Uniserv treibt mit Start-ups Deep Learning voran
©
Uniserv-Geschäftsführer Roland Pfeiffer (li.) und Dr. Simone Braun.
Wie können Unternehmen aus großen Mengen unstrukturierter oder semi-strukturierter Kundendaten einen Nutzen ziehen – beispielsweise für ihre Marketingkampagnen? Das war die Herausforderung, die Uniserv, spezialisierter Anbieter von Lösungen für das Kundendatenmanagement, im Rahmen der diesjährigen Data-Pitch-Initiative stellte. Die Initiative ist ein europäisches Innovationsprogramm für Start-ups und KMUs. Ein vielversprechender Lösungsansatz, um Kundendaten etwa für das Marketing zu optimieren, ist Deep Learning, ein Teilgebiet des maschinellen Lernens (ML). Mit den Start-ups Frosha.io und Recogn.ai will Uniserv diese Technologie gemeinsam vorantreiben.
Kundendatenbestände sind fehleranfällig und verwässern Marketingmaßnahmen
Im Rahmen der Data-Pitch-Initiative hat Uniserv im Sommer Start-ups dazu aufgefordert, eine lernfähige maschinelle Lösung zu erarbeiten. Diese sollte darauf trainiert sein, Daten aus verschiedenen internen sowie externen Quellen wie zum Beispiel Internetseiten, Open Data, Social-Media-Profilen oder E-Mails zusammenzufügen. Diese Quellen sind extrem heterogen. Darüber hinaus musste die Lösung Fehler in bestehenden Datensätzen automatisch korrigieren – und somit in der Lage sein, Kundendatenbestände zu optimieren. Denn besonders bei Stammdaten wie Name und Adresse schleichen sich häufig Fehler ein.
Dr. Simone Braun, Business Development, Uniserv, erklärt: „So werden zum Beispiel häufig Informationen zu einer Person in Datensätzen zum Unternehmen hinterlegt oder Unternehmensnamen werden im Adressfeld genannt. Oft kommt es auch vor, dass Informationen über mehrere Personen nur in einem Datensatz zu einer einzelnen Person hinterlegt werden. Diese Fehler erkennt zwar ein Mensch sofort, sind aber für eine Maschine nur schwer zu korrigieren. Die eingesetzte selbstlernende Technologie sollte jedoch menschliche Fähigkeiten übertreffen.“
Deep Learning erkennt fehlerhafte Strukturen in Datenbeständen
Besonders überzeugte der Deep-Learning-Lösungsansatz der beiden europäischen Start-ups Frosha.io und Recogn.ai. Frosha.io setzte im Rahmen der Aufgabenstellung sogenannte rekurrente neuronale Netze (Recurrent Neural Networks) ein. Recogn.ai überzeugte durch den Ansatz, Wissensgrafen und Deep Learning für die maschinelle Verarbeitung natürlicher Sprache (Natural Language Processing) zu kombinieren. Unter Verwendung der neuronalen Netze des Deep Learnings versetzt sich eine Maschine selbst in die Lage, Strukturen zu erkennen, zu evaluieren und sich in mehreren Durchläufen selbständig zu verbessern. Auf diese Weise gelingt es der Technologie, selbst unstrukturierte Kundendatensätze unter anderem für Marketingmaßnahmen nutzbar zu machen. Beide Lösungsansätze mussten zudem die EU-Datenschutzgrundverordnung (DSGVO) berücksichtigen. Uniserv stellte im Rahmen des Wettbewerbs den teilnehmenden Start-ups Datensätze mit synthetischen Namens- und Adressinformationen in unstrukturierter und semi-strukturierter Form zur Verfügung.
Ziel ist die gemeinsame Weiterentwicklung der ML-Projekte
Frosha.io und Recogn.ai konnten sich im Herbst unter 142 Bewerbern durchsetzen – und haben sich anschließend Ende Oktober erfolgreich den kritischen Fragen der Uniserv-Jury, der EU-Kommission und Vertretern der Data-Pitch-Initiative in London gestellt. Anschließend wurden sie in das EU-geförderte Inkubatoren-Programm aufgenommen. Damit bleiben ihnen ab dem ersten Februar 2018 sechs Monate Zeit, ihre Lösungsidee mithilfe finanzieller Unterstützung seitens der EU in die Praxis umzusetzen. Uniserv unterstützt in dieser Zeit beide Start-ups als Kooperationspartner mittels Expertise sowie mit Datensätzen, anhand derer das Machine-Learning-System lernen kann. Zukünftig will Uniserv zusammen mit beiden Start-ups die jeweiligen Projekte weiterentwickeln. Ziel ist ein kontinuierlicher Wissensaustausch zum Einsatz von maschinellem Lernen und künstlicher Intelligenz für die Verarbeitung von Kundendaten und deren Nutzung in Marketing-Initiativen.
Data-Pitch-Initiative als Chance für Start-ups und Unternehmen
Data Pitch ist ein von der Europäischen Union gefördertes Inkubatoren-Programm, das Unternehmen und öffentliche Einrichtungen mit Start-ups aus ganz Europa vernetzt.
Im Rahmen der Initiative wurde im Sommer und Herbst 2017 ein Wettbewerb veranstaltet. Bei diesem konnten Unternehmen, die sich mit der Analyse von Daten befassen, Aufgabenstellungen an Start-ups und KMUs vergeben. Die Initiative fördert Start-ups durch finanzielle Unterstützung, teilnehmende Unternehmen wiederum profitieren von neuen Ideen.
„Wir gratulieren Frosha.io und Recogn.ai zu ihren innovativen Projekten und freuen uns auf die weitere Zusammenarbeit mit beiden Start-ups“, erklärt Roland Pfeiffer, Jury-Mitglied und Geschäftsführer von Uniserv. „Sowohl Künstliche Intelligenz als auch ihr Teilgebiet, das maschinelle Lernen, werden von Unternehmen unterschiedlichster Branchen immer häufiger und vielfältiger eingesetzt. Zusammen mit beiden Start-ups wollen wir nun maschinelles Lernen weiter vorantreiben, um Kundendaten in verschiedensten Szenarien einfacher nutzbar zu machen.“
Wie können Unternehmen aus großen Mengen unstrukturierter oder semi-strukturierter Kundendaten einen Nutzen ziehen – beispielsweise für ihre Marketingkampagnen? Das war die Herausforderung, die Uniserv, spezialisierter Anbieter von Lösungen für das Kundendatenmanagement, im Rahmen der diesjährigen Data-Pitch-Initiative stellte. Die Initiative ist ein europäisches Innovationsprogramm für Start-ups und KMUs. Ein vielversprechender Lösungsansatz, um Kundendaten etwa für das Marketing zu optimieren, ist Deep Learning, ein Teilgebiet des maschinellen Lernens (ML). Mit den Start-ups Frosha.io und Recogn.ai will Uniserv diese Technologie gemeinsam vorantreiben.
Kundendatenbestände sind fehleranfällig und verwässern Marketingmaßnahmen
Im Rahmen der Data-Pitch-Initiative hat Uniserv im Sommer Start-ups dazu aufgefordert, eine lernfähige maschinelle Lösung zu erarbeiten. Diese sollte darauf trainiert sein, Daten aus verschiedenen internen sowie externen Quellen wie zum Beispiel Internetseiten, Open Data, Social-Media-Profilen oder E-Mails zusammenzufügen. Diese Quellen sind extrem heterogen. Darüber hinaus musste die Lösung Fehler in bestehenden Datensätzen automatisch korrigieren – und somit in der Lage sein, Kundendatenbestände zu optimieren. Denn besonders bei Stammdaten wie Name und Adresse schleichen sich häufig Fehler ein.
Dr. Simone Braun, Business Development, Uniserv, erklärt: „So werden zum Beispiel häufig Informationen zu einer Person in Datensätzen zum Unternehmen hinterlegt oder Unternehmensnamen werden im Adressfeld genannt. Oft kommt es auch vor, dass Informationen über mehrere Personen nur in einem Datensatz zu einer einzelnen Person hinterlegt werden. Diese Fehler erkennt zwar ein Mensch sofort, sind aber für eine Maschine nur schwer zu korrigieren. Die eingesetzte selbstlernende Technologie sollte jedoch menschliche Fähigkeiten übertreffen.“
Deep Learning erkennt fehlerhafte Strukturen in Datenbeständen
Besonders überzeugte der Deep-Learning-Lösungsansatz der beiden europäischen Start-ups Frosha.io und Recogn.ai. Frosha.io setzte im Rahmen der Aufgabenstellung sogenannte rekurrente neuronale Netze (Recurrent Neural Networks) ein. Recogn.ai überzeugte durch den Ansatz, Wissensgrafen und Deep Learning für die maschinelle Verarbeitung natürlicher Sprache (Natural Language Processing) zu kombinieren. Unter Verwendung der neuronalen Netze des Deep Learnings versetzt sich eine Maschine selbst in die Lage, Strukturen zu erkennen, zu evaluieren und sich in mehreren Durchläufen selbständig zu verbessern. Auf diese Weise gelingt es der Technologie, selbst unstrukturierte Kundendatensätze unter anderem für Marketingmaßnahmen nutzbar zu machen. Beide Lösungsansätze mussten zudem die EU-Datenschutzgrundverordnung (DSGVO) berücksichtigen. Uniserv stellte im Rahmen des Wettbewerbs den teilnehmenden Start-ups Datensätze mit synthetischen Namens- und Adressinformationen in unstrukturierter und semi-strukturierter Form zur Verfügung.
Ziel ist die gemeinsame Weiterentwicklung der ML-Projekte
Frosha.io und Recogn.ai konnten sich im Herbst unter 142 Bewerbern durchsetzen – und haben sich anschließend Ende Oktober erfolgreich den kritischen Fragen der Uniserv-Jury, der EU-Kommission und Vertretern der Data-Pitch-Initiative in London gestellt. Anschließend wurden sie in das EU-geförderte Inkubatoren-Programm aufgenommen. Damit bleiben ihnen ab dem ersten Februar 2018 sechs Monate Zeit, ihre Lösungsidee mithilfe finanzieller Unterstützung seitens der EU in die Praxis umzusetzen. Uniserv unterstützt in dieser Zeit beide Start-ups als Kooperationspartner mittels Expertise sowie mit Datensätzen, anhand derer das Machine-Learning-System lernen kann. Zukünftig will Uniserv zusammen mit beiden Start-ups die jeweiligen Projekte weiterentwickeln. Ziel ist ein kontinuierlicher Wissensaustausch zum Einsatz von maschinellem Lernen und künstlicher Intelligenz für die Verarbeitung von Kundendaten und deren Nutzung in Marketing-Initiativen.
Data-Pitch-Initiative als Chance für Start-ups und Unternehmen
Data Pitch ist ein von der Europäischen Union gefördertes Inkubatoren-Programm, das Unternehmen und öffentliche Einrichtungen mit Start-ups aus ganz Europa vernetzt.
Im Rahmen der Initiative wurde im Sommer und Herbst 2017 ein Wettbewerb veranstaltet. Bei diesem konnten Unternehmen, die sich mit der Analyse von Daten befassen, Aufgabenstellungen an Start-ups und KMUs vergeben. Die Initiative fördert Start-ups durch finanzielle Unterstützung, teilnehmende Unternehmen wiederum profitieren von neuen Ideen.
„Wir gratulieren Frosha.io und Recogn.ai zu ihren innovativen Projekten und freuen uns auf die weitere Zusammenarbeit mit beiden Start-ups“, erklärt Roland Pfeiffer, Jury-Mitglied und Geschäftsführer von Uniserv. „Sowohl Künstliche Intelligenz als auch ihr Teilgebiet, das maschinelle Lernen, werden von Unternehmen unterschiedlichster Branchen immer häufiger und vielfältiger eingesetzt. Zusammen mit beiden Start-ups wollen wir nun maschinelles Lernen weiter vorantreiben, um Kundendaten in verschiedensten Szenarien einfacher nutzbar zu machen.“