Faire KI schafft Vertrauen.
Recommender Systeme
Personalisierte Empfehlungen und Entscheidungshilfen, die sich auf der Grundlage von Benutzerfeedback selbst optimieren können
Bias Detection
Gibt es bestimmte Kunden/Nutzergruppen, die ungerecht behandelt werden?
Bias Mitigation
Wie können die Auswirkungen bestehender Verzerrungen (Bias) minimiert werden? Wie können wir die Qualität von Algorithmen verbessern?
Zertifizierung
Entsprechen Ihre Datensätze und Algorithmen dem neuen EU-AI Gesetz? Wie können sie zertifiziert werden?
Fairness Check
Welche Fairnesskriterien sollten angewandt werden? Gibt es einen Kompromiss zwischen verschiedenen Fairness-Definitionen? Wie sieht es mit der Balance der Fairness zwischen Anbietern und Verbraucher:innen aus? Der Fairness Check identifiziert den Status der Fairness einer bestehenden Anwendung und ermöglicht uns, gemeinsam rasch und effizient Wege zu mehr Fairness und Vertrauen zu finden!
User:Innen verstehen
Clustern Sie Nutzergruppen basierend auf ihren Interessen und verstehen Sie die Verbindung zwischen den Nutzer:innengruppen. Angewandte Marktforschung auf Knopfdruck, in Echtzeit und perfekt zur Unterstützung von strategischen oder kurzfristigen Entscheidungen in Produktentwicklung, Vertrieb oder Marketing.
Churn Prevention
Identifizieren Sie jene Nutzer:innen, die aufgrund ihres Verhaltens das System möglicherweise verlassen werden. Auf dieser Basis können Sie entsprechende individuelle Retention-Angebote ausarbeiten oder wertvolles Feedback einholen. Lassen Sie keine Kund:innen ziehen, ohne etwas davon zu bemerken!
Nischen erkennen
Oft existieren User Gruppen, die Inhalte bevorzugen, die nicht der Mehrheit entsprechen. Erkennen Sie jederzeit solche Nischengruppen, die auch sehr wahrscheinlich Probleme haben, die für sie passenden Inhalte zu finden. So können Sie lernen, Ihre Angebote weiter zu diversifizieren oder gesondert Angebote für diese Kundengruppen zu kommunizieren. Unterschätzen Sie nicht die Bedeutung dieser Kund:innen, die Nischenangebote bevorzugen!
Provider Fairness
Wer bringt Daten in das System ein? Werden alle Anbieter fair behandelt? Haben alle Inhalte eine Chance, entdeckt zu werden? Immer öfter sind es Plattformen der Sharing Economy oder Cluster–Plattformen, auf denen Unternehmen und Einzelpersonen selbständig Informationen bereitstellen, Leistungen und Produkte tauschen oder Käufe und Verkäufe abwickeln. Sorgen Sie dafür, dass so eine Plattform alle Anbieter fair behandelt und geben Sie damit der Plattform die Chance zu skalieren!
Consumer Fairness
Wer sind Ihre Kunden:innen/Nutzer:innen? Erhalten sie gute Ergebnisse, die durch die AI erzielt werden?
Fair Matchmaking
Wie können wir Matchmaking zwischen verschiedenen Angeboten und Nachfragen in einem System auf faire und transparente Weise realisieren? Was sind die Kriterien, nach denen ein Matchmaking funktionieren soll? Das Ziel ist, am Ende unter einer Vielzahl an Möglichkeiten das beste Ergebnis zu erreichen.
Data Quality Assesment
Wie hoch ist die Qualität der Trainingsdaten im System?
Long-Term Simulations
Analyse des Impacts von privacy-preserving Technologien auf die Präzision von Decision Support und Recommender Systemen sowie die Evaluierung schutzbedürftiger Daten.
Anonymous Users
Session-basierte Empfehlungen für anonyme Nutzer:innen, die nicht angemeldet sind, unter Verwendung von Deep-Learning-Methoden. Viele Nutzer:innen wollen sich, gerade bei nicht so großen Portalen, nicht anmelden oder sind nur rasch auf der Suche nach Informationen oder Produkte. Aus ökonomischer Sicht sollen aber auch diese Nutzer:innen in den meisten Fällen die selben Informationen finden können oder Produkten shoppen können wie angemeldete Nutzer:innen.
Privatsphäre schützen
Häufig ist die Verwendung privater Daten nicht erlaubt. Da müssen wir darauf achten, dass KI Systeme keine Rückschlüsse auf Nutzer:innen aufgrund der in der Session anfallenden Daten ziehen können.
User Control
Den Nutzer:innen durch die Gestaltung der Anwendung von Beginn an ermöglichen, zu entscheiden, wie viele und welche Daten sie mit dem System teilen möchten. Aber auch die Möglichkeit anbieten, das auch wieder zu ändern. Ganz transparent, ohne Kleingedrucktes.
Trade-Off zwischen Präzision & Privatsphäre
Analyse des Impacts von privacy-preserving Technologien auf die Präzision von Decision Support und Recommender Systemen sowie die Evaluierung schutzbedürftiger Daten
Consulting
Beratung zu Empfehlungsalgorithmen und Datenquellen, sowie Evaluierungsmetriken
Dynamic Pricing
Dynamische Anpassung des Preises auf der Grundlage verschiedener Kriterien,
z. B. Fairnesskriterien oder zur Optimierung des Umsatzes
Personalized Search
Kombination von Suchtechnologie mit Recommender Systems. Angepasste Rankings für verschiedene Nutzergruppen unter Anwendung von z.B. Learning2Rank
