Künstliche Intelligenz und GIS - das Experten-Interview

Seit wann beschäftigt sich WIGeoGIS mit Künstlicher Intelligenz?

Janek Schönwetter: Es stellt sich die Frage, wie wir Künstliche Intelligenz definieren. Durch den Hype um Chatbots wie ChatGPT wird Künstliche Intelligenz im Moment vor allem mit neuronalen Netzen und Deep Learning gleichgesetzt. Bei Künstlicher Intelligenz geht es aber ganz grundsätzlich darum, intelligente Maschinen zu entwickeln. Dazu gehören eine Vielzahl von Algorithmen, zum Beispiel logische Systeme, Clustering und Entscheidungsbäume. Unter Deep Learning versteht man eine Technik, um maschinelles Lernen zu implementieren. Es gibt fast keine Software mehr, die ohne maschinelles Lernen bzw. Künstliche Intelligenz auskommt.

Kai Barenscher: Im Rahmen des Projektes WIGeoSocialData, eine Forschungskooperation mit dem Department of Software Technology der Technischen Universität Delft, konnten erstmals Points of Interest (POI) wie zum Beispiel Geschäftslokale anhand von Straßenbilddaten erkannt, kategorisiert und im Anschluss für die Nutzung im GIS extrahiert werden. Durch den entwickelten zweistufigen Prozess konnte die Künstliche Intelligenz (KI) zuerst ein Ladenlokal innerhalb eines Straßenbildes identifizieren. Und durch Umwandlung der Schaufenstertexte in maschinenlesbare Informationen war es in einem zweiten Schritt möglich, aus dem POI eine Kategorie abzuleiten. Im Hintergrund wurden die Informationen in vortrainierte Textmodelle eingebunden, sodass die KI beispielsweise aus den Begriffen Haare, Fingernägel und Make-up auf einen Schönheitssalon als POI schließen konnte. Im weiteren Sinne beschäftigt uns KI aber schon länger: Unsere Software führt schon seit 2005 automatisiert Simulationsberechnungen wie Umsatzprognosen durch und nutzt dafür im Hintergrund mathematische Verfahren.

Welche WIGeoGIS-Produkte enthalten im engeren Sinne bereits Künstliche Intelligenz?

Kai Barenscher: Im WIGeo StandortAtlas steckt bereits Künstliche Intelligenz. Das Datenprodukt analysiert jeden beliebigen Ort in Deutschland, Österreich und der Schweiz hinsichtlich der wichtigsten Standortfaktoren aus dem Bereich Handel wie zum Beispiel Versorgungsdichte, Filialisierungsgrad oder Qualitäts- und Preisniveau. Das Ergebnis wird ähnlich einer Wetterkarte in Form einer Heatmap oder angereicherter Points of Interest (POI) angezeigt. So werden jene Gebiete auf der Landkarte angezeigt, welche die Standortfaktoren, die für ein Unternehmen wichtig sind, am besten erfüllen. Das funktioniert dank maschinellem Lernen. Konkret wurden im Vorfeld Millionen von Points of Interest (POI) durch WIGeoGIS trainiert, indem beispielsweise gewisse Unternehmensnamen und Branchenzuordnungen vorher definierten Kategorien des WIGeo Standortatlas zugeordnet wurden.

Haben traditionelle Methoden im Geomarketing aufgrund von Künstlicher Intelligenz ausgedient?

Janek Schönwetter: Nicht immer ist die Künstliche Intelligenz die bessere Wahl im Geomarketing. Ein Beispiel: Anstatt eine KI zu programmieren, die anhand von Straßenbilddaten erkennt, um welche Art von Geschäftslokal es sich handelt, könnte man diese Daten auch durch eine klassische Vorort-Begehung erfassen. Das kann durchaus sinnvoll sein, wenn zum Beispiel die Straßenbilder veraltet sind. Künstliche Intelligenz bietet einfach zusätzliche Möglichkeiten. Ob sie die bessere Wahl ist, hängt von der konkreten Aufgabenstellung ab.

Kai Barenscher: Es gibt selten einen Vorteil ohne einen Nachteil, auch nicht bei der Künstlichen Intelligenz. Diese Systeme erfordern zum Teil umfassende Hardwareanforderungen und Rechenleistungen, da reichen schlanke Datenbanken nicht mehr aus. Man muss also auch immer das Kosten-Nutzen-Verhältnis abwägen.

Welche Vorteile bietet die Nutzung von Künstlicher Intelligenz im Geomarketing?

Kai Barenscher: Im Wesentlichen gibt es aktuell vier mögliche Anwendungsbereiche, die im Geomarketing relevant sind: die Bildanalyse, die Textverarbeitung im Bereich der Geocodierung und Adresssuche, die Aufbereitung von geographischen Daten und die klassische Standortanalytik. Letztere behandeln wir gerade intensiv im Rahmen eines Forschungsprojektes. Im Bereich der Standortanalytik lässt sich noch nichts Genaues über die möglichen Vorteile von KI sagen, weil wir noch daran forschen. Es ist aber der Trend erkennbar, dass KI vor allem bei unstrukturierten Daten sinnvoll und hilfreich ist. Wenn ich Adressen mit Ort, Straßenname und Hausnummer habe, brauche ich kein Machine Learning, denn das sind eindeutige Informationen, die mittels klassischer SQL-Techniken effizienter und schneller abgeglichen werden können. Aber wenn beispielsweise Restaurants von Hunderten Usern beschrieben werden und eine KI daraus Bewertungen errechnen soll, sind das unstrukturierte Daten - und dann kann ich diese Texte mithilfe von Machine Learning im Hintergrund clustern und am Ende eine Grundaussage treffen.

Wo liegen die Grenzen, Hürden und Herausforderungen von Künstlicher Intelligenz im Geomarketing?

Janek Schönwetter: Machine-Learning-Modelle erfordern eine sehr große Menge an Trainingsdaten, um praxistauglich und leistungsfähig zu sein. Ein weiterer Aspekt ist die Datenqualität. Wenn Daten auf fehlerhaften Messungen oder Angaben beruhen, hat das Einfluss auf die Qualität des erlernten Modells. Es gibt auch statistische Ausreißer, die ein Problem darstellen können. Außerdem müssen die Trainingsdaten repräsentativ und relevant für meine Fragestellung sein. Zudem stellt sich die Frage, ob die Daten nicht zu viele irrelevante Merkmale haben, um die KI korrekt zu trainieren. Die Namen der Fluggäste werden zum Beispiel nicht helfen, um Flugausfälle zu prognostizieren. Dazu brauche ich Wetterdaten, bei denen es aber auch wieder Ausreißer wie zum Beispiel Vulkanausbrüche geben kann. Machine Learning Modelle sind sehr komplex. Alles muss zusammenspielen - von der Datenqualität über die Menge der Trainingsdaten bis hin zur Relevanz.

In welchen WIGeoGIS-Forschungsprojekten hat Künstliche Intelligenz noch eine Rolle gespielt?

Kai Barenscher: Im Forschungsprojekt GeocoderML, das mit Machine Learning und vortrainierten Sprachmodellen arbeitet. Dabei ging es darum, die Suche nach Adressen und POI zu verbessern. Häufig wird nicht nach konkreten Adressen gesucht, sondern die Sucheingaben umfassen unkonkrete räumliche Informationen und Suchanforderungen. Mit der Suche "Schöner Ausblick Starnberger See" suche ich wahrscheinlich ein Restaurant oder Cafe. Mit "Ich bin in Klagenfurt und mein Staubsauger ist defekt" suche ich vermutlich ein Elektrofachgeschäft. Das Modell wurde so trainiert, dass es durch semantische Zuordnung erkennt, worum es bei der Sucheingabe geht und zum Beispiel Restaurants mit Terrassen am Starnberger See oder Elektrofachgeschäfte in Klagenfurt als Ergebnisse vorschlägt. Ein weiteres Forschungsprojekt, an dem wir derzeit arbeiten, ist LocAl.ly. Dabei versuchen wir, eine Künstliche Intelligenz so zu trainieren, dass sie vorhersehen kann, wie gut ein Standort performen, also beispielsweise wie viel Umsatz er voraussichtlich erwirtschaften wird.

Wo seid ihr bei euren Projekten auf Grenzen der Künstlichen Intelligenz gestoßen?

Kai Barenscher: Wenn zum Beispiel beim Projekt WIGeoSocialData Straßenbilder unscharf oder aus einem ungünstigen Winkel aufgenommen waren, konnte die KI die Schriften nicht gut erkennen. Oder bei der semantischen Suche nach "Pommes mit Ketchup" beim Forschungsprojekt GeocoderML kam im Suchergebnis auch ein Elektrofachgeschäft namens "Heinz" heraus - vermutlich, weil es auch die Ketchup-Marke Heinz gibt. Deshalb braucht es bei KI-Projekten auch immer den "Human in the Loop", also eine Überprüfung durch den Menschen. Das war zum Beispiel auch wichtig bei der Zuordnung der Kategorien im WIGeo Standortatlas.

Welche Rolle spielen Datenschutz und Datensicherheit beim Einsatz von Künstlicher Intelligenz im Geomarketing?

Janek Schönwetter: Das hängt vom Anwendungsfall ab. Wir fragen uns immer, wie wir die Ausgangsdaten nutzen können, um sie ausreichend zu schützen. Grundsätzlich bieten wir Lösungen für Unternehmen an, die ihre Kunden- und Unternehmensdaten analysieren, um daraus einen Mehrwert zu generieren. Diese Daten gelangen an keine dritte Partei, sondern werden bei Hosting-Lösungen in unserem Rechenzentrum verarbeitet. Bei On-Premise-Installationen werden die Daten auf den Servern unserer Kunden vorgehalten.

Kai Barenscher: Je sensibler Daten in Hinblick auf Datenschutz sind, umso vorsichtiger müssen wir und unsere Kunden damit umgehen. Eine Sicherheitsmaßnahme ist, die Daten und Prozesse nicht in der Cloud, sondern auf unseren Rechnern laufen zu lassen.

Wie seht ihr die Zukunft von Künstlicher Intelligenz im Geomarketing?

Kai Barenscher: Im Idealfall ist es so, dass sich die Usability durch Künstliche Intelligenz für unsere Kunden vereinfacht, sie aber gar nicht darüber nachdenken müssen. Vielleicht geben sie in Zukunft einfach nur "Ich möchte vier neue Filialen eröffnen" in unser WIGeoWeb ein und das Machine Learning-Modell errechnet im Hintergrund Standorte mit dem meisten Potenzial. Im Vordergrund gibt vielleicht ein Chatbot die Antwort.

Janek Schönwetter: Künstliche Intelligenz wird eine Erweiterung zu den bestehenden Prozessen sein und bietet ein großes Potenzial. Es hängt aber immer stark vom Anwendungsfall ab, ob eine KI im Hintergrund für unsere Kunden überhaupt notwendig ist oder bewährte Geomarketing-Methoden zu bevorzugen sind.

Janek und Kai, vielen Dank für das Gespräch.