Customer Story

Personalisierte Empfehlungen in einer Quiz-App, die Nutzer schlauer macht

Eine App, die dich schlauer macht? Trivadis hat das KI-Start-up Mindfire dabei unterstützt, genau das zu erreichen – mit einem Algorithmus, der den Nutzer*innen Inhalte empfiehlt, die sie interessieren und ihren Horizont erweitern.

In Kürze

Herausforderung

Den Nutzer*innen einer Quiz-App eine personalisierte User Experience bieten.

Lösung

Ein Empfehlungssystem etablieren, das auf zuvor angesehenen Inhalten sowie ähnlichen Nutzerprofilen basiert.

Nutzen

Die personalisierten Empfehlungen ermöglichen es den Nutzer*innen, sich neues Wissen anzueignen, indem sie sie in Bereichen, die sie interessieren, herausfordern. Gleichzeitig erhöhen solche Empfehlungen die Interaktionsrate mit der App.

Unsere Lösung

Künstliche Intelligenz, welche die Grenzen des menschlichen Potenzials erweitert – das ist die Vision des KI-Start-ups Mindfire. In Übereinstimmung mit dieser Vision hat Mindfire die Quiz-App "Fire42" entwickelt, die ihre Nutzer*innen schlauer machen soll. Die Nutzer*innen können aufschlussreiche und unterhaltsame Fragen zu Themen beantworten, über die sie zuvor noch nicht Bescheid wussten. Zum Beispiel: Warum stehen Flamingos auf einem Bein? Die Nutzer*innen können auch ihre eigenen Fragen hochladen, um ihr Wissen mit der Community zu teilen und ihre Freunde und Follower herauszufordern.

Damit die Nutzer*innen etwas Neues lernen, müssen ihnen Fragen gezeigt werden, die sie einerseits noch nicht gesehen haben und die sie andererseits interessieren könnten. An dieser Stelle wandte sich Mindfire an Trivadis.

Den Horizont erweitern und gleichzeitig Interesse wecken

Mindfire wünschte sich einen Algorithmus, der den Nutzer*innen Fragen auf der Grundlage ihrer Interessen empfiehlt. Das Ziel war es, ihren Horizont zu erweitern und ihnen zu helfen, neues Wissen zu erlangen. Durch personalisierte Empfehlungen sollte die App ein individuelles Nutzererlebnis schaffen sowie höhere Interaktionszahlen generieren.

Um dieses Ziel zu erreichen, hat Trivadis ein kollaboratives Filter-Empfehlungsmodell entwickelt, das der App ermöglicht, Fragen aus verschiedenen Themenbereichen vorzuschlagen. Seine Empfehlungen leitet das Modell dabei aus dem impliziten Verhalten der Nutzer*innen in der App ab.

Empfehlungen aufgrund früherer Interaktionen und ähnlicher Nutzerprofile

Zunächst wird davon ausgegangen, dass ein*e Nutzer*in an einer Frage interessiert ist, wenn er*sie sich in irgendeiner Form mit ihr beschäftigt hat, beispielsweise durch Beantworten oder Liken. Für jede*n Nutzer*in wird ein persönliches Profil erstellt, das auf den bisherigen Interaktionen mit verschiedenen Fragen basiert. In einem zweiten Schritt wird dieses Profil mit den Profilen anderer Nutzer*innen verglichen. Weitere Empfehlungen basieren auf den Interessen von Nutzer*innen, die ein ähnliches Profil haben und in der Vergangenheit vergleichbare Interaktionen mit Fragen hatten.

Ich freue mich besonders über die Energie, die mein junges und talentiertes Team in die Schulung des benutzerdefinierten Modells und den Aufbau der Produktionspipeline investiert hat. Das System hat sich so entwickelt, dass es den Benutzer*innen eine aussergewöhnliche Möglichkeit bietet, personalisierte Herausforderungen zu erhalten, um ihren Wissenshorizont zu erweitern.

Parinaz Ameri, Senior Consultant, Trivadis

Unabhängige Software-Lösung und automatisches Retraining

Trivadis erstellte die gesamte Trainingspipeline für maschinelles Lernen, um den Empfehlungsalgorithmus zu entwickeln. Die Software-Ingenieure verwendeten Open-Source-Software und die AI/ML JumpStart-Architektur von Trivadis als Basis. Da die Architekturlösung auf Open-Source-Software basiert, kann Mindfire frei entscheiden, ob sie ihre Schulungsumgebung von einer On-Premises-Umgebung auf eine virtuelle Maschine in einer beliebigen Cloud-Umgebung verlagern möchten. Sie sind dabei an keinen Anbieter gebunden.

Die Produktionspipeline, welche die Nutzung des entwickelten Empfehlungsmodells innerhalb der App ermöglicht, wird jedoch ausschliesslich mit Hilfe von Google Cloud Services orchestriert. Sobald das Empfehlungsmodell in Produktion ist, muss es täglich trainiert werden, um die neu generierten Daten durch die jüngsten Nutzeraktivitäten innerhalb der App abzudecken. Dieser Retrainingsprozess ist innerhalb der etablierten Pipeline vollständig automatisiert.

Automatisches Training und ein selbstständiges Data Science Team

Neben der Entwicklung eines voll funktionsfähigen Empfehlungssystems lieferte Trivadis Mindfire eine orchestrierte Trainings- und Produktionspipeline für aktuelle und zukünftige Machine-Learning-Projekte. Trivadis baute auch ein Data Science Team für Mindfire auf und coachte dessen Mitglieder, wie sie nicht nur die bereits etablierten Pipelines betreiben, sondern auch neue Modelle entwickeln können.

Über Mindfire

Die Mindfire AG gehört zur Mindfire Stiftung, deren Ziel es ist, grundlegende Fortschritte in der menschenzentrierten KI zu erzielen und menschliches Potenzial zu erweitern. Das 2019 in Pfäffikon, Schweiz, gegründete Start-up entwickelt Werkzeuge und Technologien, die helfen, dieses Ziel zu erreichen. Im Oktober 2020 lancierte die Mindfire Stiftung den ersten Swiss AI Award. Mit diesem Preis werden die vielversprechendsten und innovativsten KI-Startups der Schweiz ausgezeichnet.