Recommender Systeme, im Deutschen auch Empfehlungssysteme genannt, sind stark verbreitet und können im Internet auf jeder größeren Plattform vorgefunden werden. Zweck eines solchen Systems ist stets die Verknüpfung eines Menschen mit möglichen Erfahrungsgegenständen. Die Entscheidung beziehungsweise Auswahl einer Alternative erfolgt nur aus einer Teilmenge von allen Möglichkeiten. Der Mensch wird entlastet.

In der Industrie gibt eine große Anzahl an Entscheidungen mit großer Freiheit. Ob es um die Produktentwicklung durch Ingenieure oder die aktuelle Werbestrategie geht, spielt dabei keine Rolle.

Es gibt zwei Arten von Recommender Systemen. In Content Based Systemen werden ähnliche Inhalte aus einer Grundmenge ausgewählt. In kollaborativen Systemen wird die Information, was zu empfehlen ist, durch den Benutzer generiert. Je nach der Datenlage und dem Anwendungsfall kann so auf Basis von Daten ein maßgeschneidertes Empfehlungssystem entstehen.

Die Transparenz von Empfehlungen ist zum Teil schwierig herzustellen. In der Anwendung gilt allerdings, dass die Unsicherheiten welches ein solches System bei der Auswahl von Vorschlägen hat, durch die Fachkraft, welche die Entscheidungsgewalt hat, ausgeglichen wird.

Nachfolgende Abbildung zeigt die grundlegenden Unterschiede in der Konzeption von Empfehlungsdiensten. Auf der linken Seite wird die Ähnlichkeit zwischen zwei oder mehreren Produkten berechnen und dem Nutzer ähnliche Produkte vorgeschlagen. Auf der rechten Seiten wird die Ähnlichkeit zwischen zwei oder mehreren Nutzern (bspw. auf Grundlage des Kaufverhaltens oder ähnlicher Produktbewertungen und Interessen) berechnen und Produkte vorgeschlagen die von ähnlichen Nutzern konsumiert wurden.

In der technischen Umsetzung wird dabei dir mathematische Distanz zwischen Datenpunkten (Produkte oder Personen) kalkuliert. Je geringer das Distanzmaß, desto höher die Ähnlichkeit. Mathematisch beschrieben werden Produkte bspw. durch Meta-Daten (Schlagworte) oder Parameter, Personen durch deren Kaufverhalten oder Produktratings.

Mögliche Einsatzszenarien sind überall dort vorhanden, wo Entscheidungen getroffen werden müssen. Durch Recommender Systeme werden die Entscheidungen unterstützt.

Beispielsweise können Muster beim Ausfüllen von Liefer-/Bestellscheinen erkannt werden. Vorschläge in den entsprechenden Felder können die Zeiten, die ansonsten zum Ausfüllen benötigt werden, stark reduzieren.

Im Maschinenbau ist eine Modularisierung stark verbreitet. Die Muster, welche bei der Konfiguration eines Projektes vorliegen, können durch Recommender Systeme erlernt werden. Auch in diesem Fall profitieren Unternehmen und Arbeitnehmer unter anderem in Form von Zeitersparnis von der Hilfe durch künstliche Intelligenz.

Behalten Sie mit unserem Technologieradar die wichtigsten KMU relevanten Technologien im Blick!