Die maschinelle Texterstellung ist eine Erleichterung für Texter und Content-Manager im E-Commerce. Jeder, der in irgendeiner Weise mit dem Schreiben von Texten zu tun hat, profitiert von ihr. Es gibt dabei zwei wesentliche Technologien: generative KI und regelbasierte Data-to-Text Systeme. Mit generativer KI, am bekanntesten GPT, haben die meisten bereits ihre ersten Erfahrungen gemacht.
Aber worin unterscheiden sich die beiden Technologien hinsichtlich Herausforderung wirksame Produktbeschreibungen im E-Commerce zu erstellen? Wie können sie bei den Textherausforderungen im E-Commerce am besten unterstützen
"Die Ergebnisse sind immer einen Prompt weit weg"
Saim Rolf Alkan, CEO AX Semantics
Das erwartet dich in diesem Beitrag:
- Die zwei Technologien: generativ (GPT) und regelbasiert (AX Semantics)
- Wie genau funktioniert eine generative Text KI wie zum Beispiel GPT?
- Wie funktioniert regelbasierte Text-KI wie zum Beispiel AX Semantics?
- Die Herausforderungen von Produktbeschreibungen im E-Commerce
- Wie können GPT oder AX Semantics bei den Herausforderungen von vielen Produktbeschreibungen helfen?
- Wie kann GPT für Produktbeschreibungen eingesetzt werden?
- Wie kann AX Semantics für Produktbeschreibungen eingesetzt werden?
- Der direkte Vergleich der Systeme im Hinblick auf die Heraus
- Fazit
Die zwei Technologien: generativ (GPT) und regelbasiert (AX Semantics)
Generative Pre-trained Transformer (GPT) gehören zu den großen Sprachmodellen (Large Language Modells) und sind künstliche neuronale Netze, die auf Transformer Architektur (einer Deep-Learning Architektur) basieren. Sie sind auf eine große Menge an Text (vor)trainiert, das heißt man kann mit ihnen ohne weiteres Training Text in natürlicher Sprache generieren.
Data-to-Text bezeichnet die maschinelle automatisierte Produktion natürlichsprachlicher Texte auf Basis von Daten.
Wie genau funktioniert eine generative Text KI wie zum Beispiel GPT?
Die generative KI, GPT, ist ein Sprachvorhersage-Modell, das ähnlich wie bei den Wortvorschlägen im Handy, Wahrscheinlichkeiten für die nächste Wörter errechnet.
Trainiert wurde GPT mit Texten aus dem Internet. Dazu gehören etwa Wikipedia, Foren, Webtexte und Bücherdatenbanken. Diese sind damit die Basis des Sprachvorhersage-Modells.
Anhand der sprachlichen Muster, die das Modell aus dem Training erkennt erkennt, liefert es seinen Output. Wenn ein User eine Texteingabe macht, analysiert das System die Sprache und verwendet die gelernten Muster, um die wahrscheinlichste Option des Textes zu erstellen. Da das Ergebnis allein auf Wortwahrscheinlichkeiten besteht, kommt es häufig zu inhaltlichen Falschaussagen oder Unsinnigkeiten.
Wie funktioniert regelbasierte Text-KI wie zum Beispiel AX Semantics?
Regelbasierte Text- oder Data-to-Text Technologien sind ein Teilbereich auf dem Gebiet der künstlichen Intelligenz. Diese Programme analysieren strukturierte Daten und generieren daraus fertige, natürlichsprachige Texte.
Damit regelbasierte Data-to-Text Programme funktionieren, müssen als Basis strukturierte Daten vorliegen.
Um aus diesen Daten fertigen Text zu erstellen, konfiguriert der Anwender die Regeln und Logiken in der Software. So werden die relevanten Informationen aus dem Datensatz herausgezogen und in natürlichsprachige Texte übersetzt. Es können auch Varianzen eingefügt werden. Dies führt dazu, dass die Struktur eines Satzes gleich bleibt, sich aber kleine Variablen im Satz ändern. Dadurch werden immer wieder einzigartige Texte generiert und Duplicate Content vermieden.
| Regelbasierte oder Data-to-Text Softwares unterscheiden sich von GPT dadurch, dass sie nicht einfach nur mit Texten aus dem Internet trainiert werden. Stattdessen bedienen sie sich aus Daten, die etwa in CRM- oder PIM-Systemen liegen oder in Excel-, CSV- und JSON-Dateien gespeichert sind. Die Daten werden direkt in die Software überspielt oder mittels einer API übertragen. |
|
GPT hingegen generiert die Texte komplett selbstständig, ohne weiteren Eingriff des denkenden Menschen. Allein das neuronale Netz erzeugt eine Ausgabe aus der gegebenen Eingabe. Dies kann immer inhaltliche Ungereimtheiten mit sich bringen. |
Die Herausforderungen von Produktbeschreibungen im E-Commerce
Produktbeschreibungen sind das A und O für einen Online Shop und ist die Textart, die einen großen Anteil der im E-Commerce erstellten Texte ausmacht. Sie bringen allerdings einige knifflige Herausforderungen mit sich:
Qualität – die Anforderungen der Konsumenten an Produktbeschreibungen:
Konsumenten wünschen sich ausreichende und relevante Informationen zu den Produkten, die es ihnen ermöglicht, die richtigen Kaufentscheidungen zu treffen. Das unterscheidet sich möglicherweise inhaltlich, je nach dem wo sich Konsumenten in ihrer Customer Journey befinden. Zusätzlich darf eine Einordnung in den aktuellen Kontext nicht fehlen. Themen beispielsweise wie der Klimawandel oder verändertes Kaufverhalten durch Krisen, sind Einflussnehmer auf die Kaufentscheidung. Es hilft, wenn eine Produktbeschreibung auf aktuelle Entwicklungen Bezug nimmt.
Wirksamkeit – Produktbeschreibungen sind kein Selbstzweck, sie haben einen Job zu erledigen:
Erfüllt eine Produktbeschreibung die Erwartungen der Konsumenten hat sie natürlich automatisch eine Wirksamkeit und das zeigt sich in den Kennzahlen. Die Aufgabe eines Content Teams im E-Commerce ist es, Produktbeschreibungen so zu verfassen und zu optimieren, dass sie in irgendeiner Form wirksam für das E-Commerce Unternehmen sind. Beispielsweise, indem sie dazu beitragen besser in Suchmaschinen gefunden zu werden, die Conversion zu erhöhen oder die Retouren zu senken.
Masse – Eine Produktbeschreibung kommt selten allein:
Meistens haben Online Shops mehrere hundert oder noch eher mehrere tausend Produkte, die sie präsentieren. In einigen Fällen auch noch verschiedene Zielmärkte, in denen die Produkte in anderen Sprachen erklärt werden müssen. Das ganze multipliziert sich noch mit den verschiedenen Absatzkanälen, wie Beispielsweise der zusätzliche Verkauf auf Amazon, deren Textanforderungen von denen des eigenen Shops sich unterscheiden. Also gilt es, eine riesige Menge an Produktbeschreibungen zu erstellen, eventuell zu übersetzen und aktuell zu halten.
Prozesse – mehrere Rollen, viele Beteiligte und riesige Excel-Listen:
Ein Blick in die Redaktionsprozesse von Produktbeschreibungen zeigt die Schwierigkeit der Aufgabe (wirksame) "Produktbeschreibungen" im E-Commerce nur annähernd ausreichend gerecht zu werden.
Prozess neue Texte erstellen: dieser Prozess wird beispielsweise angestoßen, wenn neue Produkte zum Abverkauf bereit sind. Es gibt die Aufgabe Informationen zum Produkt für die Texter bereit zu stellen, Textentwurf erstellen, fachlich prüfen lassen, Textentwurf anpassen, erneute Prüfung, .... Ein Hin- und Hergeschicke von Dokumenten beginnt oder es entstehen riesige, umständliche Excel-Listen mit Freigabestufen.
Übersetzungsprozess: Die vermeintlich fertigen Produktbeschreibungen werden an diverse Übersetzer anderer Sprachen verschickt und dort (hoffentlich maschinell) unterstützt übersetzt. Es braucht nun eine sprachliche und inhaltliche Freigabe. Der Übersetzungsentwurf geht mit Anmerkungen zurück an die Übersetzer und so weiter. Ein wahnsinniger fehleranfälliger Koordinationsaufwand beginnt.
Aktualisierungsprozess: Neue Informationen zu Produkten liegen vor. Ein Ereignis verändert die Sicht der Kunden auf einen Prozess. Nun gilt es bestehende Produktbeschreibungen anzupassen. Bei tausenden von Produkten. Formulierung der Veränderung, eventuell erneute inhaltliche Freigaben, Übersetzungen ... alles beginnt von vorn. Weiter brauchen wir auf diese Herausforderung nicht eingehen, kaum ein Online-Shop schafft es dieser Aufgabe gerecht zu werden.
Was am Ende darunter leidet sind die Wirksamkeit der Produktbeschreibungen und das Content Team, immer mit dem Gefühl der Aufgabe nicht gerecht werden zu können.
Wie können GPT oder AX Semantics bei den Herausforderungen von vielen Produktbeschreibungen helfen?
Nun ist es ein Segen, dass bei dieser Aufgabe inzwischen maschinell erstellte Texte helfen können. Und sicherlich macht jedes E-Commerce Content Team, das bisher manuell Produkttexte verfasst hat, seine Erfahrungen mit generativer KI, wie GPT, um das Schreiben von Produkttexten zu beschleunigen. Denn genau das ist die Stärke von generativer KI: schöne Worte aneinander reihen, die ersten Worte auf dem weißen Papier füllen. Ein System das optimiert ist für Interaktion. Der reine Schreibprozess wird kreativer, in Einzelfällen sogar schneller. Die Herausforderung liegt nur weniger im Schreiben sondern in dem Komplex Massen an Produkttexten in wirksamer Qualität zu erstellen, zu übersetzen und aktuell zu halten.
Wie kann GPT für Produktbeschreibungen eingesetzt werden?
Produktdaten können ohne weiteres in einen Prompt für ChatGPT verwandelt werden. Im Handumdrehen verfasst ChatGPT mehrere Entwürfe von Produktbeschreibungen auch in verschiedenen Sprachen. Nun entscheidet ein E-Commerce Unternehmen selbst ob es mögliche Fehlinformationen, die generative Text KIs aufgrund ihrer technischen Basis mit sich bringen, in Kauf nimmt und die Entwürfe eins zu eins online stellt oder auf der Entwurfsbasis weiter arbeitet.
Die Ergebnisse – immer nur einen Prompt weit weg:
Generative Text KI setzt Worte nach der höchsten Wahrscheinlichkeit aneinander. Die Worte klingen fantastisch, der Teufel steckt allerdings im Detail. Unser Beispiel von Produktbeschreibungen einer Musselin Bettwäsche zeigt wie gut klingende Worte unbrauchbar werden, sobald sich ein inhaltlicher Irrsinn oder Fehler einschleicht – einige sprechen hier von Halluzinationen. Im Falle der Musselin Bettwäsche ist die Textur bedeutend und eine wesentliche Eigenschaft für dieses Material. Die Wahrscheinlichkeit kommt aber zu einer Entwurfsausgabe, die den Satz enthält: "Die feine Webart und die hochwertige Baumwolle sorgen für eine außergewöhnlich weiche und glatte Oberfläche, die Ihre Haut sanft umhüllt."
Und nun? Beginnt nun die Korrektur des Prompts, die Bearbeitung des Entwurfs durch Menschenhand? Oder nimmt ein E-Commerce Unternehmen diese Fehlinformation in Kauf? Ein "Nach-Prompten" führt häufig zu weiteren Entwürfen, die immer wieder an anderer Stelle eine Ungereimtheit aufzeigt. Für wenige Produktbeschreibungen bietet dieser Weg vielleicht trotzdem eine schnell zugängliche Unterstützung. Bei vielen Produktbeschreibungen wird aus einer scheinbar schnellen, einfachen Lösung plötzlich ein unendliches Zeitgrab.
Wie kann AX Semantics für Produktbeschreibungen eingesetzt werden?
AX Semantics ist eine regelbasierte KI oder auch ein Data-to-Text System – optimiert für Skalierung, also optimiert für den Umgang vieler repetitiver Texte. Der Prozess mit AX Semantics beginnt ebenfalls mit den Produktdaten, die an AX Semantics angebunden werden. Auf Basis der Daten erstellt das E-Commerce Content Team ein Textkonzept, indem das Content Team sowohl die gewünschte Sprache, die Varianz, die Worte, die Phrasen, die Aussagen und Rahmenbedingungen wie Textlänge regelt. Es regelt zu welchen Bedingungen welche textlichen Ausgaben entstehen. Bei der Formulierung von Phrasen und Varianten des Textkonzeptes unterstützt eine GPT Integration und macht Vorschläge ohne mühsames Prompten. An einer Stelle, an der kreativer Input und Formulierungsentwürfe dem Texter oder Autor helfen. Jedes Wort, jeder Satz, jede Phrase gibt der Autor vor der Textproduktion frei. So steht am Ende nur das in der Produktbeschreibung, was das Content Team vorher festgelegt hat.
Für die Herausforderungen im E-Commerce bedeutet das, dass für massenhaft viele Produktbeschreibungen ein einmaliger Textkonzeptions- und Freigabeprozess erforderlich ist. Sobald sich der Kontext für die Konsumenten ändert oder sonstige Anlässe entstehen, die Produkttexte anzupassen, können auf Knopfdruck diese Anpassungen über eine bereits existierende oder eine hinzugefügte Regel auf alle Produkttexten angewandt werden. Übersetzt, oder besser gesagt lokalisiert, wird das Textkonzept nicht die einzelne Produktbeschreibung, dadurch findet die Übersetzung ebenfalls zentral statt und daher vor der Produktion der Texte in den einzelnen Sprachen. Übersetzer arbeiten in einer für Übersetzer optimierten Umgebung und werden bei der Übersetzung von einer DeepL Integration unterstützt.
Der direkte Vergleich der Systeme im Hinblick auf die Herausforderungen bei Produktbeschreibungen
| Herausforderung | regelbasierte Data-to-Text Software (AX-Semantics) | generative KI (ChatGPT) |
| Qualität | + Ermöglicht Aktualität und Optimierung auf Knopfdruck + Vermittlung, Verständlichkeit, Relevanz, Richtigkeit liegen in der Hand des Autors + Integriertes GPT und DeepL unterstützt im kreativen Prozess |
+ bietet schnell sprachlich gut klingende Texte - Verbesserungen in den Entwürfen sind umständlich - Aktualität muss manuell angestoßen und organisiert werden |
| Wirksamkeit | + Optimierungen sind jederzeit auf Knopfdruck möglich | - Eine Optimierung bestehender Produkttexte ist umständlich zu realisieren |
| Masse | + Produktbeschreibungen lassen sich einfach "verwalten" weil über zentrale Regeln tausende Produkttexte entstehen, übersetzt und aktualisiert werden können. | - Entwürfe können nicht ungesehen veröffentlicht werden, dadurch muss an den Entwürfen nachgearbeitet werden |
| Prozesse | + Automatisierte Workflows reduzieren die redaktionellen Prozesse + Integriertes GPT und DeepL unterstützt die Prozesse |
+ der Schreibprozess kann teilweise schneller stattfinden - Freigabe-, Übersetzungs- und Aktualisierungsprozesse müssen weiterhin ausgelagert werden |
Fazit
Sowohl generative Text KI als auch regelbasierte, Data-to-Text Systeme haben beide als KI-gestützte Textgenerierungstechnologien ihre Daseinsberechtigung. Beide Technologien helfen auf ganz spezifische Weise. Im Hinblick auf die spezifischen Herausforderung bei Produktbeschreibungen im E-Commerce ist die generative Text KI alleine, nicht zwingend eine Entlastung. Vor allem bei vielen Produktbeschreibungen unterstütz ein regelbasiertes System stärker, die Masse an Texten zu bewältigen und die Anforderungen an diese Texte zu erfüllen.
Weitere Informationen zur automatisierten Textgenerierung
KI-Text-Tools basieren entweder auf GPT- oder Data-to-Text-Technologie. Für die Verwendung einer Data-to-Text-Software benötigst du strukturierte Daten, um daraus qualitativ hochwertige und relevante Inhalte zu erstellen. Deine Daten werden in Text umgewandelt, was Konsistenz und gleichbleibende Qualiät sicherstellt. Die Texte kannst du ganz nach deinen Vorstellungen figurieren. KI-Schreibtools, die auf GPT basieren, sind mit Hunderten von Milliarden von Wörtern trainiert, die einen bedeutenden Teil des Internets repräsentieren. GPT-Tools eignen sich vorrangig als Ideengeber und Hilfsmittel für die Erstellung einzelner Texte, wie Blogbeiträge.
Natural Language Generation (NLG) bezeichnet die automatisierte Generierung von natürlicher Sprache durch eine Maschine. Als Teilgebiet der Computerlinguistik ist die Generierung von Inhalten eine spezielle Form der künstlichen Intelligenz. Die Generierung natürlicher Sprache wird in vielen Branchen und für viele Zwecke eingesetzt, z. B. im E-Commerce, bei Finanzdienstleistungen und in der Pharmazie. Sie wird als besonders effektiv angesehen, um sich wiederholende und zeitintensive Schreibaufgaben wie Produktbeschreibungen, Berichte oder personalisierte Inhalte zu automatisieren.
Data-to-Text findet Anwendung in den Bereichen E-Commerce, Finanzen, Pharmazie, Medien und Verlagswesen. GPT kann beim Brainstorming und bei der Suche nach Inspiration hilfreich sein, beispielsweise wenn der Benutzer unter einer Schreibblockade leidet. Der Einsatz von GPT in Chatbots zur Beantwortung wiederkehrender Kundenanfragen ist ebenfalls sehr nützlich, da es ineffizient und unpraktisch ist, diese Texte von Menschen erstellen zu lassen. Weitere Informationen finden sich in unserem One-Pager „Data-to-Text vs. (Chat)GPT“.
