Wie Data Science und AI den Versandhandel messbar profitabler machen – mit Sascha Netuschil, Bonprix

00:00:00: Und das sieht dann schön aus.

00:00:01: Aber das Wichtige für uns, nicht nur für uns als Monimarkt sondern auch für jede andere Marke ist ja dass ich genau unser Produkt darstelle und genau in unserer Bildsprache.

00:00:22: Hallo und herzlich willkommen zum Data & AI Culture Podcast.

00:00:27: Ich bin Karsten Bange und mein Gast heute ist Sascha Nittuschil Erst Domain Lead AI und Data Science Services bei Bonn-Prix dem Versandhändler Und wir erfahren ganz viel aus seiner praktischen Arbeit.

00:00:41: Zum einen das Data Science, also das klassischere Verfahren wie Machine Learning durchaus noch eine sehr große Rolle spielen.

00:00:48: Ganz konkret zum Beispiel bei Ihnen im Marketing aber auch was für neue spannende AI Use Cases hier haben insbesondere die Bildgenerierung Also dass eben zum Beispiel Kleidungsstücke jetzt auf generierten Bildern abgebildet werden, was aber gar nicht so einfach ist.

00:01:06: Denn am Ende muss ja dieses Kleidungsstück genauso aussehen wie das Original – wie das, was der Kunde später erhält.

00:01:14: Der Stoff muss so fallen, wie er wirklich fällt und Sascha beschreibt sehr eindrücklich, dass eben das gar nichtso einfach ist mit January I zum Beispiel dieser Aufgabe zu

00:01:24: lösen.".

00:01:25: Wir reden auch noch so ein bisschen über die Veränderungen, die jetzt Data Science AI für eine Organisation bedeuten.

00:01:30: Im Sinne von Skills rollen aber auch zum Beispiel neue Governance Modelle, die es für Agenten nötig sind.

00:01:37: Viele praktische Insights wie Broncrie mit AI und Data Science umgeht und ich glaube viele interessante Learnings für alle, die sich mit dem Themen komplex beschäftigen.

00:01:47: Viel Spaß mit der Folge!

00:01:50: Also erstmal vielen Dank dass du mich eingeladen hast wenn sehr gerne hier.

00:01:53: also ich komme ja Ursprünglich aus der ganzen Ecke Data Science bin auch schon seit dreizehn Jahren bei Brompris und da haben wir viele Sachen gemacht die in Richtung Maschinenleinungen, in die Richtung Statistik gehen.

00:02:04: Und jetzt ist AI so neu aufgekommen.

00:02:06: ich kann mich erinnern dass man früher auch teilweise Maschinenleinung im Data Science als AI bezeichnet hat.

00:02:12: Da habe ich mich immer ein bisschen dagegen gewährt.

00:02:14: Inzwischen kann man sich dagegen nicht mehr wehren weil es einfach etabliert ist.

00:02:19: Das ist irgendwie so eine Sache, die man auf dem Markt sieht.

00:02:21: Dass das automatisch das AI-Thema bei den Data-Scientisten landet weil sie halt auch sowas in der Vergangenheit schon gemacht haben, sowas ähnliches aber eigentlich wenn man es nicht betrachtet ist es ein anderes Thema.

00:02:34: Man braucht andere Skills und andere Fähigkeiten Und eigentlich braucht man auch keine Data-scientisten um AI zu machen weil Data Science im Sinne oder im ursprünglichen Sinne ja bedeutet, ich nehme mir Daten.

00:02:47: Ich analysiere die.

00:02:48: Ich trainiere vielleicht Modelle darauf und habe dann irgendwie ein schönes Ergebnis.

00:02:55: Und bei AI sind wir eigentlich die Daten mit denen das Modell trainiert wurde gar nicht mehr relevant sondern eigentlich nur das Model ist halt fertig und ich wende es an beim Bier und wie gesagt beobachte auch bei anderen ist es halt automatisch dort gelandet auch weil wir uns natürlich sehr stark früh damit beschäftigt haben, weil es halt irgendwie ein neues spannendes Thema war was irgendwo im gleichen Kosmos natürlich auch existiert.

00:03:18: Also ja das spannt bei uns jetzt tatsächlich.

00:03:21: die Themen spannen sich dann von klassischer Data Science wie Sie beschrieben habt statistische Modelle, statistische Anwendungen, Machine Learning bis hin zu Generative AI was immer mehr an Bedeutung gewinnt und auf irgendwelche größere Aufmerksamkeit natürlich aktuell noch hat

00:03:39: Absolut.

00:03:40: Also eigentlich doch eine gute Sache, oder?

00:03:41: Dass sich da so viel getan hat und letztendlich dann die Data Science auch nochmal aufgewertet hat quasi

00:03:47: Ja.

00:03:47: also ich freue mich drüber.

00:03:48: man merkt aber auch das ist zumindest bei uns und es glaubt da geht's auch vielen Firmen so dass dass man das auch nicht mehr so zentral behandeln kann wie jetzt Maschinen Learning in der Vergangenheit sondern das ist natürlich viele AI Anwendungen Auch in der ganzen Breite des der Wertschöpfungskette gibt.

00:04:06: Das ist schon mal super spannend.

00:04:08: Also würdest du sagen, dass jetzt durch das quasi ein Data Science im engeren Sinne gar nicht mehr so benötigt wird bei den neuen Modellen und neuen Anwendungen?

00:04:18: Dass es dadurch breiter einsetzbar geworden ist und auch dezentral wirklich stärker und einfacher benutzt werden kann?

00:04:24: Also die kurze Antwort ist nein, also Data Science ist nicht irrelevant geworden.

00:04:28: Wir haben schon noch sehr viele Projekte in die Richtung gehen, Vorkasts zu generieren aber auch Marketing-Measurement Modelle zu entwerfen, die aktueller Lage halt noch nicht so gut durch AI abgedeckt werden können.

00:04:43: ich weiß das es in verschiedene Richtungen halt auch Versuche gibt large language models dazu verwenden um Vorhersagemodelle sind die normalen Modelle immer noch besser, was halt aber hilfreich ist wenn man zum Beispiel Coding Agents einsetzt um Data Science Entwicklungsworkflows zu unterstützen.

00:05:03: Das ist sicherlich etwas was wir auch machen.

00:05:06: Also das ist dann die Kombination.

00:05:08: Aber erstmal sagst du Data Science also die klassische Anwendung von Statistischen Modellen mit Machine Learning Neuronalnetzen liefert in vielen Anwendungsbereichen immer noch bessere Ergebnisse.

00:05:22: Kannst du beschreiben, was die für Anwendungsweiche sind?

00:05:25: Also das ist vor allem zum Beispiel numerische Daten womit ja Language-Modelle noch nicht so super gut klarkommen... also was ist der gemeinsame Nenner?

00:05:33: Ja, also hauptsächlich ist es so ich kann ja mal einen Einblick geben dass bei uns so die großen Anwendung Fälle aktuell sind machen sehr viele in der klassischen Data Science sehr viele Forecast-Modelle die mir halt einen speziellen Wert vorher sagen sollen und da sehen.

00:05:51: Also ehrlich gesagt haben wir jetzt auch nicht die ganz großen Experimente gefahren, mit einem Large Language Modell herzunehmen und sagen mir doch mal diese Werte auch voraus.

00:06:02: Das ist mein Wissen als ich eher so aus der Literatur habe das es da durchaus Experiment dazu gibt aber jetzt nicht andeuten dass man da umswitchen sollte aktuell.

00:06:13: Alles großes Thema ist bei uns ganze Marketing Measurement Stichwort Marketing-Mix Modeling, stichwort Attributionsmodellierung wo ja das ganz große Ziel ist zu bewerten.

00:06:25: Wie gut waren jetzt zum Beispiel meine Investments?

00:06:27: Wenn ich jetzt in ein gewisses Marketingkanal so und so viel Euro investiert habe wieviel zusätzliche Revenue habe ich denn eigentlich durch diesen Investment hervorgerufen?

00:06:39: also einen Kostennutzen Betrachtung.

00:06:43: Und da kommen bei uns immer noch klassische statistische Modelle zum Einsatz.

00:06:49: Klassisch ist jetzt vielleicht sogar das falsche Wort, also sind auch basianischen Modelle die man jetzt wahrscheinlich nicht als ganz klassische Statistik ansehen würde vielleicht aber es sind schon... Also wir würden jetzt kein Large Language Model dafür benutzen hier.

00:07:05: Es ist eine richtige Riesentabelle.

00:07:08: bewährte mir mal wie groß der Einfluss von dem einen Kanal auf unser Ergebnis war z.B.. Das ist schon noch viel mehr sehr klassische Data Science Handarbeit sozusagen notwendig, als das jetzt vielleicht in einem GenAI Projekt wäre.

00:07:23: Wo ich halt die Hauptaufgabe ja ist, das Large Language Model richtig anzusprechen und ihr geht es hier richtig weiter zur Verarbeitung.

00:07:30: Okay also Einsatz bei strukturierten Daten zahlen bei Forecasting als einer der Anwendungsbearche oder auch dieses Attributionsberechnungen.

00:07:43: Kannst du ein bisschen genauer erklären, wie das funktioniert?

00:07:46: Also was macht ihr da konkret.

00:07:47: Wie kann man sich das vorstellen?

00:07:49: Ja also der Zweck eines Attributionsmodells ist ja zu sagen.

00:07:53: ich habe jetzt auf wirklich Feingranularer Ebene einen Kauf beobachtet bei mir im Webshop.

00:08:00: Kauf ist bei uns der Fall.

00:08:01: es kann irgendeine Art von Conversion sein und ich will wissen Welche meiner Werbemaßnahmen haben denn maßgeblich darauf eingespielt, dass dieser Kunde jetzt gekauft hat oder diese Kundin?

00:08:14: In unserem Fall ist das so, dass wir einen Zeitfenster vierzehn Tage vor dem Kauf beobachten und dort alle Touchpoints nennen wir das.

00:08:20: Also an welcher Stelle hatte denn die Kundinnen Kontakt zu Werbemaßnahmen von uns, die da in so einer Sequenz aufreihen... ...und dann in unserem Fall ein kausales Modell reschnen, dass uns den Einfluss ... auf diese Kaufentscheidung dann quantifiziert.

00:08:40: Das ist in unserem Fall so, wenn man ins Detail geht das wir für jeden dieser Kanälen eigenes Modell haben... ...dass halt diesen inkrementellen Beitrag berechnet und aus Prozessgründen hinten raus wird es dann auf hundert Prozent normiert.

00:08:54: Sondern ich kann einem im Endeffekt sagen, dieser Touchpoint hatte... ...twanzig Prozent Anteil an diesem Kauf und dann kann ich halt auch hingehen und die Kaufsumme Entsprechend wieder aufteilen.

00:09:07: Ich kann sagen, dieser Touchpoint hat jetzt in der Bahnkorp hundert Euro war... ...fünfundzwanzig Euro gemacht sozusagen oder Ergebnis geliefert und das kann ich dann in der Summe wieder mein Investments in diesen Kanal gegenüberstellen um zu sehen ja wie erfolgreich war das?

00:09:22: Und das ist wie gesagt so ein fein granulares Modell dass vor allem zur täglichen Steuerung da ist.

00:09:28: zusätzlich dazu haben wir auch noch im Marketing-Mix Model was die eigentlich gleiche Fragestellung auf einer sehr hoch aggregierten Ebene beantwortet, sprich ich habe über einen gewissen Zeitraum dieses Budget in den Kanal investiert.

00:09:42: Wie viel davon hat denn in unserem Ergebnis oder in unserem Revenue?

00:09:49: Welcher Anteil wurde dann durch dieses Budget sozusagen hervorgerufen und wo ich auch wieder hingehe und dieses Ergebnis mit dem Einsatz vergleichen und so ein Return of Ad Spend heißt das dann in Weste berechnen kann.

00:10:03: Würdest du sagen, dass man heute Marketing im Versandhandel überhaupt noch ohne Data Science machen kann?

00:10:10: Ich würde sagen das hat man schon vor einiger Zeit nicht mehr ohne Data-Science machen und ich bin natürlich voreingenommen durch meine Rolle aber wir machten es schon sehr lange haben jetzt in dem letzten Jahr nochmal eine neue Evolutionsstufe gemacht, dass wir wirklich das deutlich noch mal erweitert haben was wir da an Tool Set im Einsatz haben.

00:10:29: Aber wir haben schon bei dem ersten Einführung unseres Attributionsunterhalts, was inzwischen glaube ich um die zehn Jahre her ist.

00:10:37: Haben wir schon gesehen dass wir damit halt deutlich besser steuern können als vorher vor allem weil das Zusammenspiel von unterschiedlichen Marketingkanälen betrachtet wird wo hingegen einfache Modelle halt immer nur monokausal aufgebaut sind und da haben deutlich mehr Insights auch dazu bekommen, wie denn uns Marketing-Kanäle eigentlich funktionieren?

00:11:01: Natürlich kann ich das auch ohne dass machen.

00:11:04: Ich kann es vor allem auch ohne eigene Data Science Abteilung machen weil viele Plattformen das einfach anbieten.

00:11:09: dann muss sich jetzt nicht selber Leute haben die so ein Modell entwickeln.

00:11:14: Es hat alles so natürlich Vorteile wenn ich das dann selber mache.

00:11:17: aber in irgendeiner Form brauche ich solche Modelle um halt ordentlich steuern zu können.

00:11:26: Jetzt neben Marketing gibt es noch andere Bereiche in der Organisation, wo Data Science unter AI stark genutzt wird?

00:11:34: Ja.

00:11:34: Also die Rolle meiner Domain ist ja wirklich... ...in der breite Use Cases zu bedienen.

00:11:41: Neben diesem großen Block Marketing haben wir einen ganz großen Blog für uns im Einkauf und in der Content Generierung angesiedeltes.

00:11:53: Im Einkauf machen wir halt viele Sachen Die der Produktentwicklung dienen, also Produktentwirkung heißt bei uns wirklich hier physisches Produkt dieses T-Shirt sozusagen nicht digitales Produkt wo wir durch AI Services unterstützen dass die zum Beispiel an einer sehr frühen Stelle schon eine Visualisierung von dem Produkt da ist bevor das physisch überhaupt irgendwo bestellt wurde.

00:12:15: was dann sehr stark diesen kreativen Prozess auch unterstützt.

00:12:19: Wir haben da verschiedene auch so Vorkastingmodelle, die schon sehr früh abschätzen können wie erfolgreich wird so ein Produkt denn eigentlich sein.

00:12:24: sollten wir das weiterentwickeln oder auch nicht?

00:12:26: Oder sollten wir es überhaupt bestellen und dann daraus im nächsten Schritt wenn wir dann wissen diese Produkte können bei uns in Bestellt werden oder in den Shop kommen dass wir dann Content Generierung sehr stark unterstützen.

00:12:40: Das ist eines der größten Themen wo jetzt gerade auch dran sitzen Content ... per AI zu generieren, ganz konkret heißt das bei uns Bilder in unserem Webshop... ...per AI zu genabrieren.

00:12:53: Ja dann werden wir quasi bei diesem zweiten Bereich also die Nutzung von GenAI-Modellen und vielleicht kannst du das nochmal ein bisschen Plakate oder ein bisschen konkreter machen oder ausmalen für uns wie das funktioniert?

00:13:07: Oder vielleicht beschreibst du erst mal auch die Größe des Problems.

00:13:11: Also wie viele Produkte sind da überhaupt in eurem Webshop Und wie viele Interaktionen sind da eigentlich drauf?

00:13:17: Um vielleicht ein bisschen besser zu verstehen, wie AI da gut helfen kann.

00:13:22: Also aktuell beschäftigen wir uns hauptsächlich mit den Bildern die wir auf unserer Produkte-Teilseite haben.

00:13:28: also das kennt man aus dem Webshop.

00:13:30: man sucht nach einer Hose und dann sind alle Hosen dort.

00:13:32: ich klick auf eine Hose... ...und dann habe ich ne Seite wo die Hose beschrieben ist.

00:13:35: So einen Bildzett dann dort wo man dann irgendwo Die Hose am Model hat die Hose als Legerbild, also freigestelltes Bild usw.

00:13:48: Und das sind bei uns je nach Produktkategorie sind das so vier bis sechs Bilder pro Artikel.

00:13:57: und wie viele Artikel wir jetzt haben genau wenn ich so ein bisschen kenne ungefähr fünfzigtausend.

00:14:05: Aber auch noch in verschiedenen Farben.

00:14:07: Und wir haben bei uns auch noch den Anspruch, alle unsere Artikel in große Größenfotografie zu haben.

00:14:14: Sprich, wir müssen den gleichen Artikel dann nochmal in normalgröße und große Größe fotografieren.

00:14:20: Da kommt schon einiges zusammen!

00:14:22: Das ist der erste Step, den wir nehmen.

00:14:24: Darüber hinaus gibt es dann ja so Kampagnen-Fotografien, wo dann ein Model die Kleidungsstücke von dem Hintergrund einer Kulisse anhört – auch nochmal andere Posen als das jetzt vielleicht relativ... Einfachen Posen auf so eine Artikel-Detailseite.

00:14:39: Sprich, da kommt einige zusammen und das klassischerweise wird das halt alles irgendwo in einem Fotostudio fotografiert... ...und das ist natürlich für uns ein großer Hebel auch kostenseitig zu sagen wie wäre es denn eigentlich wenn wir die PAI generieren können diese Bilder?

00:14:56: Ja aber jetzt will ich natürlich neugierig.

00:14:58: Ich will ja schon dass das Bild so aussieht wie das Produkt nicht dass die AI da was Schönes zu erfindet, zu beider Rose.

00:15:05: Also wie stellt ihr das sicher?

00:15:06: Oder was macht jetzt die AI?

00:15:08: und was macht ihr so... Was ist noch ein Bild?

00:15:10: oder was ist das echte Produkt?

00:15:12: Das ist die ganz entscheidende Frage, die du da stellst.

00:15:16: Also ich habe das auch mal so ausgedrückt in anderen Kontexten.

00:15:19: Jeder von uns kann schönes Bild vom Model mit Klamotten generieren.

00:15:23: Also sei es im ChatGBT, in Cloud oder weiß ich wo.

00:15:30: Und das sieht dann schön aus, aber das Wichtige für uns nicht nur für uns als Monemark sondern auch für jede Monemark oder auch für jeder andere Marke ist ja dass ich genau unser Putrück darstelle und genau in unserer Bildsprache.

00:15:43: Das ist vielleicht so ein Achtzig-Zwanzig-Problem diese Achtzigprozenten schönes Bild hin zu bekommen sogar ein Bild wo ungefähr unsere Klamotten drauf sind.

00:15:54: Das kriegt man sehr schnell hin.

00:15:55: Das geht man in zwei drei Stunden hin.

00:15:59: Aber dann wirklich sicherzustellen, dass es genau das Produkt ist.

00:16:03: Dass wir, dass unserem entspricht in unserem Fall Product Correctness sehr wichtig bei Mode, wenn ich also so der Stoff muss halt auch so fallen wie er in Wirklichkeit fällt Er muss die eine Bluse muss genauso lang sein.

00:16:18: Es geht jetzt über die Hüfte Unter der Hüftel auf und so weiter und sofort.

00:16:26: Wie hoch ist ein Schuh am Bein?

00:16:28: Oder ein Stiefel am Bein, das ist sehr wichtig.

00:16:31: Und das sind die letzten zwanzig Prozent und auch wenn man gar nicht hundertprozentig anstrebt sondern vielleicht nur fünf oder achtundneinzig Prozent, die dann halt wirklich herausfordernd sind und wo wir jetzt auch die ganz großen Probleme oder was Herausforderungen haben.

00:16:46: Das kann man unterschiedlich lösen, dass kann man einerseits auf technischer Seite lösen.

00:16:50: Wo wir jetzt stark daran arbeiten, wirklich das Prompting so hinzubekommen, dass es korrekt ist Es gibt so Herausforderungen mit Halluzination hast du angesprochen, dass halt teilweise das Logo falsch aussieht oder dass vielleicht auch eine Schnelle am Schuh an der falschen Stelle ist.

00:17:08: Da ist es was man wie man das er prompten kann halt auch endlich.

00:17:11: dann muss man hingehen und sagen Kann ich denn irgendwelche nachgelagerten Prozesse aufbauen die zum Beispiel schon erstmal die falschen Bilder erkennen?

00:17:18: Das ist auch eine Stelle in der wir auch schon Lösungen gearbeitet haben.

00:17:22: Und dann im letzten Schritt die menschliche Kontrolle.

00:17:27: Und da ist der große Herausforderung, dass man Niveau erreicht, das die menschenliche Kontrollen nicht mehr Ressourcen auffrisst als das gleiche Manuell zu schießen, das Bild.

00:17:38: Das ist jetzt ein bisschen überzogen dargestellt aber man braucht ja diese Ressource und dann braucht er diese Person, die sich hinsetzen und die Bilder kontrollieren.

00:17:49: Und das kann ich jetzt durch sehr viele Personen erschlagen, das Thema was auch durchaus gemacht wird.

00:17:56: Wir haben jetzt gesagt, wäre schön wenn wir das irgendwie ein bisschen besser hinbekommen und deswegen investieren wir gerade auch in gerade diese vorgelagerten automatisierten Kontrollmechanismen weil wir halt auch einen großen Anspruch haben auf Automatisierung unseres Prozesses dass halt die Bilder die dann im Endeffekt von den Menschen kontrolliert werden müssen eine möglichst niedrige Fehlerquote aufweisen.

00:18:19: und das sehe ich auch ehrlich gesagt noch für eine G. die nächste X-Zeit, das ist ja heutzutage schwer zu sagen ob das jetzt noch Jahre oder Monate sind.

00:18:28: Dass man auf jeden Fall nicht einfach komplett automatisiert die Sachen durchlaufen lassen kann sondern dass da schon noch auf jeden fall eine menschliche Kontrolle notwendig ist.

00:18:37: aber das Ziel ist wie gesagt Wie können wir die Ampel so klein halten wie möglich?

00:18:41: Ja Super spannend, finde ich.

00:18:44: Siehst du da große Sprünge bei den Modellen?

00:18:47: Wir haben jetzt gerade wieder neue Frontiermodelle bekommen.

00:18:50: Erste Frage ist nutzt ihr die?

00:18:52: oder vielleicht kannst du sogar teilen welche ihr nutzt?

00:18:54: und dann eben auch die Frage nach dem technischen Fortschritt weil es ja gerade erwähnt hast.

00:18:59: Ja also wir nutzen gerade... Ich glaube das war ein großer Sprung für alle sich damit beschäftigen.

00:19:09: dann doch nochmal deutlichen Sprung gebracht hat.

00:19:11: Inzwischen haben andere Anbieter aufgeholt oder eventuell so ein bisschen weiter, da haben wir immer mal wieder das den Anspruch auch neue Modelle auszuprobieren.

00:19:19: Auf der anderen Seite haben wir aber natürlich auch einen Produktivprozess, den wir jetzt nicht alle zwei Wochen übern Haufen werfen wollen.

00:19:26: Das ist ja auch das Zusammenspiel zwischen Prompt und Modell.

00:19:30: Ich kann auch nicht dass den gleichen Prompt in anderes Modell schieben und habe dann automatisch die gleichen Ergebnisse.

00:19:36: also die Praxis Da ist es dann schwieriger, sehr schnell diese Modelle auch auszutauschen.

00:19:43: Gerade wenn ich auch in so einem Automatisierungsziel hab.

00:19:47: Dementsprechend sind wir da auch noch weiterhin auf Nano-Banana und das hat... ...sehr viele Vorteile hat.

00:19:54: auf so ein paar Nachteile muss man dazu sagen.

00:19:57: aber wir sind da eigentlich momentan noch zufrieden damit.

00:20:00: und wie gesagt die... Wenn man sich andere Modelle anguckt, ist es jetzt auch nicht so dass man auf einmal mehr fünfzig, hundert Prozent bessere oder bessere Fehlerquote hat.

00:20:12: Sondern ich hofft darauf dass vielleicht in den nächsten Monaten nochmal so ein Quantensprung kommt, der für mich dann auch war.

00:20:23: aber aktuell lohnt sich das jetzt nicht alle zwei Wochen neue Modelle einzubinden im Subproduktivprozess.

00:20:29: Hm, okay.

00:20:30: Naja, gibt viel Sinn!

00:20:31: Diese menschliche Kontrolle?

00:20:33: Womit wird denn oder wie wird das gepromptet?

00:20:35: Also gibts da quasi Rohmaterial.

00:20:37: also irgendwo bekommt ihr ein Bild, bleiben wir mal bei der Hose... Also euer Lieferant gibt euch ein Bild von der Hosse und das wiederum nutzt ihr um dann das quasi an einem Model zu zeigen oder in irgendwelchen Positionen die ihr braucht.

00:20:48: Das hast du schon perfekt beschrieben.

00:20:51: Also wir klingeln.

00:20:52: Also das ist vielleicht ganz wichtig.

00:20:55: Ein wirklich produktkorektes Bild ... zu erpromnten ohne Input-Material ist sehr, sehr schwer bis unmöglich.

00:21:06: Wir haben auf jeden Fall Inputmaterial Fotos die aber natürlich in der Herstellung viel, viel billiger sind... ... als jetzt ein professionelles Fotografenbild und die benutzen wir um dann auch diese Bilder zu erstellen.

00:21:17: Nee das ergibt viel Sinn!

00:21:18: Das heißt aber jetzt nochmal auf den Punkt gebracht es gibt also ihr macht keine Fotos mehr von den Produkten sondern das wird jetzt alles generiert?

00:21:30: Also wie gesagt, diese Eingangsfotos werden wir auch dauerhaft brauchen.

00:21:34: Wir sehen jetzt noch nicht in unserem Rollout soweit das dass wir alles per AI machen.

00:21:40: Da haben wir natürlich ambitionierte Ziele und wenn man so ein bisschen auf den Markt guckt gibt es auch viele andere Firmen die ambitionierte ziele haben.

00:21:47: Wir haben halt aber zusätzlich auch das Ziel, dass wir wie ich vorher beschrieben habe einen hohen Automatisierungsgrad herstellen wollen was dann ein bisschen anderer Vorgehensweise ... diktiert, als wenn ich sage... Ich kann das natürlich auch durch super viel manuellen Einsatz,... ... den ich vorher beschrieben habe.

00:22:07: Kann ich es natürlich auch erreichen so eine hohe Quote?

00:22:09: Das ist bei uns jetzt aber erst mal nicht so vorgesehen und bringt aber dann natürlich auch andere Herausforderungen mit sich.

00:22:16: Aber es wird noch ein bisschen dauern bis ich sagen kann alle unsere Bilder sind AI generiert.

00:22:22: Aber du würdest sagen perspektivisch eigentlich schlechte Nachrichten für Models und Fotografen.

00:22:27: Also der Weg ist klar, dass das eigentlich die AI übernehmen wird.

00:22:31: Ja aber also Models kann ich jetzt nicht so ganz bewerten ehrlich gesagt.

00:22:35: Was wir auf dem Markt schon sehen ist, dass es Fotostudios... ...dass ihr auch nicht verschlafen diesen Trend.

00:22:40: Es gibt viele Anbieter Fotostudios, die genau das als Service anbieten.

00:22:46: Und dann kann ich mich als mehr... Das ist ja mal eine Unterschiede.

00:22:49: oder die Frage ob ich als Firma mir das überhaupt leisten können will das intern abzubilden.

00:22:55: Das ist natürlich immer eine individuelle Rechnung, was dann Sinn macht und was nicht.

00:22:59: Aber es gibt wirklich Fotostudios die da ganz vorne dabei sind.

00:23:04: also wie bei jeder Veränderung im Markt muss man halt darauf reagieren und einige haben das auch sehr gut gemacht.

00:23:12: Okay interessant du hast gerade bei Herausforderungen große Herausforderung.

00:23:17: für viele ist das Thema Kosten.

00:23:19: Also Topenkosten, Genereal-Kosten die ja doch irgendwo steil wachsen.

00:23:23: wie siehst du das?

00:23:24: Wie betrifft euch das?

00:23:27: Ist auch hier eine Rechnung einfach immer?

00:23:28: wir wissen ja was wir was wir für Fotoproduktion ausgeben und können gegenüberstellen was wir um unsere Genereale Anwendungen ausgeben.

00:23:38: ich würde sogar sagen dass da aktuell Und das ist ja auch der Grund, warum wir diese manuelle Arbeit niedrig halten wollen.

00:23:45: Weil das natürlich auch ein Kostenfaktor ist.

00:23:48: Ansonsten haben wir jetzt tatsächlich auf dem Thema... Das sieht sehr positiv aus für uns so kostenseitig, wo wir ein bisschen darauf achten müssen es natürlich wenn wir viele von diesen Prüfschritten machen.

00:24:01: Das heißt Prüfschritt.

00:24:02: also erst mal kann der Prüf-Schritt selber ja teuer sein, wenn ich das wieder die Prüfung durch den AI Modell machen lasse Und B, die Konsequenz davon dass der Prüfschritt gesagt hat das ist jetzt da ist ein Fehler drin wäre ja okay.

00:24:14: ich lass es nochmal generieren und dann lasse ich vielleicht noch mal generieren.

00:24:18: Da muss man schon darauf achten wie viele Durchgänge brauche ich denn einen Schnitt um nachher ein abgenommenes Bild oder ein korrektes Bild dann rauszubekommen?

00:24:29: Jetzt hast du ganz am Anfang schonmal ganz kurzen Hinweis gegeben dass er mit Gen AI eigentlich anders gearbeitet wird dass sich jetzt gerade auch Rollen verändern, Skills verändern.

00:24:41: Vielleicht kannst du das noch mal beschreiben.

00:24:43: was siehst du?

00:24:43: Was passiert gerade mit diesem ja immer verstärkten Nutzung von Genial-System?

00:24:49: Also erst einmal auf meine Abteilungen, meine Domänen bezogen ist es so, wenn ich ein reines Genial Thema nehmen würde wie das beschriebene Content Generierung dann bräuchte ich da erstmal kein Data Scientist dafür.

00:25:03: Die Rolle, die ich brauche ist jemand der Software entwickeln kann und diese Software würde an verschiedenen Stellen AI-Modelle ansprechen sozusagen.

00:25:13: Ganz breit oder grob zu beschreiben Das ist ja natürlich jetzt eine Rolle und ein Skill, den gab es in der Vergangenheit nicht so.

00:25:22: Und deswegen gibt's auch verschiedene Professionen die sich dem angenehrt haben und tatsächlich auch viele Data Scientist.

00:25:28: Da gibt's glaube ich unterschiedliche Einstellungen.

00:25:30: Manche haben ihre Liebe für die statistischen Modelle und wie ich vorher gesagt habe wir sind auch weiterhin relevant und andere sagen das interessiert mich voll, da will ich mich jetzt darauf spezialisieren.

00:25:39: aber genauso gibt es halt Leute aus dem Software Engineering Commode oder auch aus anderen Richtern.

00:25:44: Das ist jetzt der reinen technische Teil sozusagen, was wir halt aber auch gesehen haben.

00:25:48: Ist gerade in diesem sehr kreativ-künstlerischen oder kreativen Aspekt Mode, dass wir auch ganz viel Input von unseren Kreativkollegen brauchen und das ist ein Punkt, der da sehr essentiell ist bei unserem Projekt, dass nicht als IT-Projekt oder eine technische Lösung sehen, sondern dass wir da sehr viel In put brauchen verdauen.

00:26:11: Und das ist auch eine Herausforderung, weil dieses ganz praktisch heißt, dass ja ich brauche jemanden der dem KI-Modell per Prompt sagen kann was es machen soll.

00:26:25: Das sind so Sachen wie ich schreibe da auch rein welche Art von Kamera oder welche Schließzeit oder wie auch immer oder welche Beleuchtung da drin sein soll und das kann der klassische Softwareentwickler halt nicht leisten.

00:26:41: So per se kann das jetzt jemand, der klassisch in der Art Direktion oder so gearbeitet hat.

00:26:46: In der Vergangenheit vielleicht auch nicht.

00:26:47: aber man muss sich da hin entwickeln dieses Skills aufzubauen und diese Reuen Und da sind wir dabei.

00:26:53: dass ist eine Herausforderung.

00:26:55: Dann halt wirklich zu lernen mit einem spezifischen Modell.

00:26:58: was sind denn die Stellschrauben an denen ich dann noch mal drehen kann?

00:27:02: also prompt ist das eine.

00:27:03: das andere ist es Die Fragestellungen.

00:27:05: zum Beispiel soll ich jetzt Für unser Modell, teilweise für verschiedene Artikel müssen die Haare hochgesteckt sein.

00:27:12: Oder es ist eine Frage wie das Make-up ist oder wie das Hair Styling ist?

00:27:17: Ist das was, was ich per Beispielbait reingebe oder ist das etwas, was sich eher im Prompt beschreibe?

00:27:22: So nur als wirklich anfassbares Beispiel und das sind Sachen, die müssen wir uns auch erst mal erarbeiten.

00:27:28: Das ist jetzt auf dieses Projekt gesehen.

00:27:31: Ich glaube insgesamt führt dann weiter... Alle unsere Arbeiten werden ja irgendwie durch AI verändert und man hat irgendwo AI Tools im Einsatz.

00:27:41: Und da gilt das glaube ich überall, also man kann sich viel selbst erarbeiten ist viel trial and error.

00:27:48: aber dass sich diese Rollen ändern, das ist ganz klar.

00:27:52: Hibt es da jetzt organisatorisch was wie man das unterstützen kann?

00:27:54: Jetzt trial-and-error ist natürlich klar, aber gibt's da eine strukturierte Weiterbildung?

00:28:00: Werden Rollen dediziert anders beschrieben?

00:28:03: Was macht ihr?

00:28:04: Also da sind wir tatsächlich auch gerade in der Erarbeitungsphase.

00:28:07: Bei uns ein ganz großes Thema ist AI Engineering oder Software Engineering, wo wir jetzt wirklich losgestartet sind und verschiedene Tools mal ausprobiert haben in der Praxis gelernt haben ist es erstaunlich wie sich über die letzten Monate da halt auch wirklich know how aufgebaut hat, nicht nur bei uns sondern auch extern.

00:28:30: Als wir angefangen haben war's richtig schwierig auch irgendwie Informationen zu bekommen was funktioniert denn und was nicht?

00:28:35: Und inzwischen gibt´s da wirklich sehr viel Sachen an denen man sich orientieren kann.

00:28:40: einerseits so best practices auf der anderen Seite aber halt auch so wirkliche frameworks... ...und da sind unsere Herausforderungen gerade okay.

00:28:46: wie können wir denn das was wir jetzt ein bisschen sage ich jetzt mal wild gelernt haben, wie können wir das in ein sauberes Framework überführen?

00:28:58: Das ist zum einen Governance.

00:29:00: Zum zweiten halt wirklich dass wir... Dass das wirklich nicht jeder für sich einzeln lernen muss sondern dass wir Knowledge Base haben indem man so was viele Sachen schon vorgefertigt hat und da müssen jetzt gerade Wir finden uns in der Zielfindung sozusagen, wo wollen wir denn eigentlich hin?

00:29:20: Was ist eine gute technische und aber auch organisatorische Abbildung des Themas.

00:29:25: Wir sehen da in den Projekten, wo wir es jetzt intensiv eingesetzt haben schon sehr große Vorteile.

00:29:32: Aber halt auch wieder genau das Gleiche wie vorher.

00:29:34: Skills also Fähigkeiten und Rollen ändern sich.

00:29:39: Und es ist vielleicht auch so ein bisschen dieses ganze.

00:29:42: Man liest viel drüber man kann Man kann diesem Hype ein bisschen verfallen, zu sagen okay jetzt nächstes Jahr haben wir die AI Factory.

00:29:50: Vielleicht haben wir nächstes ja die AI factory aber diese diese Entwicklung das ergeben sich halt ganz neue Herausforderungen, die man als Unternehmen halt auch betrachten muss.

00:30:03: Allein schon was vor angesprochenen die Kosten.

00:30:07: ist es oft glaube ich so dass diese Kosten halt in keinem Plan drin sind.

00:30:11: wo kommt Wo spare ich vielleicht dafür ein?

00:30:15: Also das Geld kommt ja auch nicht von irgendwo her, sondern ich muss an der anderen Stelle einsparen.

00:30:21: Wie gehe ich damit um welche Limits setzig und solche Sachen?

00:30:24: Da geht es vom groben strategischen Level bis ins Detail runter wo man sich die Gedanken machen muss

00:30:32: Absolut.

00:30:33: Also sehen wir auch bei uns im Research, dass das eigentlich mit die Hauptthemen momentan sind wo auch viele Unternehmen einfach noch nicht weit sind.

00:30:38: gerade eben was du grad zum Schuss beschrieben hast.

00:30:40: also die eine Seite ist ja die Skills und Fähigkeiten dann habe ich organisatorische Veränderungen im Sinne der Rollen und dann hab' ich da auch noch die ganzen Themen der Governance.

00:30:49: Was darf ich jetzt überhaupt machen?

00:30:51: Wie kann ich Kosten überhaupt kontrollieren

00:30:52: etc.?

00:30:54: Sascha, unsere Zeit ist schon oben.

00:30:56: Woher könnten doch glaube ich ewig weiterrehen?

00:30:58: Da habe ich so den Eindruck.

00:30:59: aber ein Thema müssen wir wirklich noch kurz besprechen und zwar du hast gerade das Stichwort genannt agentic und du hast vorher ja betont wie stark ihr einen Fokus auf Automation habt und... Das passt ja eigentlich gut zusammen!

00:31:12: Was ist da der Stand der Dinge bei euch?

00:31:13: Wie geht dir das Thema Agenten an?

00:31:16: Ja also da will ich so ein bisschen unterscheiden zwischen automatisierter AI-Prozess ... der halt eher so deterministisch ist im Sinne von ich gehe bevor, was das Modell jetzt zu tun hat.

00:31:29: Und das macht es dann auch so und da haben wir schon sehr viel im Einsatz... ... nicht nur im Content Bereich sondern auch in anderen Bereichen versus Agentic.

00:31:37: Ich gebe mehr Entscheidungsfreiheit dem Agenten.

00:31:40: Ich gebe eine grobe Aufgabenbeschreibung im Natural Language zum Beispiel und wie das jetzt ausgeführt wird und was jetzt gemacht werden.

00:31:51: So wird dem Agenten überlassen und da sind wir tatsächlich noch nicht so weit.

00:31:56: Auch aus verschiedenen Gründen, ich glaube Ideen und Lust haben wir sehr viel.

00:32:04: Da geht es aber glaube ich vielen Firmen gerade so dass man ein paar Hürden überspringen muss die das dann zum Laufen bringen.

00:32:09: also erst mal was ist meine technische Lösung?

00:32:12: auch wieder Security Compliance usw.

00:32:16: Das große Herausforderung ist ja die Handlungsoptionen oder die Freiheiten, die ich in einem Agenten gebe.

00:32:22: Die existieren jetzt nicht irgendwo in der Sandbox sondern dieses Agent soll dann auch auf das System mitzugreifen.

00:32:27: also ich geb ihm freiheitend Sachen zu machen im Produktivsystem.

00:32:32: Wenn ich ihnen das nicht gebe kann ich mir den ganzen Agenten auch sparen und das bringt halt natürlich vor allem in so einer Konzern Umgebung sehr viele Fragestellungen zur Security Mit sich mit denen wir uns gerade intensiv beschäftigen, wo wir auch alle wollen das eine gute Lösung finden.

00:32:51: Aber auf der anderen Seite auch die Risiken einfach betrachten müssen.

00:32:56: also da ist es auch wichtig sich auch wieder nicht zu sehr vom Hype treiben zu lassen.

00:33:03: aber ich bin ja sehr zuversichtlich dass wir da auch Zeiten an der Lösung finden und dann auch da stärker stärker Gas geben können weil Das, was wir jetzt auf einzelnen isolierten Versuchen herausgefunden haben, das ist schon sehr gut.

00:33:20: Und vor allem wie ich vorher gesagt habe unser größtes Thema ist gerade AI Software Engineering, was auch ein agentisches System ist und da sehen wir große Vorteile und dementsprechend wollen wir diese Hürden nehmen um wirklich eine saubere Lösung aufsetzen zu können die uns dann nicht als viel Sorgen bereitet.

00:33:41: Ja, super.

00:33:42: Vielen Dank für die Einblicke Sascha!

00:33:44: Abschlussfrage vielleicht zur Blicke in der Zukunft falls du den Wagen magst wenn wir uns ... ... auf dem Data Festival treffen?

00:33:53: Was sind dann für dich die größten Fortschritte der letzten Monate gewesen?

00:33:58: was passiert bis dahin bei euch?

00:34:01: also... ... oder haben wir das ganz klare Ziel dass ich dann zeigen kann wie sieht denn unser automatisierte Content Generation Workflow aus, der über die aktuelle Scope hinausgeht und weitere Bilder da generieren kann.

00:34:17: Das ist ein ganz klares Ziel!

00:34:20: Ich glaube wir werden bis dahin noch mal zwei drei Evolutionsstufen oder vielleicht auch Revolutionsstufe in den Modellen sehen und dadurch halt vielleicht auch viele von denen Herausforderungen, die wir jetzt haben sich dann vielleicht nachträglich im Luft aufgelöst haben was ich mir gut vorstellen kann.

00:34:37: Und ich glaub dass wir auf der anderen Seite viel weiter im Markt sehen können, dass das was jetzt über das jetzt viel geredet wird.

00:34:46: Agentec Workflows der Mitarbeiter ist der Dirigent der Agenten.

00:34:52: Dass wir das als viel mehr gelebt oder als die weitgehend gelebte Praxis sehen werden.

00:34:59: Ich glaube man kriegt manchmal so ein bisschen verzerrtes Bild wenn man nur auf LinkedIn sich umguckt und dann sieht man alle Leute haben jetzt tausende Agenten im Einsatz.

00:35:07: Die Praxis, das wird in paar Firmen so sein.

00:35:09: Aber die meisten haben jetzt gerade diese Herausforderung.

00:35:11: kriege ich das dann eigentlich gut hin?

00:35:14: und da bin ich mir sehr glaube schon dass wir da bis zum nächsten Jahr Lösungen gefunden haben und dass das nicht nur unbombriert ist sondern dass viele Firmen Lösungen gefunden haben dass es der Best Practices gibt... ...und auch Frameworks die uns erlauben das wirklich gut aufzusetzen diesen Mehrwert dann auch einzukassieren

00:35:37: glaub ich auch und dann freue mich schon.

00:35:39: Ich nehm das jetzt einfach mal als Bewerbung für eine Präsentation, dass wir das vielleicht dann sehen können.

00:35:45: Ja!

00:35:46: Siebzenter, achter März in München beim Data Festival.

00:35:49: Das wäre doch super.

00:35:50: Meld dich bei mir.

00:35:51: Ich war ja in der Vergangenheit schon da.

00:35:52: Mir gut gefallen.

00:35:53: Ich freu mich drüber.

00:35:55: Absolut Dann stellen wir das doch einfach mal so in Aussicht.

00:35:59: März, zwei sieben zwanzig.

00:36:00: Sascha ganz herzlichen Dank!

00:36:02: Ich fand es war ein toller praktischer Einblick in den Stand von Data Science und AI wie ihr es unterscheidet.

00:36:09: Und eben ja auch glaube ich ein ganz realistischer Blick auf das was geht aber wo eben auch noch Herausforderungen heute sind.

00:36:15: Und ich glaub dass war sehr wertvoll für viele die vor ähnlichen Herausforderungen stehen.

00:36:20: Insofern ganz herztlichen Dank Alles Gute und wir sehen uns spätestens im März, sieben zwanzig beim Data Festival.

00:36:27: Vielen Dank hat mir viel Spaß gemacht und tschüss!