählung, welche die Schönheit deiner kulinarischen Kreationen perfekt unterstreicht.

Schritt für Schritt: Vom Funken zur visuellen Magie auf Instagram

Screenshot1: Erstellter Prompt der meine Wünsche berücksichtigt

1. Magische Konzepte zum Leben erwecken

Starte deine visuelle Magie mit Instagram Reise mit ChatGPT durch das Generieren von inspirierenden Ideen und Textfragmenten. Anschließend erstellt ChatGPT eine strukturierte Tabelle für dich, die alle Elemente deiner Instagram-Posts organisiert – von überzeugenden Textvorschlägen bis hin zu passenden Hashtags und exakten Bildbeschreibungen. Diese zentrale Tabelle wird zum Dreh- und Angelpunkt deines gesamten Prozesses und schafft Ordnung für die anschließende visuelle Gestaltung.

Screenshot2: Ausschnitt der Erstellten Tabelle aus ChatGPT4

2. Canva: Die Bühne für visuelle Magie und ChatGPT

Wenn du eine Instagram-Vorlage kreieren möchtest, die perfekt zu deiner Marke passt, gibt es einige wichtige Schritte zu beachten. Zum Glück ist Canva eine großartige Lösung für alle deine Designbedürfnisse! Beginne damit, das richtige Format auszuwählen und sorgfältig ausgewählte Bausteine einzufügen, die gezielt Informationen aus der ChatGPT-Tabelle integrieren. Mit dieser soliden Grundlage kannst du dann dein visuelles Meisterwerk entwerfen und dein Publikum begeistern!

3. Effektive Magie mit Canva und ChatGPT

Mit einem Canva Pro-Konto erhältst du Zugang zur innovativen Funktion der automatischen Design-Erstellung.5 Beginne, indem du die Tabellendaten von ChatGPT in dein Canva-Konto importierst und genieße das Ergebnis! Mit nur einem Klick verknüpfst du die Bausteine der Vorlage mit den relevanten Informationen aus deinen Tabellen und beobachte, wie Canva magisch alle Elemente für dich anordnet. So einfach geht’s – lass dich begeistern!

4. Feinschliff und veröffentlichen: Instagram Posts den letzten Schliff geben

Die Feinabstimmung ist entscheidend. Ein kurzer Blick auf das fertige Design hilft, Details zu optimieren und sicherzustellen, dass jedes Element perfekt harmoniert. Sobald dein Werk fertig ist, kannst du es hochladen und auf Instagram veröffentlichen.

Screenshot3: Instagram Bildbeschreibung6

5. Magische Präsentation auf Instagram

Die sorgfältig erstellten Beiträge warten darauf, auf Instagram präsentiert zu werden. Integriere den von ChatGPT generierten Bildbeschreibungstext nahtlos in dein visuelles Gesamtkunstwerk und erreiche so ein perfektes Ergebnis. Lade mit einem Klick deine Kreationen hoch und teile inspirierende Geschichten sowie kulinarische Erlebnisse mit deiner Community – Schritt für Schritt zum Erfolg!

Zurück zu Schritt eins?

Die Macht der visuellen Magie

Deine visuelle Magie auf Instagram – die Reise von der ersten Idee bis zur Veröffentlichung wird durch die gekonnte Verschmelzung von Canva und ChatGPT zu einem visuellen Vergnügen der Extraklasse. Durch die Symbiose von Kreativität und Technologie entstehen so Instagram-Posts, die nicht nur visuell beeindrucken, sondern auch Geschichten auf unvergleichliche Weise erzählen.

Bist du bereit, deiner Kreativität freien Lauf zu lassen? Erwecke deine Instagram-Posts mit der Magie von Canva und der künstlichen Intelligenz von ChatGPT zum Leben! 🚀 Lass dich inspirieren und teile uns deine Gedanken gerne in den Kommentaren mit!

Video-Tutorial: Visuelle Magie mit Canva und ChatGPT in Aktion

Hier ein einleitendes Video-Tutorial, das den gesamten Prozess von Ideengenerierung bis zur Veröffentlichung auf Instagram zeigt7

Quiz: Teste dein Wissen über Canva, ChatGPT und visuelle Magie

Quellen

  1. Canva Pty Ltd(2023a):Nutzungsbedingungen. Online unter https://www.canva.com/de_de/richtlinien/terms-of-use/[Abruf am 24.08.2023 ] ↩︎
  2. OpenAI(2023a):What is ChatGPT? Online unter https://help.openai.com/en/articles/6783457-what-is-chatgpt [Abruf am 24.08.2023 ] ↩︎
  3. Funk, Michael(2023): Sprache und Wissen. In: Künstliche Intelligenz, Verkörperung und Autonomie. Wiesbaden: Springer Vieweg. S.3 Online unter https://doi.org/10.1007/978-3-658-41106-0_1 ↩︎
  4. OpenAI(2023b): Screenshot2. Online unter https://chat.openai.com/auth/login  ↩︎
  5. Canva Pty Ltd(2023b): Mehrere Designs gleichzeitig erstellen. Online unter https://www.canva.com/de_de/help/bulk-create/[Abruf am 24.08.2023 ] ↩︎
  6. Instagram(2023): Screenshot3. Online unter https://www.instagram.com/ ↩︎
  7. Simon, Felicia(2023): Künstliche Intelligenz erstellt Instagram Content für dich 🤫 Canva & ChatGPT Trick 🔥 einfach erklärt. Online unter https://www.youtube.com/watch?v=yMjDav11jow&ab_channel=FeliciaSimon [Abruf am 24.08.2023 ] ↩︎

X-Ploration: Data Mining und Sentimentanalyse mit Hugging Face

Autor: Oguzhan-Burak Bozkurt


Durch den kontinuierlichen und raschen Fortschritt in jüngster Zeit auf den Gebieten von Big Data und KI-Technologien sind heutzutage insbesondere Teilbereiche des Informationsmanagements gefragter als je zuvor. Die Rolle des Informationsmanagers und Data Scientists besteht darin, Methoden zur Erfassung und Verarbeitung von Informationen aus unterschiedlichen Datenquellen anzuwenden. Zudem ist er befähigt, Entscheidungen darüber zu treffen, welche Verarbeitungsprozesse zur gezielten Knowledge Discovery aus umfangreichen Datensätzen geeignet sind. Hierbei kommt Data Mining ins Spiel, eine Methode, die die systematische Extraktion relevanter Informationen und Erkenntnisse aus großen Datenmengen umfasst.

In diesem Blogbeitrag werden wir tiefer in das Thema eintauchen und uns einem von vielen Verfahren des Data Mining, genauer der Sentimentanalyse im Text Mining, praxisnah annähern. Dabei bin ich der Ansicht, dass ein tieferes Verständnis erreicht wird, wenn das theoretisch Gelernte eigenständig umgesetzt werden kann, anstatt lediglich neue Buzzwörter kennenzulernen. Ziel ist eine Sentimentanalyse zu Beiträgen auf der Social Media Plattform X (ehemals Twitter) mit Verfahren aus dem Machine Learning bzw. einem passenden Modell aus Hugging Face umzusetzen.

Ihr könnt euch in die Hintergründe einlesen oder direkt zum Coden überspringen.

  • Einführung: Data Mining ⛏️
  • ML-Based Text Mining 🤖
  • In my feelings mit Hugging Face 🤗
  • Let’s build! Sentimentanalyse mit Python 🐍

  • Einführung: Data Mining ⛏️

    Data Mining umfasst die Extraktion von relevanten Informationen und Erkenntnissen aus umfangreichen Datensammlungen. Ähnlich wird auch der Begriff “Knowledge Discovery in Databases” (KDD) verwendet. Die Hauptaufgabe besteht darin, Verhaltensmuster und Prognosen aus den Daten zu identifizieren, um darauf basierend Trends zu erkennen und angemessen darauf zu reagieren. Dieser analytische Prozess des Data Mining erfolgt mithilfe von computergestützten Methoden, deren Wurzeln in den Bereichen Mathematik, Informatik und insbesondere Statistik liegen. Data Mining kann als Teilprozess innerhalb des umfassenden Datenanalyseprozesses verstanden werden, der folgendermaßen strukturiert ist:

  • Datenbereinigung (Exkludierung von irrelevanten Daten)
  • Datenintegration (Zusammenführen mehrerer Datenquellen)
  • Datenselektion (Auswahl relevanter Daten aus einer Datenbank)
  • Datentransformation (Aufbereitung/Konsolidierung der Daten in eine für das Data Mining passende Form)
  • Data Mining (Prozess gestützt von intelligenten Methoden zum Extrahieren von Daten-/Verhaltensmustern)
  • Pattern Evaluation (Identifikation interessanter Muster und Messwerte)
  • Knowledge Presentation (Präsentieren von mined knowledge durch Visualisierung und andere Repräsenationstechniken)
  • Data Mining als Teilprozess der Knowledge Discovery / Jiawei Han, Data Mining: Concepts and Techniques (2006)

    Die Data Mining Verfahren dienen dazu, den Datenbestand zu beschreiben und zukünftige Entwicklungen vorherzusagen. Hierbei kommen Klassifikations- und Regressionsmethoden aus dem statistischen Bereich zum Einsatz. Zuvor ist es jedoch notwendig, die Zielvariable festzulegen, die Daten aufzubereiten und Modelle zu erstellen. Die gebräuchlichen Methoden ermöglichen die Analyse spezifischer Kriterien wie Ausreißer- und Clusteranalyse, die Verallgemeinerung von Datensätzen, die Klassifizierung von Daten und die Untersuchung von Datenabhängigkeiten.

    Zusätzlich zu den herkömmlichen statistischen Methoden können auch Deep Learning-Algorithmen verwendet werden. Hierbei werden Modelle aus dem Bereich des Machine Learning unter Anwendung von überwachtem (bei gelabelten Daten) oder unüberwachtem (bei nicht gelabelten Daten) Lernen eingesetzt, um die Zielvariablen möglichst präzise vorherzusagen. Eine wesentliche Voraussetzung für das Vorhersagemodell ist ein Trainingsdatensatz mit bereits definierten Zielvariablen, auf den das Modell anschließend trainiert wird.


    ML-Based Text Mining 🤖

    Ein Teilbereich des Data Mining, der auch maßgeblich maschinelles Lernen einbezieht, ist das Text Mining. Hierbei zielt das Text Mining darauf ab, unstrukturierte Daten aus Texten, wie beispielsweise in sozialen Netzwerken veröffentlichte Inhalte, Kundenbewertungen auf Online-Marktplätzen oder lokal gespeicherte Textdateien, in strukturierte Daten umzuwandeln. Für das Text Mining dienen oft Datenquellen, die nicht direkt zugänglich sind, weshalb Daten über APIs oder Web-Scraping beschafft werden. Im darauf folgenden Schritt werden Merkmale (Features) gebildet und die Daten vorverarbeitet. Hierbei erfolgt die Analyse der Texte mithilfe von natürlicher Sprachverarbeitung (Natural Language Processing – NLP) unter Berücksichtigung von Eigenschaften wie Wortfrequenz, Satzlänge und Sprache.

    Maschinelles Lernen für Datenvorverarbeitung

    Die Vorverarbeitung der Daten wird durch Techniken des maschinellen Lernens ermöglicht, zu denen Folgendes gehört:

  • Tokenisierung: Hierbei werden die Texte in kleinere Einheiten wie Wörter oder Satzteile, sogenannte Tokens, aufgespalten. Das erleichtert die spätere Analyse und Verarbeitung.
  • Stoppwortentfernung: Häufige Wörter wie “und”, “oder” oder “aber”, die wenig spezifische Informationen liefern, werden entfernt, um die Datenmenge zu reduzieren und die Analyse effizienter zu gestalten.
  • Wortstamm- oder Lemmatisierung: Die Formen von Wörtern werden auf ihre Grundformen zurückgeführt, um verschiedene Variationen eines Wortes zu einer einzigen Form zu konsolidieren. Zum Beispiel werden “läuft”, “lief” und “gelaufen” auf “laufen” reduziert.
  • Entfernen von Sonderzeichen und Zahlen: Nicht-textuelle Zeichen wie Satzzeichen, Symbole und Zahlen können entfernt werden, um die Texte auf die reinen sprachlichen Elemente zu fokussieren.
  • Niedrige Frequenzfilterung: Seltene Wörter, die in vielen Texten nur selten vorkommen, können entfernt werden, um Rauschen zu reduzieren und die Analyse zu verbessern.
  • Wortvektorenbildung: Durch Techniken wie Word Embeddings können Wörter in numerische Vektoren umgewandelt werden, wodurch maschinelles Lernen und Analyseverfahren angewendet werden können.
  • Named Entity Recognition (NER): Diese Technik identifiziert in Texten genannte Entitäten wie Personen, Orte und Organisationen, was zur Identifizierung wichtiger Informationen beiträgt.
  • Sentimentanalyse: Diese Methode bewertet den emotionalen Ton eines Textes, indem sie versucht, positive, negative oder neutrale Stimmungen zu erkennen.
  • Textklassifikation: Mithilfe von Trainingsdaten werden Algorithmen trainiert, um Texte automatisch in vordefinierte Kategorien oder Klassen einzuteilen.
  • Topic Modeling: Diese Methode extrahiert automatisch Themen aus Texten, indem sie gemeinsame Wörter und Konzepte gruppiert.
  • Insgesamt kann der Text Mining-Prozess als Teil einer breiteren Datenanalyse oder Wissensentdeckung verstanden werden, bei dem die vorverarbeiteten Textdaten als Ausgangspunkt für weitere Schritte dienen.

    The effort of using machines to mimic the human mind has always struck me as rather silly. I would rather use them to mimic something better.

    Edsger Wybe Dijkstra

    In unserem nächsten Abschnitt werden wir auf die Sentimentanalyse eingehen und schrittweise demonstrieren, wie sie mit Hilfe von Modellen auf Hugging Face für Beiträge auf der Plattform X (ehemalig Twitter) durchgeführt werden kann.


    In my feelings mit Hugging Face 🤗

    Das 2016 gegründete Unternehmen Hugging Face mit Sitz in New York City ist eine Data Science und Machine Learning Plattform. Ähnlich wie GitHub ist Hugging Face gleichzeitig ein Open Source Hub für AI-Experten und -Enthusiasten. Der Einsatz von Huggin Face ist es, KI-Modelle durch Open Source Infrastruktur und Repositories für die breite Maße zugänglicher zu machen. Populär ist die Plattform unter anderem für seine hauseigene Open Source Bibliothek Transformers, die auf ML-Frameworks wie PyTorch, TensorFlow und JAX aufbauend verschiedene vortrainierte Modelle aus den Bereichen NLP, Computer Vision, Audio und Multimodale anhand von APIs zur Verfügung stellt.

    Drake Meme by me

    Für die Sentimentanalyse stehen uns über 200 Modelle auf der Plattform zur Verfügung. Wir werden im folgenden eine einfache Sentimentanalyse unter Verwendung von Transformers und Python durchführen. Unsere KI soll am Ende Ton, Gefühl und Stimmung eines Social Media Posts erkennen können.

    Viel Spaß beim Bauen! 🦾


    Let’s build! Sentimentanalyse mit Python 🐍

    Zunächst brauchen wir Daten aus X/Twitter. Da im Anschluss auf die neuen Richtlinien die Twitter API jedoch extrem eingeschränkt wurde (rate limits, kostenspielige read Berechtigung) und es nun auch viele Scraping-Methoden getroffen hat, werden wir bereits vorhandene Daten aus Kaggle verwenden.

    1. Datenbereitstellung: Kaggle

    Wir entscheiden uns für einen Datensatz, der sich für eine Sentimentanalyse eignet. Da wir mit einem Text-Mining Modell in Transformers arbeiten werden, welches NLP verwendet um das Sentiment eines Textes zuordnen zu können, sollten wir uns für einen Datensatz entscheiden, in dem sich Texte für unsere Zielvariable (das Sentiment) befinden.

    Hier kann ein Datensatz aus Kaggle verwendet werden, in dem über 80 Tausend englische Tweets über das Thema “Crypto” in dem Zeitraum vom 28.08.2022 – 29.08.2022 gesammelt wurde: 🐦 🪙 💸 Crypto Tweets | 80k in English | Aug 2022 🐦 🪙 💸

    Wir laden das Archiv herunter und entpacken die crypto-query-tweets.csv in unseren Projektordner.

    2. Zielsetzung und Datenvorverarbeitung: Python + Pandas

    Wir wollen in einer überschaubaren Anzahl an Tweets das jeweilige Sentiment zuordnen. Dazu schauen wir uns den Datensatz aus der CSV Datei genauer an. Uns interessieren dabei besonders Tweets von verifizierten Usern. Mit der Pandas Bibliothekt läss sich der Datensatz in Dataframes laden und nach bestimmten kriterien filtern.

    wir installieren zunächst per pip-install die gewünschte Bibliothek und importieren diese in unsere Codebase.

    pip install pandas

    Anschließends lesen wir die CSV-Datei ein und filtern entsprechend unseren Wünschen den Datensatz und geben diesen als Dataframe aus.

    import pandas as pd
    
    # CSV Datei lesen
    csv_file_path = "crypto-query-tweets.csv"
    df = pd.read_csv(csv_file_path, usecols=['date_time', 'username', 'verified', 'tweet_text'])
    
    # Filter anwenden um nur verifizierte User zu erhalten
    filtered_df = df[df['verified'] == True]
    
    # Printe Dataframe
    print(filtered_df)

    Wir erhalten folgende Ausgabe von 695 Zeilen und 4 Spalten:

           date_time                     username        verified    tweet_text
    19     2022-08-29 11:44:47+00:00     RR2Capital      True  #Ethereum (ETH)\n\nEthereum is currently the s...24     2022-08-29 11:44:45+00:00     RR2Capital      True  #Bitcoin (BTC)\n\nThe world’s first and larges...
    25     2022-08-29 11:44:43+00:00     RR2Capital      True  TOP 10 TRENDING CRYPTO COINS FOR 2023\n \nWe h...
    146    2022-08-29 11:42:39+00:00   ELLEmagazine      True  A Weekend in the Woods With Crypto’s Cool Kids...
    155    2022-08-29 11:42:32+00:00     sofizamolo      True          Shill me your favorite #crypto project👇🏻🤩
    ...                          ...            ...       ...                                                ...
    79383  2022-08-28 12:36:34+00:00  hernanlafalce      True  @VerseOort My proposal is as good as your proj...
    79813  2022-08-28 12:30:15+00:00   NEARProtocol      True  💫NEARCON Speaker Announcement💫\n\nWe're bringi...
    79846  2022-08-28 12:30:00+00:00            lcx      True  🚀@LCX enables project teams to focus on produc...
    79919  2022-08-28 12:28:56+00:00    iSocialFanz      True  Friday.. Heading to Columbus Ohio for a Web 3....
    79995  2022-08-28 12:27:46+00:00  BloombergAsia      True  Bitcoin appeared stuck around $20,000 on Sunda...
    
    [695 rows x 4 columns]

    3. Twitter-roBERTa-base for Sentiment Analysis + TweetEval

    Nun können wir mit Hugging Face Transformers eine vortrainiertes Modell verwenden, um allen Tweets entsprechende Sentiment Scores zuzuweisen. Wir nehmen hierfür das Modell Twitter-roBERTa-base for Sentiment Analysis, welches mit über 50 Millionen Tweets trainiert wurde und auf das TweetEval Benchmark für Tweet-Klassifizierung aufbaut. Weitere Infos unter dieser BibTex entry:

    @inproceedings{barbieri-etal-2020-tweeteval,
        title = "{T}weet{E}val: Unified Benchmark and Comparative Evaluation for Tweet Classification",
        author = "Barbieri, Francesco  and
          Camacho-Collados, Jose  and
          Espinosa Anke, Luis  and
          Neves, Leonardo",
        booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2020",
        month = nov,
        year = "2020",
        address = "Online",
        publisher = "Association for Computational Linguistics",
        url = "https://aclanthology.org/2020.findings-emnlp.148",
        doi = "10.18653/v1/2020.findings-emnlp.148",
        pages = "1644--1650"
    }

    Wir installieren alle für den weiteren Verlauf benötigten Bibliotheken.

    pip install transformers numpy scipy

    Die Transformers Bibliothekt erlaubt uns den Zugriff auf das benötigte Modell für die Sentimentanalyse. Mit scipy softmax und numpy werden wir die Sentiment Scores ausgeben mit Werten zwischen 0.0 und 1.0, die folgendermaßen für alle 3 Labels ausgegeben werden:

    Labels: 0 -> Negative; 1 -> Neutral; 2 -> Positive

    Importieren der Bibliotheken:

    from transformers import AutoModelForSequenceClassification
    from transformers import AutoTokenizer
    import numpy as np
    from scipy.special import softmax
    import csv
    import urllib.request

    Wir schreiben eine Methode zum vorverarbeiten des Texts. Hier sollen später Usernamen und Links aussortiert werden. Außerdem vergeben wir das gewünschte Modell mit dem gewünschten Task (‘sentiment’) in eine vorgesehene Variable und laden einen AutoTokenizer ein, um später eine einfach Eingabe-Enkodierung zu generieren.

    # Vorverarbeitung des texts 
    def preprocess(text):
        new_text = []
     
     
        for t in text.split(" "):
            t = '@user' if t.startswith('@') and len(t) > 1 else t
            t = 'http' if t.startswith('http') else t
            new_text.append(t)
        return " ".join(new_text)
    
    
    task='sentiment'
    MODEL = f"cardiffnlp/twitter-roberta-base-{task}"
    
    tokenizer = AutoTokenizer.from_pretrained(MODEL)
    

    Als nächstes laden wir das Label Mapping aus TweetEval für das zugeordnete Task ‘sentiment’ herunter. Das Modell für die Sequenzklassifizierung kann nun gespeichert und in der ‘model’ Variable hinterlegt werden.

    # download label mapping
    labels=[]
    mapping_link = f"https://raw.githubusercontent.com/cardiffnlp/tweeteval/main/datasets/{task}/mapping.txt"
    with urllib.request.urlopen(mapping_link) as f:
        html = f.read().decode('utf-8').split("\n")
        csvreader = csv.reader(html, delimiter='\t')
    labels = [row[1] for row in csvreader if len(row) > 1]
    
    # Modell laden
    model = AutoModelForSequenceClassification.from_pretrained(MODEL)
    model.save_pretrained(MODEL)
    

    Im nächsten Schritt schreiben wir zwei Methoden, die dabei helfen sollen zeilenweise Tweet-Texte zu enkodieren und ein Sentiment Score zu vergeben. In einem Array sentiment_results legen wir alle Labels und entsprechende Scores ab.

    # Sentiment Scores für alle Tweets erhalten
    def get_sentiment(text):
        text = preprocess(text)
        encoded_input = tokenizer(text, return_tensors='pt')
        output = model(**encoded_input)
        scores = output.logits[0].detach().numpy()
        scores = softmax(scores)
        return scores
    
    # Sentimentanalyse für jede Zeile im Datensatz anwenden
    def analyze_sentiment(row):
        scores = get_sentiment(row['tweet_text'])
        ranking = np.argsort(scores)
        ranking = ranking[::-1]
        sentiment_results = []
        for i in range(scores.shape[0]):
            l = labels[ranking[i]]
            s = scores[ranking[i]]
            sentiment_results.append((l, np.round(float(s), 4)))
        return sentiment_results

    Zum Schluss wir das Dataframe um unser Ergebnis erweitert. Hierzu erstellen wir eine neue Spalte ‘sentiment’ und fügen mit der apply-Funktion die Ergebnisse aus unserer vorherigen Methode analyze_sentiement hinzu. Am Ende geben wir unser neues Dataframe in der Konsole aus.

    # Ergebnisse in neue Spalte "sentiment" speichern
    filtered_df['sentiment'] = filtered_df.apply(analyze_sentiment, axis=1)
    
    # Ausgabe des neuen DataFrames
    print(filtered_df)

    Wir erhalten ein neues Dataframe mit einer weiteren Spalte in der das Label und die Sentiment-Scores festgehalten werden! 🤗🚀

    Den gesamten Code könnt ihr euch auch auf meinem GitHub Profil ansehen oder klonen.


    Referenzen

    Han, Jiawei (2006). Data Mining: Concepts and Techniques, Simon Fraser University.

    Barbieri, F., Camacho-Collados, J., Espinosa Anke, L., & Neves, L. (2020). Tweet Eval: Unified Benchmark and Comparative Evaluation for Tweet Classification. In Findings of the Association for Computational Linguistics: EMNLP 2020, S. 1644-1650. https://aclanthology.org/2020.findings-emnlp.148.

    Hugging Face Transformers: https://huggingface.co/docs/transformers/index. Zuletzt aktualisiert am 27.08.2023.

    Kaggle Dataset: Leonel do Nascimento, Tiago; “Crypto Tweets | 80k in ENG | Aug 2022 “: https://www.kaggle.com/datasets/tleonel/crypto-tweets-80k-in-eng-aug-2022. (CC0 Public Domain Lizens), zuletzt aktualisiert am 27.08.2023.

    Wartena, Christian & Koraljka Golub (2021). Evaluierung von Verschlagwortung im Kontext des Information Retrievals. In Qualität in der Inhaltserschließung, 70:325–48. Bibliotheks- und Informationspraxis. De Gruyter, 2021. https://doi.org/10.1515/9783110691597.


    Energiesparen durch Smart Home?

    Autor*innen: Leoni Albert und Elias Huisl


    Aufgrund der aktuell steigenden Energiekosten wird das Thema “Energiesparen” für Verbraucher*innen immer wichtiger.1 In dem folgenden Artikel untersuchen wir gemeinsam, ob Energiesparen durch Smart Home möglich ist und mit welchen Tools Sie Kosten sparen können.

    Inhaltsverzeichnis

    4 smarte Möglichkeiten, mit denen Energie eingespart werden kann

    Ein Smart Home muss nicht immer ein aufwändiger Neubau sein, bereits durch kleine Änderungen können Sie Ihre vorhandenen Geräte und die Infrastruktur modernisieren.

    Möglichkeit 1: Die Heizung

    Ganz einfach können klassische Heizkörperthermostate durch smarte ausgetauscht werden. Die Heizung reguliert sich selbst, dadurch können Sie nicht mehr vergessen, sie auszuschalten. Sind zusätzlich noch Fensterkontakte verbaut, kann die Heizung darauf reagieren und bei geöffneten Fenstern das Heizen unterbrechen. Dadurch können Heizkosten gespart werden.2 

    Möglichkeit 2: Die Beleuchtung

    Durch Bewegungssensoren wird die Beleuchtung lediglich bei Bedarf genutzt. Des Weiteren können Sensoren Tageslicht erkennen und dementsprechend die Lampen ausschalten oder dimmen. Auch praktisch: Durch festgelegte Timer können Sie oder Ihre Mitbewohner*innen nicht mehr vergessen, das Licht auszuschalten.3

    Möglichkeit 3: Eliminieren von Standby-Geräten

    Fernseher oder Bürogeräte wie Drucker und Bildschirm verbrauchen auch nach dem Ausschalten weiterhin Strom. Grund hierfür ist der sogenannte Standby-Modus. Durch smarte Zwischenstecker können die Geräte komplett vom Strom genommen werden und Sie schalten sie nur bei Bedarf ein.4

    Möglichkeit 4: Smarte Stromzähler

    Smarte Stromzähler werten den Stromverbrauch  aus und warnen bei überdurchschnittlich hohem Verbrauch. Dadurch können Sie direkt reagieren und nach Ursachen für den hohen Stromverbrauch suchen.5 Sogar von unterwegs oder aus dem Urlaub.

    Mit einem smarten Zuhause wird unser Leben moderner und komfortabler. Aber wird dadurch das Wohnen für Sie auch günstiger?

    Das große Problem an Energieeinsparungen durch smarte Technik ist der hohe Stromverbrauch der benötigten Geräte. Diese entpuppen sich oft als Energiesparfalle. Durch die dauerhafte Betriebsbereitschaft ziehen sie ununterbrochen Strom – meistens sogar im ausgeschalteten Zustand! Dadurch ist klar, dass sich der Stromverbrauch erhöhen wird. 

    Trotz diesen Mehrkosten ist laut Studie der Verbraucherzentrale Nordrhein-Westfalen jährliche Einsparungen der Energiekosten in Höhe von 140 € möglich.6 Aufgrund der steigenden Energiekosten wird die Einsparung 2023 sogar sehr wahrscheinlich noch größer ausfallen.7 Allerdings kann dieses Potenzial nur erreicht werden, wenn bei der Auswahl der Geräte nicht nur der Komfort, sondern vor allem die Effizienz im Vordergrund steht.

    Zur maximalen Einsparung ist es umso wichtiger, dass Sie klären: Wie viel Luxus möchten Sie mit der Umrüstung erreichen? Muss die Kaffeemaschine wirklich aus dem Bett heraus betrieben werden?

    Fazit

    Es ist durchaus möglich, dass Sie durch Smart Home Energie einsparen können. Allerdings muss dazu weitestgehend auf komfortable Technik verzichtet werden und das Augenmerk auf die Energieeffizienz gesetzt werden. Außerdem sollten Sie im Vorfeld ausrechnen, wie hoch die Anschaffungskosten sind und ob diese Kosten sich durch die Energieeinsparungen rentieren.

    Quellen

    1Focus (2022): Stadtwerke verdoppeln Strompreise – ist Ihr Anbieter auch dabei? Zuletzt akutalisiert am 23.11.2022. Online unter: https://www.focus.de/finanzen/news/so-reagieren-sie-richtig-stadtwerke-verdoppeln-strompreis-ist-ihr-anbieter-auch-dabei_id_180314185.html [Abruf am 24.11.2022]

    2Spiegel (2022): Wenn die Heizung auf Automatik läuft. Zuletzt aktualisiert am 22.10.2022. Online unter: https://www.spiegel.de/tests/haushalt/smarte-heizkoerperthermostate-im-test-wenn-die-heizung-auf-automatik-laeuft-a-e5a8957b-ce0a-4655-bb72-30f6a8dbaf12 [Abruf am 24.11.2022]

    3Berliner Morgenpost (2022): Energie sparen. Wo sich smarte Helfer auszahlen. Zuletzt aktualisiert am 03.10.2022. Online unter: https://www.morgenpost.de/nachhaltigkeit/article236567553/gas-heizung-strom-sparen-smart-home.html [Abruf am 24.11.2022]

    4Chip (2022): Stromverbrauch im Standby. Das müssen Sie darüber wissen. Zuletzt aktualisiert am 26.10.2022. Online unter: https://praxistipps.chip.de/stromverbrauch-im-standby-das-muessen-sie-darueber-wissen_149070 [Abruf am 24.11.2022]

    5Henning, Peter A. (2016): SmartHome Hacks. Hausautomatisierung selber machen. 1. Auflage. Heidelberg: O’Reilly. Online unter: https://learning.oreilly.com/library/view/smarthome-hacks/9781492066705/?ar [Abruf am 24.11.2022] [E-Book]

    6Verbraucherzentrale NRW (2020): Klimabilanz in Smart Home. Online unter: https://www.verbraucherzentrale.nrw/energie/studie-klimabilanz-im-smart-home-46768 [Abruf am 23.11.2022]

    7Statista (2022): So stark sind die Energiekosten gestiegen. Online unter: https://de.statista.com/infografik/27457/entwicklung-der-energiepreise-fuer-private-haushalte-in-deutschland/ [Abruf am 23.11.2022]

    Video: SWR Landesschau Baden-Württemberg (2017): Intelligente Stromzähler: Online unter: https://www.youtube.com/watch?v=At6gEcQEcfMm [Abruf am 27.11.2022]

    Alle Bilder entsprechen der CCO-Lizenz.

    Künstliche Intelligenz in der Produktion von Filmen

    Autor*innen: Lukas Vojkovic und Ann-Christin Thoma


    Übersicht

    Intro

    Künstliche Intelligenz (KI) wird normalerweise damit in Verbindung gebracht, Menschen bei Aufgaben zu unterstützen, die durch Automatisierung besser erledigt werden können.
    Mit dem fortschreitenden technischen Wandel ist es der KI heutzutage aber nicht nur möglich, fortschriftliche visuelle Effekte in Filmen zu liefern oder den Videoschnitt zu erleichtern, sondern auch Prognosen hinsichtlich des möglichen Erfolgs eines Filmes zu liefern und ganze Storyboards zu verfassen.
    Die KI entwickelt sich immer mehr zu einer unausweichlichen Kraft, die Filme zukünftig weiter aufarbeiten und stetig verbessern wird. 1

    Die KI „Benjamin“ und ihr Kurzfilm „Sunspring“

    Hinsichtlich der Verwendung von KI in der Filmproduktion sticht besonders der Science-Fiction-Kurzfilm „Sunspring“ ins Auge, welcher 2016 debütierte. Das Interessante an diesem Film ist, dass er auf den ersten Blick wie viele andere Science-Fiction-Filme wirken mag – bis zur Erkenntnis, dass dessen Drehbuch ausschließlich von einer KI geschrieben wurde, welche sich selbst den Namen “Benjamin” zuteilte.
    Es handelt sich hierbei um ein rekurrentes neuronales Netzwerk namens LSTM
    (long short-term memory), welches vorher mit Drehbüchern verschiedenster Science-Fiction-Filme sowie -Serien gespeist wurde. Trotz oder gerade wegen dieses daraus resultierenden, sehr kuriosen Drehbuchs wurde der Kurzfilm mit drei Schauspielenden gedreht und erhielt dadurch große Aufmerksamkeit. 2

    Benjamin kreierte im selben Kurzfilm auch die Musik. Das neuronale Netzwerk wurde hier, ähnlich wie bei der vorangegangenen Vorgehensweise, mit vielen verschiedenen Einflüssen trainiert. In diesem Fall mit über 30.000 verschiedensten Popsongs. 3

    Visuelle Effekte und Unterstützung in der Postproduktion

    Als weitere Art der Unterstützung wird KI inzwischen im Zuge von weiteren bestehenden Produktionsabläufen sogar in Schnittprogramme implementiert. Dort kann sie unter anderem durch nur einen Klick Audio- oder auch Farbanpassungen vornehmen. 4
    Doch nicht nur dort kommt künstliche Intelligenz in der Filmwelt der Postproduktion zum Einsatz. Im Bereich der visuellen Effekte kommt sie gerade beim Rotoskopieren zum Tragen, wo bestimmte Teile des Filmmaterials vom Hintergrund separiert werden. Rotoskopieren ist eine Technik, um animierte Filme und komplexe Bewegungsabläufe in Animationsfilmen realistischer wirken zu lassen. Als Beispiel dient hier das Unternehmen Array. Deren neuronales Netzwerk wurde mit Material gefüttert, welches von Visual Effect Artists arrangiert wurde. Nach ausreichendem Training kann das neuronale Netzwerk sogar ohne Unterstützung durch einen Greenscreen arbeiten. 5

    Auch die Computersoftware “Massive” sticht im Zuge der visuellen Effekte ins Auge. Ursprünglich für die „Herr der Ringe“-Trilogie entwickelt war diese mit Hilfe von künstlicher Intelligenz in der Lage, computergenerierte Armeen zu erstellen sowie realistische Schlachten in enormen Ausmaßen zu simulieren. “Massiv” erschuf auch andere ikonische Kampfszenen der letzten Jahre, darunter Szenen aus „Game of Thrones“ sowie „Marvel’s Avengers: Endgame“. 6

    Podcast “The Daily Charge”: How Lord of the Rings changed filmmaking

    Den Erfolg eines Filmes vorhersagen

    Ein ganz anderer Bereich, welcher durch KI revolutioniert wird, ist die prognostische Ebene. Denn sie ist inzwischen auch dazu in der Lage, Prognosen über den möglichen Erfolg eines Filmes zu treffen. Zum Beispiel soll die vom Datenwissenschaftler Yves Bergquist entwickelte KI „Corto“ dank künstlicher neuronaler Netze in der Lage sein, den Erfolg eines Films vorherzusagen. Das funktioniert nicht nur durch Analyse verschiedenster Elemente aus dem Film direkt, sondern auch über Daten aus sozialen Medien, wo die KI durch verschiedene Äußerungen die Stimmung sowie den kognitiven Zustand der Nutzenden ermittelt, die verschiedene Medieninhalte zugeführt bekommen haben. 7

    Umwandlung alter Filmaufnahmen

    Aber Künstliche Intelligenz kann auch für ganz andere Zwecke genutzt werden. So konvertierte ein YouTuber namens Denis Shiryaev eine über 100 Jahre alte Filmaufnahme der französischen Lumière-Brüder aus dem Jahr 1895 durch die Unterstützung einer KI auf das Videoformat 4k sowie die Bildrate auf 60 Bilder pro Sekunde. Somit verfrachtete er den Film durch Unterstützung einer KI technisch ins aktuelle Zeitalter. Hier bestand zwar durchaus noch Verbesserungspotential, allerdings geschah der Vorgang mit wenig Aufwand und wies erneut eindrucksvoll auf, zu was künstliche Intelligenz inzwischen in der Lage ist. 8

    Quelle: Vimeo

    Ersetzt die KI den Menschen?

    Es ist wirklich erstaunlich zu sehen, was für einen großen Einfluss KI in der Welt der Filmproduktion hat und wie viele Bereiche dieser durch sie bereits vereinfacht werden können. Der damit verbundene technische Fortschritt eröffnete die letzten Jahre viele neue innovative Anwendungen in der gesamten Branche und ermöglicht Unternehmen nicht nur, die Effizienz ihrer Arbeitsabläufe zu steigern, sondern auch, ihre Arbeitskosten zu senken und mehr Umsatz zu generieren. 9

    Trotz all dieser Vorteile sollte gerade ein Aspekt im Kopf verbleiben:

    „KI ist weder nur ein Werkzeug noch ein vollständiger Ersatz für einen Schriftsteller. Man braucht eine Symbiose, um gemeinsam mit der Maschine Kunst zu kreieren.“ 10

    Vladimir Alexeev

    Quellen

    1 Datta, Angana; Goswami, Ruchi (2020): The Film Industry Leaps into Artificial Intelligence: Scope and Challenges by the Filmmakers. Zuletzt aktualisiert am 02.10.2020. Online unter: https://link.springer.com/chapter/10.1007/978-981-15-6014-9_80 [Abruf am 22.11.2022]
    2 Alexeev, Vladimir (2022): KI als Filmemacher: Wie man Kurzfilme nur mit Machine-Learning-Modellen macht. Zuletzt aktualisiert am 15.07.2022. Online unter https://1e9.community/t/ki-als-filmemacher-wie-man-kurzfilme-nur-mit-machine-learning-modellen-macht/17523 [Abruf am 27.11.2022]
    3 Newitz, Annalee (2016): Movie written by algorithm turns out to be hilarious and intense. Zuletzt aktualisiert am 30.05.2021. Online unter https://arstechnica.com/gaming/2021/05/an-ai-wrote-this-movie-and-its-strangely-moving/ [Abruf am 23.11.2022]
    4 Antunes, Jose (2018). Artificial Intelligence at NAB 2018: real world Applications. Zuletzt aktualisiert am 09.04.2018. Online unter https://www.provideocoalition.com/artificial-intelligence-at-nab-2018-real-world-applications/ [Abruf am 27.11.2022]
    5 Metz, Cade (2018): Lights, Camera, Artificial Action: Start-Up Is Taking A.I. tot he Movies. The New York Times. Zuletzt aktualisiert am 26.03.2018. Online unter https://www.nytimes.com/2018/03/26/technology/artificial-intelligence-hollywood.html [Abruf am 22.11.2022]
    6 Carson, Erin (2022): How ‘Lord of the Rings’ Used AI to Change Big-Screen Battles Forever. Zuletzt aktualisiert am 04.09.2022. Online unter https://www.cnet.com/culture/entertainment/features/how-lord-of-the-rings-used-ai-to-change-big-screen-battles-forever/ [Abruf am 30.11.2022]
    7 Schneider, Vanessa (2019): Künstliche Intelligenz & Kultur: Warum Hollywood auf Algorithmen setzt. Zuletzt aktualisiert am 30.09.2019. Online unter https://www.br.de/kuenstliche-intelligenz/so-setzt-hollywood-auf-kuenstliche-intelligenz-machine-learning-100.html [Abruf am 24.11.2022]
    8 Westphal, André (2020): Über 120 Jahre alter Film mit KI-Unterstützung zu 4K und 60 fps umgewandelt. Zuletzt aktualisiert am 07.02.2020. Online unter https://stadt-bremerhaven.de/ueber-120-jahre-alter-film-mit-ki-unterstuetzung-zu-4k-und-60-fps-umgewandelt/ [Abruf am 22.11.2022]
    9 4 How Artificial Intelligence Is Used in the Film Industry. Online unter https://smartclick.ai/articles/how-artificial-intelligence-is-used-in-the-film-industry/ [Abruf am 28.11.2022]
    10 Alexeev, Vladimir (2022): KI als Filmemacher: Wie man Kurzfilme nur mit Machine-Learning-Modellen macht. Zuletzt aktualisiert am 15.07.2022. Online unter https://1e9.community/t/ki-als-filmemacher-wie-man-kurzfilme-nur-mit-machine-learning-modellen-macht/17523 [Abruf am 28.11.2022]

    Interaktive Videos auf der Leinwand

    Autorinnen: Bonnie Huntemann und Nicole Hafner


    Ein neues Filmerlebnis?

    Die Filmindustrie und vor allem der Streaming-Anbieter Netflix haben in den letzten Jahren mit einem selbst produzierten Aufgebot an interaktiven Filmen eine Art Hype geschaffen.

    Ob mit der ganzen Familie auf der Couch oder alleine in den öffentlichen Verkehrsmitteln: Zuschauer*innen empfinden eine starke Bindung zum Geschehen im Film. Mehr noch: durch die gefühlte Partizipation, die suggeriert wird und durch die Aufmerksamkeit, die vorausgesetzt wird um ein erfolgreiches interaktives Erlebnis zu erfahren, entsteht fast ein ähnlich starkes Gefühl von Teilhabe den Verlauf zu beeinflussen, wie bei modernen Videospielen.

    Bild von StockSnap auf Pixabay

    Inhaltsverzeichnis

    1. Ein neues Filmerlebnis?
    2. Der Beginn eines Hypes?
    3. Beispiele für interaktive Filme
    4. Wie “interaktiv” sind interaktive Filme wirklich?
    5. Quellen

    Der Beginn eines Hypes?

    Doch der Wunsch nach Interaktion mit dem Filmgeschehen ist keine neue Idee und hat seinen Ursprung schon gar nicht in der Streamingindustrie.

    “Einen ersten Versuch mit interaktiven Filmelementen unternahm beispielsweise Winsor McCays Zeichentrick-Experiment Gertie the Dinosaur (USA 1914), für das der Regisseur sich bei jeder Vorführung vor der Leinwand positionierte und mit der gezeichneten Dinosaurierdame Gertie ‹interagierte›, die seine Befehle ‹befolgte› “

    Auch wenn es sich hierbei zweifelsfrei nicht mal annähernd um tatsächliche Interaktion zwischen Publikum und Filmgeschehen handelt, wird deutlich, dass die Idee schon früh Wurzeln in der Filmindustrie geschlagen hat.

    Aber was macht interaktive Filmelemente so interessant und in welchen Bereichen kann man Sie heute und in Zukunft nutzen?

    “Videos zählen aktuell und vermutlich auch künftig zu den bedeutendsten digitalen Medien im Internet. Sie lassen sich für fast alle Anwendungsbereiche verwenden und können Sachverhalte und Zusammenhänge so anschaulich und authentisch darstellen, wie es mit keinem anderen Medientyp möglich ist.”

    Die Filmindustrie entwickelt sich stetig weiter, immer auf der Suche nach einem neuen Trend, in den letzten 10 Jahren ging es beispielsweise von 3D über 4D zu interaktiven Filmen. Ziel ist es dabei dem Zuschauer immer mehr das Gefühl zu geben er wäre in das Geschehen involviert, ein Wandel von Betrachtung hin zur echten Interaktion.

    Trailer von “Du gegen die Wildnis” (2019)

    Beispiele für interaktive Filme aus den letzten Jahren

    Wie “interaktiv” sind interaktive Filme wirklich?

    Die Möglichkeit mitzuentscheiden, wie sich die Handlung im Film gestaltet erweckt im Betrachter zwar die glaubhafte Illusion von Interaktivität, dabei ist dies natürlich keine freie, selbst gefällte Entscheidung, wie wir sie aus dem realen Leben kennen.Denn Interaktivität im Film hat ihre Grenzen. Auch wenn vermeintliche Partizipation suggeriert wird, sind Entscheidungsmöglichkeiten, dadurch, dass sie schon bei der Produktion erdacht wurden, vorbestimmt und in einer Art Baum-Struktur deklariert. So ist es dem Zuschauer zwar nicht möglich irgendwie die Handlung zu beeinflussen, aber er kann in manchen Fällen doch zwischen zwei oder mehr vorgegebenen Möglichkeiten wählen.

    Die Filmindustrie steht noch am Beginn der Entwicklung interaktiver Kinoerlebnisse, die zukünftigen Veröffentlichungen versprechen spannend zu werden, werden aber nie unser Bedürfnis nach echter Interaktivität decken können.

    Quellen

    Die KI DeepNash meistert Stratego

    Autor*innen: Jessica Arnold und Jan Heinemeyer

    DeepNash ist die neue KI der Firma Deepmind, die erstmals in der Lage ist das Brettspiel Stratego trotz unvollständiger Informationen zu meistern.


    Darstellung des Brettspiels Stratego [3 ]

    Inhalt

    Die neue KI DeepNash

    Während die künstliche Intelligenz „AlphaZero“ Schach und „MuZero“ als Nachfolger verschiedene Spiele der Spielkonsole Atari meisterte, veröffentlichte die Firma Deepmind die nächste Entwicklungsstufe. Diese KI trägt den Namen DeepNash. AlphaZero meisterte Brettspiele mit klaren Regeln über ein modell-basiertes Training und MuZero, die schwer in Regeln auszudrückenden Atari-Spiele durch ein modell-freies Training. DeepNash hingegen legt sowohl die Spielregeln wie auch das Modell eines Spiels für die Planung fest. Die Besonderheit ist hierbei, dass von der gängigen Methode der Monte-Carlo-Baumsuche abgewichen wird. In der nachfolgenden Tabelle wird die unterschiedliche Komplexität von Brettspielen nochmals deutlich. [1][6]

    SchachPokerGo 19*19Stratego
    durchschnittliche Züge je Spiel60153001000
    mögliche Startaufstellungen110611066
    Komplexität des Spielbaums1012310171036010535
    Übersicht der Komplexität unterschiedlicher Brettspiele [3]

    Die Nash-Spieltheorie

    Das Besondere an DeepNash ist, dass es in den Spielen versucht ein Nash-Gleichgewicht zu erreichen. Hierdurch verläuft das Spiel stabil. Das Nash-Gleichgewicht ist nach dem Spieltheorie-Mathematiker Jon Forbes Nash benannt. Die Theorie folgt der Annahme, dass ein Abweichen der Strategie zu einem schlechteren Ergebnis führt. DeepNash und das Nash-Gleichgewicht folgen also konstant einer Strategie. Infolgedessen hat DeepNash mindestens eine 50%ige Chance zu gewinnen. [1][3]

    Die KI DeepNash spielt Stratego

    Youtube-Kanal Deepmind: Die erste Stratego Partie von DeepNash gegen einen menschlichen Gegner[2]

    Die KI DeepNash nahm als Trainingsgrundlage das Brettspiel Stratego. Das Brettspiel hat im Schnitt 381 Spielzüge und die besondere Schwierigkeit, dass nicht alle Informationen von Beginn an gegeben sind, da mit verdeckten Figuren gespielt wird und der Gegner mit Hilfe von Bluffs i.d.R. seine Taktik verschleiert. Optimale Spielabläufe gibt es nicht, da die Züge inkonsequent sind, das heißt jederzeit ist das Spielergebnis offen. Es wird daher anders als beim Schach nicht in Zügen, sondern in Spielen gedacht. [1][3]

    Die optimale Strategie in Stratego erreicht die KI nach 5,5 Milliarden simulierten Partien. [1] DeepNash besiegte damit 97% der derzeitigen Computersysteme und erreichte eine Siegesquote von 84% gegen menschliche Spieler auf der Online-Stratego-Plattform Gravon. DeepNash gelangte damit in die Top 3 der dortigen Bestenliste. Eine weitere Besonderheit der KI stellte die Anwendung menschlicher Spielstrategien dar. So zeigte DeepNash das Bluffen oder auch das Opfern von Figuren als Taktik. Der Algorithmus „Regularised Nash Dynamics“ (R-NaD) wird außerdem für Forschende als OpenSource Download auf Github zur Verfügung gestellt. [1][4][5]

    Ausschnitt aus der OpenSource Publikation zu DeepNash[7]

    Zukünftige KI Anwendungsfelder

    DeepNash ist die nächste Weiterentwicklung, um Menschen in Brettspielen zu übertrumpfen und wird künftig als Grundlage für alltägliche Herausforderungen genutzt werden können. Insbesondere mit unvollständigen Informationen zu arbeiten stellt einen weiteren Meilenstein dar, der in der Lage ist bei komplexen Problemen wie der Optimierung des Verkehrssystems oder auch im Bereich des autonomen Fahrens – wie auch MuZero zuvor – einen Beitrag leisten zu können. [3][4][6]

    Quiz

    Teste nun dein Wissen über DeepNash in einem kleinen Quiz.

    Über die Autoren

    Die Autorin Jessica Arnold arbeitet derzeit in der Hochschulbibliothek Emden und studiert berufsbegleitend Informationsmanagement an der Hochschule Hannover.

    Der Autor Jan Heinemeyer arbeitet derzeit in der Stadtbücherei Penzberg und studiert berufsbegleitend Informationsmanagement an der Hochschule Hannover.

    Beide Autoren eint das private Interesse an Informatik, Gaming, KI und Brettspielen.

    Quellen:

    Fußnoten:

    1: Bastian, Matthias (2022)

    2: DeepMind (2023)

    3: Perolat, Julien u.a. (2023)

    4: Meier, Christian J. (2022)

    5: Menge-Sonnentag, Rainald (2022)

    6: Schreiner, Maximilian (2020)

    7: Perolat, Julien u.a. (2022)

    Literaturverzeichnis:

    Bastian, Matthias (2022): Deepminds neue Spiele-KI soll ein Game-Changer in der echten Welt werden. . In: THE-DECODER.de, Ausgabe vom 04.12.2020. Online verfügbar unter https://the-decoder.de/deepminds-neue-spiele-ki-soll-ein-game-changer-in-der-echten-welt-werden/, zuletzt geprüft am 05.01.2023.

    DeepMind (2023): DeepNash Stratego game 1. Online verfügbar unter https://www.youtube.com/watch?v=HaUdWoSMjSY, zuletzt aktualisiert am 05.01.2023, zuletzt geprüft am 05.01.2023.

    Meier, Christian J. (2022): Künstliche Intelligenz spielt Stratego und besiegt Menschen: ein Durchbruch. In: Süddeutsche Zeitung, 02.12.2022. Online verfügbar unter https://www.sueddeutsche.de/wissen/kuenstliche-intelligenz-stratego-brettspiel-durchbruch-menschen-1.5707877, zuletzt geprüft am 05.01.2023.

    Menge-Sonnentag, Rainald (2022): KI meistert nächstes komplexes Brettspiel: DeepNash siegt in Stratego. In: heise online, 05.12.2022. Online verfügbar unter https://www.heise.de/news/KI-meistert-naechstes-komplexes-Brettspiel-DeepNash-siegt-in-Stratego-7365933.html, zuletzt geprüft am 05.01.2023.

    Perolat, Julien u.a. (2022): Mastering the Game of Stratego with Model-Free Multiagent Reinforcement Learning. Online unter https://arxiv.org/pdf/2206.15378.pdf [Abruf am 07.01.2023]

    Perolat, Julien u.a. (2023): Mastering Stratego, the classic game of imperfect information. Online verfügbar unter https://www.deepmind.com/blog/mastering-stratego-the-classic-game-of-imperfect-information, zuletzt aktualisiert am 05.01.2023, zuletzt geprüft am 05.01.2023.

    Schreiner, Maximilian (2020): Deepmind MuZero: Auf dem Weg zum Universalalgorithmus. In: THE-DECODER.de, Ausgabe vom 24.12.2020. Online unter https://the-decoder.de/deepmind-muzero-auf-dem-weg-zum-universalalgorithmus/#top, zuletzt geprüft am 05.01.2023.

    Methoden zur Verbesserung der User Experience am Beispiel des Kano-Modells

    Autorinnen: Jennifer Tews und Katharina Trommer


    Die Kundschaft ist König – doch was erwartet sie eigentlich? Was erwarten Kund:innen von einem Produkt oder einer Dienstleistung und womit lassen sie sich begeistern? Für Unternehmen oder Dienstleister ist es wichtig, die Bedürfnisse seiner Kund:innen sowie deren Ansprüche und Wünsche zu kennen und im besten Fall zu erfüllen. Denn nur so können eine erhöhte Nachfrage und ein dementsprechendes Angebot gewährleistet werden. Eine Einführung in diese Thematik sowie das Kano-Modell als Methode, die Zufriedenheit der Kund:innen festzustellen, erhalten Sie in diesem Beitrag.

    Inhalt

    Wie Zufriedenheit in der Kundschaft entsteht

    Ob Parkautomat oder Selbstbedienungskasse im Supermarkt – unser Alltag ist von interaktiven Produkten und Anwendungen geprägt. Dabei kommt es vor, dass wir mit einigen Systemen mühelos zurechtkommen und uns mit anderen schwertun. Dementsprechend hinterlassen Produkte oder Anwendungen einen positiven, geradezu großartigen Eindruck oder einen negativen und unbefriedigenden. Diese Erfahrung lässt sich in einem einfachen Begriff beschreiben: User Experience (kurz UX).[1]

    Die User Experience beschreibt die Wahrnehmungen und Reaktionen einer Person auf die Nutzung eines Systems, Produktes oder einer Dienstleistung.[2] Sie rückt das subjektive Empfinden sowie die Bedürfnisbefriedigung der Nutzenden ins Zentrum, wobei emotionale Faktoren handlungsleitend sind. Ein positiv in Erinnerung gebliebenes Nutzungserlebnis kann dafür sorgen, dass Kund:innen ein Produkt weiterempfehlen oder noch einmal kaufen. Insbesondere die Ästhetik und intuitive Anwendbarkeit wirken dabei überzeugend.[3]

    “Wenn sie ein großartiges Erlebnis schaffen, werden sich die Kund:innen gegenseitig davon erzählen. Sie müssen immer fantastisch sein.”

    Jeff Bezos, Amazon

    Einfach gesagt entscheiden sich Kund:innen beim Kauf für das Angebot, welches ihren Anforderungen und Wünschen am meisten entspricht. Für Unternehmen ist es daher sinnvoll, die Aspekte der User Experience zu berücksichtigen, um die Nutzungszufriedenheit zu steigern und eine positive Wahrnehmung des Produktes zu bewirken. Dies erfordert mitunter, sich von etablierten Praktiken bei der Produktentwicklung zu lösen und neue Wege einzuschlagen, um Produkte und Anwendungen noch besser an die Bedürfnisse der Nutzer:innen anzupassen.

    Damit landen wir wieder bei unserer Einstiegsfrage, was Kund:innen erwarten? Um herauszufinden, womit Produkte und Dienstleistungen positive Eindrücke hinterlassen, ist die Analyse der Zufriedenheit der Kundschaft notwendig.

    Das Kano-Modell – Kund:innenzufriedenheit sichtbar machen

    Noriaki Kano

    Das Kano-Modell ist eine Methode, um die Zusammenhänge zwischen dem Erreichen bestimmter Produkt-oder Dienstleistungseigenschaften und der erwarteten Kund:innenenzufriedenheit darzustellen. Der Schöpfer dieses Modells, Noriaki Kano, bezieht sich bei seinem Modell auf die Theorie von Frederick Herzberg. Diese besagt, dass nicht notwendigerweise ein linearer Zusammenhang zwischen der Erfüllung eines Bedürfnisses und der daraus resultierenden Zufriedenheit bzw. Unzufriedenheit bestehen muss.[4]

    Das Kano-Modell und seine Bestandteile

    Innerhalb des Kano-Modells wird zwischen verschiedenen Anforderungskategorien, auch Merkmale oder Faktoren genannt, unterschieden. Es gibt Basis-, Leistungs- und Begeisterungsfaktoren. In einigen Darstellungen wird das Modell durch Questionable, Indifferente Merkmale und Reverse Merkmale ergänzt. Alle Kategorien unterscheiden sich in ihrem Einfluss auf die Kund:innenzufriedenheit und werden im Vorfeld häufig mittels Interviewverfahren bestimmt. Um im Anschluss die Produkt- oder Dienstleistungsanforderungen den einzelnen Kategorien zuordnen zu können, werden Kund:innenenreaktionen bewertet. Dabei wird ein Fragetechnik angewendet, welches auf der Beantwortung zweier Fragen beruht – der funktionalen und der dysfunktionalen Frage.[4]

    Die funktionale Frage

    Die funktionale Frage ist positiv formuliert und bezieht sich auf die Reaktion der Kund:innen, wenn ein Produkt die jeweils abgefragte Eigenschaft besitzt.

    Zum Beispiel:
    Was würden Sie sagen, wenn das Produkt bzw. die Dienstleistung über das Merkmal XY verfügen würde?

    Die dysfunktionale Frage

    Die dysfunktionale Frage ist negativ formuliert und bezieht sich auf die Reaktion der Kund:innen, wenn diese Eigenschaft nicht vorhanden ist.

    Zum Beispiel:
    Was würden Sie sagen, wenn das Produkt bzw. die Dienstleistung NICHT über das Merkmal XY verfügen würde?

     

    Basisfaktoren umfassen Eigenschaften, die von der Kundschaft als Muss für das Produkt vorausgesetzt, aber nicht explizit gefordert werden. Aus diesem Grund werden sie als „Basic“ oder „Must-Be“ bezeichnet. Da diese Faktoren als selbstverständlich erachtet werden, wirkt sich ihr Vorhandensein nicht positiv auf die Kund:innenzufriedenheit aus. Umgekehrt führt ihr Fehlen zu starker Unzufriedenheit.

    Ein Beispiel dafür wären die Räder eines Fahrzeugs.

    Anders verhält es sich mit den Leistungsfaktoren. Die Zufriedenheit der Kundschaft wächst proportional zum Erfüllungsgrad dieser Anforderungen. Je mehr ein Leistungsattribut erfüllt ist, desto positiver wirkt es sich auf die Kund:innenzufriedenheit aus und umgekehrt. Leistungsfaktoren fungieren häufig als Vergleichskriterium unterschiedlicher Produkte, Angebote oder Dienstleistungen und werden explizit von Kund:innen erwartet.

    Ein Beispiel wäre ein Automotor mit besonders starker Leistung.

    Begeisterungsfaktoren haben den größten Einfluss auf die Zufriedenheit der Kundschaft. Sie übersteigen deren Anforderungen, sorgen für Begeisterung und werden, ebenso wie die Basisfaktoren, nicht explizit von der Kundschaft verlangt. Im Gegensatz zu den Basisfaktoren werden sie aber nicht vorausgesetzt und lösen deswegen keine Unzufriedenheit aus, wenn sie nicht vorhanden sind. Durch Begeisterungsfaktoren können sich Produkte und Dienstleistungen deutlich von der Konkurrenz abheben. Bereits kleine Leistungssteigerungen können zu einer überproportionalen Steigerung der Kund:innenzufriedenheit führen. Allerdings sind Begeisterungsfaktoren nur schwer zu ermitteln.

    Ein Begeisterungsfaktor im Auto könnte eine Sitzheizung sein.

    Weitere Bestandteile

    Als ergänzende Faktoren können auch Questionable, sowie Indifferente und Reverse Merkmale betrachtet werden.

    Questionable weisen auf unlogische Antworten hin und treten auf, wenn sowohl die funktionale Frage als auch die dysfunktionale Frage positiv beziehungsweise negativ beantwortet werden.

    Ein Beispiel ist die positive Einschätzung eines sowohl hohen als auch geringen Kraftstoffverbrauchs eines Autos.

    Indifferente Merkmale spielen für das Kano-Modell lediglich eine untergeordnete Rolle, da das Vorhandensein oder Fehlen dieser Attribute weder positive noch negative Auswirkungen auf die Nutzungszufriedenheit hat.

    Es macht beispielsweise keinen Unterschied, ob das Gaspedal eines Fahrzeugs blau oder schwarz ist. 

    Bei Reversen Merkmalen sorgt ein hoher Erfüllungsgrad für Unzufriedenheit bei der Kundschaft. Ein nicht Erfüllen der Attribute führt häufig, aber nicht zwangsläufig zu einer Steigerung der Kund:innenzufriedenheit.

    Autos mit besonders viel Hightech und Elektronik können auch Unzufriedenheit auslösen, da beispielsweise die Bedienung als zu kompliziert empfunden wird.[5], [6]

     

    Das Kano-Modell einfach erklärt

    Bessere User Experience dank Kano-Modell

    Wer weiß, was die Kund:innen begeistert, kann Features bewusst einsetzen, um einen Wettbewerbsvorteil zu erlangen oder die Qualität des Produktes zu verbessern. Zudem lassen sich durch die Steigerung der User Experience unternehmerische Ziele als auch die Interessen der Kundschaft kombinieren. Das Kano-Modell ist eine geeignete Methode, um neue Konzepte, Ideen und Features zu testen und zu bewerten. Zusätzlich vermittelt es ein umfassendes Verständnis für die verschiedenen Anforderungen der Kundschaft, indem es das Verhältnis zwischen Produktanforderung und Kund:innenzufriedenheit abbildet. Kurz gesagt: durch das Kano-Modell lernen Sie die Wünsche und Ansprüche Ihrer Kund:innen kennen, welche sie gewinnbringend für die Verbesserung der User Experience Ihrer Produkte und Dienstleistungen einsetzen können.[7], [8]

    Überzeugt?

    Sie wollen gleich loslegen und die Zufriedenheit Ihrer Kundschaft mittels Kano-Modell herausfinden? Wir haben Ihnen eine kleine Übersicht mit weiterführenden Informationen zusammengestellt.

    Aufgepasst? Testen Sie sich selbst!

    Quellen

    Literatur

    1. Burmeister, Michael: User Experience = Usability plus X? Online unter https://www.uid.com/de/aktuelles/user-experience-usability [Abruf am 15.11.2022]
    2. DIN EN ISO 9241-210, Ergonomie der Mensch-System-Interaktion. Teil 210, Menschzentrierte Gestaltung interaktiver Systeme (ISO 9241-210:2019)
    3. Richter, Michael; Flückiger, Markus (2016): Usability und UX kompakt. Produkte für Menschen. 4. Auflage. Berlin, Heidelberg: Springer Vieweg (IT kompakt)
    4. Graser, Laura; Nirschl, Marco (2020): Steigerung der Kundenzufriedenheit durch Gestaltung von Artikeldetailseiten am Beispiel von WITT WEIDEN. Amberg-Weiden: Ostbayerische Technische Hochschule (OTH) (Weidener Diskussionspapiere, Nr. 75 (Juni 2020))
    5. t2informatik GmbH (2022): Kano-Modell. Online unter https://t2informatik.de/wissen-kompakt/kano-modell/ [Abruf am 09.12.2022]
    6. Legend (2021): Kano-Modell ganz einfach erklärt. Video publiziert am 14.08.2021 auf YouTube. Online unter https://www.youtube.com/watch?v=j4aJK5ThyNI [Abruf am 20.12.2022]
    7. Pfeifer, Anne (2018): Vorteile und Nachteile der Kano-Methode. Zuletzt aktualisiert am 02.05.2018. Online unter https://usertimes.io/2018/05/02/kano-vor-und-nachteile/ [Abruf am 09.12.2022]
    8. Rehmann, Nico (2021): Was ist User Experience? Zuletzt aktualisiert am 05.08.2021. Online unter https://www.cio.de/a/was-ist-user-experience,3661318 [Abruf am 15.11.2022]

    Abbildungen

    Über der Einsatz von KI zur Musikkomposition: Der nächste Tsch(AI)kowski?

    Autor: Hendrik Kuck

     


    Komponieren mithilfe von Künstlicher Intelligenz? Zukunftsmusik oder bereits Alltag in der Musikbranche? Wie funktioniert so etwas? Und wer profitiert davon? Mögliche Antworten liefert der folgende Artikel zum Thema “Künstliche Intelligenz in der Musikkomposition”.

    Inhaltsverzeichnis

    KI in der heutigen Musikproduktion

    Künstliche Intelligenz nimmt in unserer Gesellschaft eine immer zentralere Rolle ein. Sie ist aus Wirtschaft, Medien und Technik nicht mehr wegzudenken und wird in Deutschland u.a. von der Bundesregierung gefördert.1 Auch die Musikbranche wird nachhaltig von KI geprägt und Künstliche Intelligenz befindet sich besonders in der Musikkomposition auf dem Vormarsch.2 Besonders die Komposition von Hintergrundmusik für Social Media, Werbung und Gaming wird in Zukunft von ihr dominiert.3 Aber wie funktioniert das Komponieren von Musik mithilfe von KI eigentlich? Wer arbeitet mit ihr? Steht sie in einem ethischen Konflikt mit menschlichen Musikern und Komponisten und kann sie überhaupt wirkliche Kunst erschaffen? Diesen Fragen widmet sich der folgende Artikel.

    Wie funktioniert Komponieren per KI?

    Damit eine KI Musik komponieren kann, muss sie zunächst für diesen Einsatzzweck trainiert werden. Sogenannte “Neuronale Netzwerke” lernen anhand großer Datenmengen (Big Data) die Struktur und Elemente vorhandener Musik. Durch ständige Analyse wird sie immer besser darin, Muster im Songaufbau zu erkennen und ist zu beachtlichen analytischen Leistungen in der Lage.4 Allerdings ist die derart entstandene Musik ohne menschliche Bearbeitung eher Mittelmaß. Das Verfassen von Songtexten und Einspielen der Instrumente sollte daher durch menschliche Hand erfolgen. 5 Künstliche Intelligenz ist deshalb eher als Werkzeug, welches die kompositorische Arbeit erleichtert, zu betrachten.6

    Klicken Sie auf die folgende Abbildung, um selbst mit dem Komponieren loszulegen und kreieren Sie mithilfe der KI von Soundraw eigene Songs.

    Roboter spielt Klavier. Verlinkung zu Musikgenerator. Künstliche Intelligenz Musikkomposition.
    Laremenko Sergii/Shutterstock.com Musikgenerator per AI von Soundraw

    In der Praxis

    Die Umsetzung computergenerierter Kompositionen ist bereits Realität. Beispielsweise erschuf der Wissenschaftler David Cope mithilfe von KI Werke klassischer Musik, welche Vivaldi, Bach oder Chopin ähneln. Die Aufführung mit einem echten Orchester konnte sogar Fachpublikum täuschen.7 Weiterhin konnten Forscher ein neuronales Netzwerk mithilfe von 45 Songs der Beatles so lange trainieren, bis es ein eigenes Stück entwarf, welches auffällig stark dem Ursprungsmaterial ähnelte. Lediglich der Text zu dem Song “Daddy’s Car” musste von Menschen geschrieben werden.8

    Auch private Nutzer können KI zur Musikkomposition nutzen. So bietet das Berliner Unternehmen “Loudly” auf ihrer Homepage eine eigens mit ca. zehn Millionen Songs trainierte KI an. Nutzer können somit schnell eigene Lieder generieren lassen. Sie wählen lediglich Genre, Songlänge und Instrumente aus, den Rest übernimmt die KI.9 Auch professionelle Künstler haben sich bereits auf die Zusammenarbeit mit Künstlicher Intelligenz beim Kreieren von Songs spezialisiert. Die Berlinerin Holly Herndon hat auf diese Weise bereits mehrere Alben veröffentlicht.10

    https://open.spotify.com/artist/2c9yn5DJQd5es7YMY92ikZ?autoplay=true
    Songbeispiele der Musikerin Holly Herndon

    Mensch vs. KI

    Mit der zunehmenden Verbreitung von Künstlicher Intelligenz in der Musikbranche treten auch vermehrt ethische Fragen auf. Verdrängt die Maschine den Menschen? Ist computergenerierte Musik überhaupt Kunst?

    Dr. Ralf Weigand, Vizepräsident des Deutschen Komponistenverbandes und Vorsitzender des Aufsichtsrats der GEMA, sieht KI in der Musik mit potenziellen Nachteilen verbunden. Besonders im Bereich der Gebrauchsmusik (Hintergrundmusik für Film, Fernsehen, Social Media etc.) könne KI eine Gefahr für die Jobs der Musikschaffenden bedeuten. Zudem sorge eine Überflutung des Musikmarkts mit computergenerierter Musik eventuell dafür, dass Menschen diese Musik nicht mehr von menschengemachter unterscheiden könnten.11

    Rory Kenny, Gründer des eingangs erwähnten Unternehmens “Loudly”, hält dagegen. KI schaffe bereits neue Jobs wie Softwareentwickler oder Informationsspezialisten in der Musikbranche. Weiterhin ermögliche sie auch Menschen ohne Know-how die einfache und zugängliche Produktion von Musik.12

    “Das wird eine sehr interessante weitere Demokratisierung des Musikschaffens.”

    Rory Kenny13

     

    Auch professionelle Kunstschaffende könnten Vorteile aus der Kooperation mit KI ziehen und Gefallen daran finden.14 Ein Beispiel hierfür ist die bereits erwähnte Holly Herndon.

    Kann KI Kunst?

    Auch ob Künstliche Intelligenz wahrhaftige Kunst erschaffen kann, ist umstritten. Der Neurowissenschaftler Matthias Bethge sieht KI zwar eher als Werkzeug, spricht ihr allerdings alle Merkmale menschlicher Kreativität zu. Genau wie der Mensch würde sie zunächst Erfahrungen sammeln und Strukturen analysieren, um dann auf dieser Basis etwas Neues zu schaffen. Hans-Christian Ziupa, Gewinner des KI-Musik-Wettbewerbs “Beats & Bits”, sieht jedoch einen zentralen Unterschied zwischen Mensch und KI. Zuhörer würden von Musikern erwarten, dass sie bei der Schöpfung von etwas Neuem mit sich gerungen und dabei eine gewisse emotionale Radikalität entwickelt hätten. Dies sei einer KI nicht möglich.15

    Rory Kenny glaubt ebenfalls nicht an den Ersatz menschlicher Musiker durch Maschinen. Musik sei im Kern Storytelling, KI sei jedoch nicht in der Lage Geschichten zu erzählen.16 Goetz Richter, Musiker und Professor der Universität Sydney, sieht KI zudem als abhängig von Menschen und ihren Anweisungen. Es sei komplett verschieden, ob aus bereits bestehenden Werken Eigenschaften abstrahiert, oder schöpferische Werke erschaffen würden. Zu Letzterem sei KI nicht in der Lage. Musik sei kein Ergebnis reiner Analytik, sondern erfordere Neugier, Sinnfindung, Bewusstsein, gelebte Erfahrung, Aufmerksamkeit und Empathie. Dies seien alles Eigenschaften, welche Computern fehlen würden.17 Renate Buschmann, Professorin für digitale Künste der Universität Witten/Herdecke, sieht dies ähnlich. KI habe ihre Stärke im Analysieren von Mustern und dem Kopieren. Kunst sei aber eben das Brechen von Regeln und dem Erschaffen von Unberechenbarkeit.18

    Eine weitere komplexe Frage in diesem Kontext ist die, nach der rechtlichen Urheberschaft künstlich komponierter digitaler Produktionen. Sowohl Nutzer der KI (Wahl der Schlagworte bei der Generierung), Künstler (Rahmen und Konzept auf welches KI zugreift), Programmierer (Entwicklung der Software) als auch die Maschine selbst (Komposition des Werkes) kommen als mögliche Urheber infrage.19 Nicht nur diese, sondern auch die oben angesprochenen Themen, werden die Musikbranche in Zukunft mit Sicherheit prägen und beschäftigen.


    1 vgl. Die Bundesregierung 2020

    2 vgl. Bora 2021

    3 vgl. Die Bundesregierung 2020

    4 vgl. Bora 2021, Die Bundesregierung 2020 und Richter

    5 vgl. Die Bundesregierung 2020

    6 vgl. Bora 2021

    7 vgl. Richter

    8 vgl. Die Bundesregierung 2020

    9 vgl. Bora 2021

    10 vgl. Die Bundesregierung 2020

    11 vgl. Bora 2021

    12 vgl. Bora 2021

    13 Bora 2021

    14 vgl. Buschmann 2022, S.165

    15 vgl. Die Bundesregierung 2020

    16 vgl. Bora 2021

    17 vgl. Richter

    18 vgl. Buschmann 2022, S.164-165

    19 vgl. Buschmann 2022, S.169

    Quellen

    Bora, Tereza (2021): Kreative KI. Künstliche Intelligenz verändert die Musikbranche. Online unter https://www.br.de/nachrichten/wirtschaft/kreative-ki-kuenstliche-intelligenz-veraendert-die-musikbranche,Spb43xK [Abruf am 23.11.2022]

    Buschmann, Renate (2022): Kann aus KI Kunst werden?. Dialogische Beziehungen mit Künstlicher Intelligenz. In: Schnell, Martin W.; Nehlsen, Lukas (Hg.): Begegnungen mit Künstlicher Intelligenz. Intersubjektivität, Technik, Lebenswelt. Weilerswist: Velbrück Wissenschaft, S. 164-173. Online unter: doi.org/10.5771/9783748934493

    Die Bundesregierung (2020): KI spielt die Musik. Online unter https://www.bundesregierung.de/breg-de/suche/ki-in-der-kultur-1720970 [Abruf am 23.11.2022]

    Richter, Goetz (o.J.): Die scheinbare Originalität von KI-Musik. Online unter https://www.goethe.de/prj/k40/de/mus/aim.html [Abruf am 23.11.2022]

    Der Autor Hendrik Kuck arbeitet an der Universitätsbibliothek Osnabrück und studiert zurzeit berufsbegleitend Informationsmanagement an der Hochschule Hannover

    Wie Streaming-Algorithmen die Musik verändern

    Autoren: Marian Berdyszak und Tom Kuhn


    Die weltweite Musikindustrie ist im Wandel. 2017 wurde erstmals mehr Geld durch Musikstreaming eingenommen als durch den Verkauf von CDs, Schallplatten & Co. Somit liegt auch der Fokus großer Plattenlabel auf dem digitalen Musikmarkt. Führt diese Änderung der Marktsituation auch zu einer Veränderung der Musik als solches?

    Inhaltsverzeichnis

    Wieviel Geld verdient man mit Spotify?

    Früher ging man in einen Plattenladen, um ein Album zu kaufen. Im Anschluss konnte man diese Schallplatte so häufig hören, wie man wollte, der Interpret und das Label sahen kein zusätzliches Geld. Beim Musikstreaming wird heute jeder gehörte Song, jeder Play einzeln bezahlt. Je nach Streamingdienst werden pro 1000 Streams zwischen 70 ct und 27 € ausgezahlt. 

    Zur Vereinfachung konzentrieren wir uns auf Spotify, welche ca. 4 € für 1000 Streams auszahlen.1 Dabei gilt jedoch: nicht jeder Stream zählt gleich viel. So sind bspw. Streams aus den USA mehr wert als Streams aus Portugal. Außerdem kommt es darauf an, ob der Nutzer ein Spotify-Abo hat oder die werbefinanzierte Gratisversion nutzt.2  Streams werden zudem erst gezählt, wenn der Song mindestens 30 Sekunden langlief.3 Diese 4 € gehen zudem nicht vollständig an die Interpreten, da auch die Musiklabels mitverdienen wollen. 

    Doch welchen Einfluss auf die Musik hat es, wenn Musikschaffende nicht mehr für Verkäufe, sondern für Plays bezahlt werden?

    3 Minuten Spiellänge und über 77 Millionen Aufrufe. Mit 22 Nummer-Eins-Hits ist der Rapper Capital Bra erfolgreicher als die Beatles.

    Der Algorithmus

    Hinter Spotify steckt ein großer Algorithmus, welcher allen Nutzenden auf Basis ihres Hörverhaltens ständig neue Songs empfiehlt. Songs, die in den ersten 30 Sekunden abgebrochen werden, zählen nicht als Play – werden also weder bezahlt noch vom Algorithmus für Empfehlungen berücksichtigt. Ziel der Musikschaffenden sollte es demnach sein, die Hörer:innen direkt zu Beginn des Songs zu fesseln. Dies führt dazu, dass das durchschnittliche Intro eines Songs in den 80er-Jahren noch 20 Sekunden lang war – heutzutage nur noch 5 Sekunden.4

    Wie funktioniert eigentlich der Spotify-Algorithmus?

    Auch die Länge eines Songs hat sich seit dem Siegeszug der Streamingdienste geändert. In den letzten 20 Jahren sank die durchschnittliche Songlänge um 73 Sekunden. Logisch, denn es macht sowohl finanziell als auch für den Algorithmus einen großen Unterschied, ob ein Song 20 oder 30 Plays in einer Stunde erzielen kann. Hinzu kommt, dass bei längeren Songs die Wahrscheinlichkeit eines Abbruchs größer ist als bei kürzeren Songs. Dies würde dazu führen, dass der Song seltener empfohlen wird.5 Die Anzahl der Songs in den amerikanischen Billboard Top 100-Charts, die kürzer sind als 2:30 Minuten, steigt dadurch seit Jahren stark an.6

    Songs werden immer kürzer – auch durch Spotify?

    Einfluss von Musikstreaming auf Musikcharts

    Seit einigen Jahren werden die Charts von den Streamingzahlen beeinflusst.7 Da dadurch nicht nur eigens ausgekoppelte Singles bewertet werden, kommt es häufiger dazu, dass viele Songs eines Albums die vorderen Plätze belegen, so geschehen u.a. bei Taylor Swift in den USA. Durch die generelle Schnelllebigkeit und die Fixierung auf Plays statt Albumkäufen veröffentlichen viele Musikschaffende zudem (fast) nur noch Singles. Der Deutsch-Ukrainer Capital Bra schaffte es so in nur zweieinhalb Jahren 22 Nummer-Eins-Hits zu veröffentlichen – doppelt so viele wie die Beatles in ihrer gesamten Karriere.8

    Belegte gleichzeitig alle Top-10-Plätze in den USA: Taylor Swift

    Um bekannt und erfolgreich zu werden ist es für Musikschaffende am wichtigsten, auf den von Spotify erstellten Playlists zu landen. Neben den von Mitarbeiter:innen kuratierten Playlists gibt es auch komplett automatisch vom Algorithmus erstellte (und ständig aktualisierte) Playlists, die ganz auf den Geschmack jedes einzelnen Nutzers zugeschnitten sind. So werden Nutzer mit ähnlichem Musikgeschmack ähnliche Songs empfohlen. Ganz wichtig ist auch hierbei wieder die bekannte 30-Sekunden-Grenze.9

    Der perfekte Musikstreaming-Song?

    Aber gibt es den perfekten, erfolgsversprechenden Spotify-Song? Nicht wirklich. Zwar hilft es, einen kurzen Song ohne Intro zu haben, eine Garantie ist das jedoch noch lange nicht. Unabhängig davon gilt noch immer: ein Hit ist ein Hit ist ein Hit.


    Quellen

    1. Ditto Music (2023): How much does Spotify pay per stream in 2023. Online unter https://dittomusic.com/en/blog/how-much-does-spotify-pay-per-stream/ [Abruf am 06.01.2023]
    2. GfK Entertainment GmbH (o.J. a): FAQ. Online unter https://www.offiziellecharts.de/info/faq?rCH=2 [Abruf am 06.01.2023]
    3. GfK Entertainment GmbH (o.J. b): Suchen nach Capital Bra. Online unter https://www.offiziellecharts.de/suche?artist_search=Capital+Bra&do_search=do Abruf am [06.01.2023]
    4. Goldmedia GmbH (2022): Musikstreaming in Deutschland. Erlössituation im deutschen Musikstreaming-Markt 2022. Online unter https://www.gema.de/documents/d/guest/user_upload-dokumente-aktuelles-pressemitteilungen-2022-gema_goldmedia_studie_musikstreaming_in_deutschland-pdf [Abruf am 09.12.2022]
    5. Schmalzried, Gregor (2018): Wie Streamingdienste die Kunst verändern. Online unter https://www.deutschlandfunkkultur.de/spotify-apple-music-und-co-wie-streamingdienste-die-kunst-100. [Abruf am 09.12.2022]
    6. Schölzel, Alexander (2018): Musik-Streaming & Geld verdienen. Online unter https://www.delamar.de/musikbusiness/was-streaming-einbringt-45499/ [Abruf am 06.01.2023]
    7. Tagesschau (2022): Mit zehn Songs in die Top 10. Zuletzt aktualisiert am 31.10.2022. Online unter https://www.tagesschau.de/ausland/amerika/taylor-swift-billboard-charts-101.html [Abruf am 09.12.2022]
    8. Wagner, Patrick (2018): Musik-Streaming: Wer zahlt am besten? Online unter https://de.statista.com/infografik/13402/musik-streaming_-wer-zahlt-am-besten/ [Abruf am 06.01.2023]
    9. Walter, Leona (2020): Wie Spotify, Apple Music und Co. den Mainstream, die Musik und unser Hörverhalten verändern. Online unter •https://diffusmag.de/p/wie-musikstreaming-den-mainstream-die-musik-und-unser-hoerverhalten-veraendert/ [Abruf am 06.01.2023]

    KI und die Sicherheit von Smart-Home-Systemen

    Autorin: Eliza SchnetzerKI


    “Smart Home” @Smart Home Haus Technik – Kostenloses Foto auf Pixabay

    KI

    Inhaltsverzeichniss

    Wie auch in vielen anderen Bereichen der Technik macht auch das Internet of Things (IoT) große Entwicklungsschritte. Dazu gehören auch sogenannte Smart-Home-Systeme, die eine immer weitere Verbreitung in deutschen Haushalten finden. Aus den vielseitigen Anwendungsbereichen ergeben sich neben komfortablen Alltagshilfen auch einige Fragen zur Sicherheit, gerade hinsichtlich Datenschutzes und Künstliche Intelligenz (KI) . In diesem Artikel sollen einige der Sicherheitslücken aufgedeckt und Lösungsansätze erläutert werden.

    KI, was ist das eigentlich?

    Immer häufiger hört man heutzutage diesen Begriff, aber was zeichnet die KI eigentlich aus? Normalerweise verarbeitet eine Maschine stumpf Daten. Eine KI ist allerdings in der Lage bestimmte Muster zu erlernen, um Entscheidungen auf der Basis von Informationen zu treffen. Dieses Vorgehen nennt man „Machine Learning“. Damit ist eine menschenähnliche kognitive Leistung möglich. Übertragen wir das auf unsere Smart-Home-Systeme bedeutet, dass, die Geräte erlernen unsere Verhaltensmuster und reagieren entsprechend darauf. Der aktuelle technische Stand ermöglicht das noch nicht umfangreich, zielt aber darauf ab. Bislang entscheiden sind das Erkennen und Befolgen von Wenn-Dann-Regeln.

    KI im eigenen Zuhause:

    @Smartest Home 2020

     

    Smart-Home-Anwendungen bieten einige Vorteile

    Smart-Home-Anwendungen haben einige Vorteile zu bieten, andernfalls würden sie sich nicht immer wachsender Beliebtheit erfreuen. Dazu gehören unter anderem:

    • Erhöhter Komfort: viele Aufgaben müssen nicht mehr selbst erledigt werden, sondern werden bequem von den Smart-Home Anwendungen übernommen. Beispiele hierfür sind z.B. das Saugen von Böden, Rasen mähen oder das automatische Angehen der Kaffeemaschine am Morgen
    • Vereinfachte Bedienung: durch die Steuerung per App kann man alle Anwendungen aus einer Stelle heraus bedienen, noch einfacher wird das Ganze mit Spracherkennung/Sprachbefehlen
    • mehr Sicherheit: durch das vernetzte System kann der Besitzer durch Push-Nachrichten auf sein Handy informiert werden, wenn z.B. ein Alarm ausgelöst wird. Gleichzeitig kann ein ausgelöster Alarm dazu führen, dass sich Türen und Fenster verriegeln
    • Senkung des Energieverbrauch: Geräte sind so programmiert, dass sie möglichst wenig Strom verbrauchen. So kann man z.B. mit Hilfe von einem Timer einstellen, wann das Licht ausgehen soll

    Sicherheitslücken in den Systemen

    Die komplexe technische Vernetzung bringt auch einige Risiken mit sich, wie sich in den Bereichen des Datenschutzes und der IT-Sicherheit zeigt. Die Smart-Home-Anwendungen sind durchgehend mit dem Internet verbunden. Das macht sie sehr anfällig für den unautorisierten Zugriff durch Hackerangriffe, die sich so den Zugriff zu sämtlichen Geräten in einem Haushalt verschaffen können. Um das zu vermeiden ist das regelmäßige Durchführen von Updates essenziell. Viele Risiken entstehen durch den Anwender selbst. So können fehlende technische Vorkenntnisse und die daraus resultierenden Bedienungsfehler zu schwerwiegenden Sicherheitslücken führen. Daher ist es wichtig, sich mit der Technik der Geräte auseinander zu setzen und ggfs. nochmal die richtige Funktionsweise zu überprüfen. Es stellt sich zudem die Frage, inwiefern die Daten gespeichert und verarbeitet werden. Das ist oft nicht transparent für den Benutzer, und da es sich um sensible personenbezogene Daten wie Kameraaufzeichnungen handelt, ist dieser Punkt nicht zu missachten.

    Personenbedingte Fehler

    Neben den technischen Fehlerquellen können natürlich auch von Menschenhand erzeugte Fehler Sicherheislücken hervorrufen. Zum einen ist es wichtig, dass sich Anwender vor der Anschaffung intensiv mit der Technik befassen. Oftmals scheitert es an fehlender Planung und das dem Informationsmangel über die Anwendung. Das kann wiederrum zu Anwendungsfehlern führen, die schwerwiegende Sicherheitsmängel bilden können. Wir tendieren oft dazu, zu günstigeren Alternativen zu greifen, was in diesem Fall aber eine fehlende Sicherheitszertifizierung bedeutet und ebenfalls vermehrt Sicherheitslücken aufweißt. Eine noch ausführlichere Hilfe bietet der folgende Artikel: Diese 5 Fehler machen fast alle Smart Home Einsteiger (homeandsmart.de)

    Einfacher Schutz im Alltag

    Wie kann ich mich also vor den vielfältigen Angriffsmöglichkeiten schützen? Es sind eigentlich ein paar ganz simple Tipps, wie man den Sicherheitsstandard der Smart-Home-Anwendung hochhält:

    • keinen direkten Internetzugriff: ist ein System direkt mit dem Internet verbunden, ist es leichter für z.B. Hacker dieses zu finden und zu hacken. Am sichersten ist es, denn Zugriff über ein VPN zu nutzen
    • System regelmäßig aktualisieren: für jedes System gibt es reglemäßig Updates, diese sollte man zeitnah durchführen um Bugs und Fehler in der Software zu beheben.
    • sichere Passwörter: ein simpler, aber oft missachteter Tipp ist es, ein sicheres Passwort zu vergeben, dass eine Kompination aus Groß- und Kleinschrift, Sonderzeichen und Zahlen beinhaltet. Dieses sollte in regelmäßigen Abständen geändert werden.
    • unnötige Dienste ausschalten: schalten Sie nicht benötigte Anwendungen aus, denn was nicht läuft, kann nicht angegriffen werden

    Fazit: trotz Sicherheitslücken wachsender Trend mit Luft nach oben

    Was lässt sich nun abschließend festhalten? Wenn man einige grundlegende Sicherheitsvorkehrungen beachtet und sich selbst mit den technischen Anwendungen befasst bieten Smart-Home-Anwendungen eine gute Möglichkeit sich den Alltag einfacher zu gestalten. Smart-Home-Anwendungen stehen noch relativ am Anfang ihrer technischen Möglichkeiten und sind auch noch lange kein fester Bestandteil in einem durchschnittlichen Haushalt. Auch die Zukunftserwartungen sind noch nicht erfüllt worden.

    «Wir glaubten damals, dass es eine allmächtige, zentrale Intelligenz geben werde, die je nach Stimmung eine automatische Lichtauswahl trifft, ohne unser Zutun Essen für den Kühlschrank nachbestellt und so weiter. Diese Vision ist nicht eingetreten, zumal die Installation und Konfiguration einer einzigen, zentralen Lösung viel zu komplex wäre. Stattdessen gibt es heute viele partielle Lösungen, beispielsweise für die Beleuchtung, die Soundanlagen oder die Sicherheit.»

    Zitat von Dr. Andrew Paice, Leiter vom iHomeLab

    weiterführende Informationen gibt es hier:

    Quellen- und Literaturverzeichnis

    Beitragsbild: Bild von Gerd Altmann auf Pixabay