Zurzeit werden auf dem digitalen Marktplatz Themengebiete in einer statischen Liste in 24 Kategorien eingeteilt. Beispielsweise finden sich dort Rubriken wie

• Produktart (Apps und Software, eLearning etc.)
• Branche (Bauwirtschaft, Maritim, etc.)
• Anwendungsbereich (Arbeitsdokumentation, Qualitätswesen etc.)
• Digital Service Chain (Unterweisen und Qualifizieren, Planen etc.)

Diese Kategorien ermöglichen zwar einen ersten Eindruck über die Themengebiete, sind zur Nutzung innerhalb der Community aber nicht zielführend. Sie erfassen nicht den dynamischen Charakter der Diskussionen innerhalb der Community und können keine neuartigen Diskussionen abbilden. Das stetige Anpassen der Kategorien würde zu einem erhöhten Arbeitsaufwand und Kosten führen. Manche Themengebiete und Diskussionsposts könnten auch nicht genau von den Kategorien aufgelöst werden, da diese recht universell gehalten sind und sich auch vereinzelt überschneiden können. Eine bessere Lösung ist ein automatisiertes Recommender System (Empfehlungsdienst), das maßgeschneiderte Empfehlungen zu den Interessen bietet und zu den für die Nutzer relevanten Posts leitet. Folgende Anforderungen richten sich an das KI-basierte Wissensmanagementsystem mit Vorschlagswesen:

• Empfehlungen generieren: Der Nutzer erhält Empfehlungen zu Community-Diskussionen oder zu Produkten, die ihn interessieren, ohne dass er aktiv danach fragen oder suchen muss.
• Empfehlungen, die auf Kontext basieren: Die Empfehlungen sind nicht nur auf Themenfelder beschränkt, nach denen der Nutzer aktiv gesucht hat. Wenn er nach einer Software gesucht hat, dann wird er vielleicht auch an einer Einführung für seine Mitarbeiter interessiert sein.
• Orientierung geben: Um einer ziellosen Suche innerhalb der Community oder dem Shop vorzubeugen, kann das System dem Nutzer eine Richtung vorschlagen.
• Transparenz: Der Nutzer kann die Tags, die ihn interessieren, in den Einstellungen direkt anpassen. Das stärkt auch das Vertrauen in das System.
• Dynamik: Wenn Diskussionen zu der Community hinzukommen, weitergeführt werden oder wenn sich das Produktsortiment auf dem Marktplatz ändert, kann sich das Empfehlungssystem automatisch an die neue Datenlage anpassen und aktualisierte Empfehlungen ausgeben.
• Zeitersparnis: Je weniger Zeit der Nutzer in die Suche nach Content investieren muss, desto mehr Zeit kann er in die Kaufentscheidung stecken.
• Automatisierung: Zeitersparnis bei der Beratung und der Systempflege, da das Empfehlungssystem automatisiert abläuft.

Beim Content-based Filtering hat jedes Item gewisse Eigenschaften. Dieselben Eigenschaften kann der Nutzer ebenfalls haben (bzw. als relevant markieren). Beispielweise könnte ein Problem sich auf die Baubranche, Kommunikation, Service und Internet beziehen, ein anderes auf Baubranche, Weiterbildung und Internet. Ein Nutzer wiederum könnte angeben, sich für Baubranche, Service und Internet zu interessieren. Sowohl die Eigenschaften der Items als auch die der Nutzer (in diesem Fall die Querys) werden numerisch als Vektor abgebildet. Anschließend wird verglichen, welches der Items am nächsten zu den Querys ist. Anhand dieser Entfernung kann man eine Auswahl an vorgeschlagenen Items treffen.

Vorteilhaft an dieser Methode ist, dass keine Daten anderer Nutzer benötigt werden, um Vorschläge für einen Nutzer zu generieren. Gibt der Nutzer seine Interessen passend an, können somit auch Nischenprodukte empfohlen werden, die gut zu dem Nutzer passen.

Der große Nachteil ist hingegen, dass die Art, wie jede Eigenschaft numerisch abgebildet wird, von Hand festgelegt werden muss. Ebenfalls muss die Metrik, wie die Entfernung gemessen wird, ausgewählt werden. Es werden hierbei keine Eigenschaften automatisch gelernt. Das wiederum bedeutet, dass man ein genaues Wissen darüber haben muss, wie die einzelnen Eigenschaften zusammenspielen. Sind diese von Hand festgelegten Kriterien nicht gut, kann auch das System keine guten Vorschläge machen. Letztendlich kann das System auch nie Items vorschlagen, die der Nutzer nicht schon selbst als "interessant" markiert hat.

Neuere Empfehlungssysteme beinhalten oft Techniken aus dem maschinellen Lernen. Vor allem bei größeren Datenmengen können die vorherigen Techniken nicht ohne weiteres angewandt werden. Man stelle sich beispielsweise eine Matrix vor, die jeden Nutzer und jedes Video von Youtube aufeinander abbildet.

Aber nicht nur bei großen Datenmengen kommen die Vorteile von KI-basieren Ansätzen zum Vorschein. Die Technik ermöglicht es, aus Daten Informationen zu gewinnen, ohne diese selbst von Hand beschreiben zu müssen. Dadurch, dass das System den Zusammenhang End-To-End selbst lernen muss, können Zusammenhänge entdeckt werden, die womöglich bei einer händischen Entwicklung nicht erkannt worden wären. Beispiele sind zu finden bei Songempfehlungen von Spotify oder auch bei Youtube . Die Systeme versuchen oft, die traditionellen Methoden durch neuartige Deep Learning Systeme zu ersetzen. Beispielsweise gibt es mit dem Neural Collaborative Filtering eine Methode, die das Collaborative Filtering ersetzen soll. Andere Modelle nutzen die klassischen Empfehlungssysteme, ergänzen diese aber mittels Deep Learning mit weiteren Informationen. Das System „Deep Learning Recommendation Model for Personalization and Recommendation Systems“ aus dem Jahr 2019 beschreibt eine Methode, um personalisierte Empfehlungen zu generieren. Es wurde entworfen, um vorherzusagen, wie wahrscheinlich ein Nutzer mit bestimmten Eigenschaften (Query) auf eine bestimmte Werbung (Item) klickt. Da dieses System gute Ergebnisse vorweisen kann und ebenfalls eine aktuelle, quelloffene Implementierung basierend auf dem weitverbreiteten Deep Learning Framework PyTorch verfügbar ist, wird dieses System für einen ersten Einsatz getestet.

Je genauer die Daten die Items und die Querys beschreiben und je vollständiger sie sind, desto bessere Ergebnisse sind zu erwarten. Eine Aussage zu einer konkreten Anzahl an Datenpunkten ist nur schwerlich zu treffen, jedoch können bereits wenige Datenpunkte ausreichen, um erste Ergebnisse zu erzielen.

In dem geplanten Anwendungsfall lassen sich die gesammelten Daten am effektivsten dort sammeln, wo sie entstehen. Gibt es beispielsweise die Kategorie „Unternehmensbranche“, in der die interagierenden Unternehmen in verschiedene Untergruppen untergliedert werden, so sollte diese Information direkt in der Datenbank hinterlegt sein, in der auch die restlichen Daten für die Unternehmen liegen. Melden sich Unternehmen auf der Seite an oder können sie sich dort registrieren, so sollte eine solche Datenbank bereits vorhanden sein. Für quantitative Metriken lassen sich die Informationen auf die gleiche Art sammeln. Unter Umständen wird bereits von der Webanwendung erfasst, welche Nutzer wie oft mit welcher Seite, Foren Threads oder anderen Nutzern interagiert. Insofern ist es sinnvoll, die Erfassung und Sammlung der Daten an den Stellen zu belassen, an denen sie bereits etabliert sind.

Die Form wiederum kann nahezu beliebig gewählt werden, da quantitative und kategoriale Merkmale verwendet werden können. Es ist jedoch von Vorteil, diese Merkmale frühzeitig festzulegen. Die verwendeten Merkmale können zwar später beliebig angepasst werden, dies führt jedoch dazu, dass die vorherigen Datenpunkte diese Merkmale nicht besitzen oder dass sie nicht mehr für das Training verwendet werden können. Prinzipiell ist es kein Problem für das Training des Systems, wenn bei einigen Datenpunkten einzelne Merkmale fehlen. Kommt dies jedoch zu häufig vor, kann das Lernen des Systems beeinträchtigt werden.

Für den Aufbau der Daten sollte folglich überlegt werden, welche Daten die Nutzer und die zu empfehlenden Elemente am besten beschreiben. Sollen beispielsweise innerhalb eines Projekts Nutzern Lösungen für Probleme vorgeschlagen werden, so müsste man die Nutzer und die Probleme beschreiben. Hier wird davon ausgegangen, dass eine Lösung zu einem Problem in dem Problem selbst vorhanden ist. Sind Probleme beispielsweise eine Art Thread, wie in einem Forum, so ist die Lösung wahrscheinlich in einer der Antworten in diesem Thread zu finden, während die Problembeschreibung meist der erste Post ist. Einem Nutzer, der nun ein Problem hat, sollten möglichst Threads vorgeschlagen werden, die das gleiche (oder ein möglichst ähnliches) Problem beschreiben und in denen das Problem optimalerweise bereits gelöst wurde.

In diesem Fall könnte man den Nutzer beschreiben mit:

• Alter
• Anzahl der bereits angesehenen Probleme (Threads) pro Kategorie
• Anzahl der selbst geschriebenen Antworten (Threads) pro Kategorie
• Branche / Unternehmen
• Branche / Job
• Angegebene Kategorien bei der Problemsuche
• Schlagwörter bei der Problemsuche

Die Probleme könnte man beschreiben mit:

• Alter seit Fragestellung
• Anzahl der Views
• Anzahl der Antworten
• Branche / Unternehmen / Fragesteller
• Branche / Job / Fragesteller
• Branche / Unternehmen der Antwortenden
• Branche / Job der Antwortenden
• Vergebene Schlagwörter
• Wurde das Problem mit den Antworten gelöst?

Nun kann gemessen werden, wann ein Nutzer mit einem Problem interagiert und wann nicht. Dies, in Kombination mit den genannten Merkmalen, wird dann für das Training des Empfehlungssystems verwendet.

Basierend auf den untersuchten Möglichkeiten, um eine Empfehlungssystem für den beschriebenen Anwendungsfall bei Digital@Work aufzubauen, zeichnet sich ab, dass eine Lösung basierend auf maschinellem Lernen benötigt wird. Empfehlungen auf Basis von Hand entwickelter Features scheint nicht sinnvoll. Dass für das lernende System noch keine großen Datenmengen vorhanden sind, wird nicht als Hinderungsgrund gesehen. Auch mit wenigen Daten kann eine hohe Qualität bei den Empfehlungen erreicht werden.