" Die Fähigkeit der KI, den Inhalt der Bilder tatsächlich zu beschreiben, hat uns überrascht" - Maxence Malak, DAM Project Manager, DECATHLON

Für DECATHLON ist der Sport eine ernste Angelegenheit. Genauso wie die Bilder. Dies spiegelt sich in seiner Digital Asset Management-Plattform (DAM) wider, die mehr als 2 Millionen Assets umfasst - Medien, die auf qualitative und produktive Weise dokumentiert werden müssen.  

‍

Welche Rolle spielen die Medien bei den Aktivitäten von DECATHLON? Können Sie einige Größenordnungen nennen?

Medien, insbesondere Bilder, spielen eine grundlegende Rolle, denn ein Produkt ohne Bilder hat auf unserer E-Commerce-Website einfach keinen Platz. Während etwa 80 Personen 90 % der Medien online stellen, besuchen jedes Jahr fast 20 000 Personen PixL - den Namen unserer Digital Asset Management (DAM) Plattform - um ein Bild zu finden. Dies kann für eine Vielzahl von Zwecken geschehen: externe oder interne Kommunikation, Online- und Offline-Geräte. Jeden Tag werden etwa 2.000 neue Mediendateien in das DAM aufgenommen, das bereits mehr als 2 Millionen Assets enthält. Dabei handelt es sich nur um die "Master"-Assets, denen jeweils mehrere technische Varianten hinzugefügt werden müssen. Bei diesen Zahlen kann einem schon schwindelig werden, aber man muss wissen, dass DECATHLON etwa hundert Sportarten abdeckt und in 52 Ländern vertreten ist.

‍

Als Sie 2017 die Verantwortung für das DAM übernahmen, was waren Ihre Hauptanliegen?

Bei der Lektüre der 150 Support-Tickets, die jeden Monat ausgestellt werden, haben wir zwei Hauptprobleme festgestellt. Zum einen ist die Zeit, die für die Ablage von Bildern benötigt wird, viel zu lang und belastet offensichtlich das tägliche Leben der Mitarbeiter, die diese Medien veröffentlichen. Zum anderen beschweren sich alle Nutzer über die oft erfolglose Suche. Es überrascht nicht, dass sie von PixL erwarten, dass es genauso gut funktioniert wie Google, was nicht der Fall ist....

‍

Wie gehen Sie mit dem ersten Problem um, das mit der Zeit zusammenhängt, die für die Hinterlegung von Bildern benötigt wird?

Mit einem hohen Maß an Automatisierung. Früher sind wir in zwei Schritten vorgegangen: zuerst die Extraktion des Produktbaums aus dem Produktinformationsmanagement (PIM); dann der Import in PixL, der unternehmensweiten Digital Asset Management (DAM)-Plattform von Wedia. Bei diesem Prozess war es Aufgabe des Anwenders, innerhalb dieser Baumstruktur nach Metadaten zu suchen, um die Dokumentation der Medien anzureichern. Das war mühsam und zeitaufwändig. Wir arbeiteten daher an einer viel flüssigeren Synchronisation zwischen dem PIM und dem DAM unter Verwendung von APIs. Jetzt muss der Benutzer nur noch den Produktcode eingeben, um etwa fünfzehn Metadaten automatisch hochzuladen. Der Benutzer muss diese Vorschläge nur noch validieren. Wir haben schnell einen enormen Anstieg der Produktivität des Teams, der Qualität der Metadaten und der faktischen Akzeptanz von PixL festgestellt.

‍

Das hat sicher auch dazu beigetragen, dass die Suche erfolgreicher wurde?

Ja, aber das war noch nicht genug. Um eine Suche effizienter zu gestalten, haben wir uns die Zeit genommen, die Anfragen zu analysieren. So haben wir zum Beispiel festgestellt, dass eine Suche zum Thema Fußball viele Produktbilder liefert, während die Nutzer in erster Linie Bilder erwarten, die mit der Welt des Fußballs zu tun haben. Mit diesen Erkenntnissen im Hinterkopf haben wir die Metadaten vereinfacht, um die Autosuggestions(Anm. d. Red.: die Begriffe, die von der Suchmaschine zur Vervollständigung einer Anfrage vorgeschlagen werden) gezielter einsetzen zu können. Auch damit haben wir einen Leistungssprung erzielt. Der Erfolg der Arbeit an diesen beiden Themen und die Leistung beim Hochladen und Suchen lässt sich an den beim Support eingereichten Tickets ablesen: Wir sind von 150 pro Monat auf nur noch drei zurückgegangen!

‍

Digital Asset Management ist eine gute Spielwiese für künstliche Intelligenz. Haben Sie diese Möglichkeit geprüft?

Ja, und das führte dieses Jahr sogar zu einem ersten Proof of Concept (POC), der mit Wedia in der Azure-Cloud erstellt wurde. Am Anfang dieses Projekts steht eine grundlegende Überlegung. Mit der Synchronisation zwischen dem PIM und dem DAM und den Bemühungen, die Baumstruktur unseres Angebots zu standardisieren, haben wir die Leistung von Produktbildern verbessert, indem wir sie in das DAM einspeisen und sie auch finden. Aber was ist mit kontextualisierten Bildern, also solchen, die eine Verwendung illustrieren, bevor sie einem Produktmodell zugeordnet werden? Wir haben uns folgende Fragen gestellt: Kann künstliche Intelligenz (KI) ein Fahrrad und die damit verbundene Verwendung erkennen? Kann sie zwischen einem Mountainbike (ATV) und einem Stadtrad unterscheiden? Ein bestimmtes Modell identifizieren? Mit Hilfe des Wedia-Teams arbeiteten wir an den Top 10 der universellen Produkte wie Fahrräder, Unterwasser und Camping.

‍

Mit welchem Ergebnis?

Wir können sagen, dass wir positiv überrascht waren. Die KI kann zwar noch kein bestimmtes Produkt identifizieren - wie wir vermutet haben -, aber sie ist in der Lage, ein Bild zusammenzufassen. Und zwar ziemlich gut, denn sie arbeitet mit Assoziationen. Wenn sie ein Fahrrad und einen Berg erkennt, folgert sie, dass es sich um ein ATV handelt. Besser noch, es kann eine Beschreibung wie "Mann neben einem Zelt, der Essen zubereitet" erstellen. Eine solche Anreicherung kann die Suche und Wiederverwendung von Bildern erheblich verbessern.

‍

Genug, um über den POC hinauszugehen?

Obwohl wir den ROI eines Projekts im großen Maßstab noch festlegen müssen, werden wir im Laufe des Sommers die ersten KI-Dienste in Produktion geben. Die Ergebnisse sind überzeugend genug, um den Einsatz von KI in unsere Roadmap aufzunehmen. Zumal wir wissen, wie wir die Leistung der KI im Laufe der Zeit garantieren können, wenn sich der Produktkatalog weiterentwickelt. In der Tat hat Wedia nicht nur ein neuronales Netz eingerichtet, sondern auch Schnittstellen, um die KI mit Lernfunktionen auszustatten. Mit anderen Worten: Während des gesamten Lebenszyklus der Inhalte werden die Administratoren in der Lage sein, die von der KI gemachten Erkennungen einfach zu validieren (oder abzulehnen) und ihr so beizubringen, neue Objekte, neue Szenen und schließlich neue Produkte zu assimilieren.

‍

Können Sie sich bereits andere Anwendungen von KI vorstellen?

An Ideen mangelt es nicht. So verwendet DECATHLON für seine Fotos keine Models mehr, sondern es sind meist unsere Mitarbeiter, die abgebildet sind. Ein Ansatz, der mit unserer Strategie als Mitarbeiter-Botschafter übereinstimmt. Aber wenn diese Mitarbeiter das Unternehmen verlassen, muss es natürlich möglich sein, die Bilder, auf denen sie zu sehen sind, zu löschen. KI, die sich auf die Porträts der Mitarbeiter stützt, könnte dabei helfen, diese Art von rechtlichem Zwang zu bewältigen.

‍

Welches sind die wichtigsten Projekte auf kurze Sicht?

Wir werden an der Leistung der Bilder arbeiten. Wie wirken sich die Bilder auf den Verkauf aus? Wie viele Bilder werden benötigt, um einen Verkauf zu tätigen? Welches sind die effizientesten Bildtypen? Dazu müssen die Daten zwischen den Analysen unserer E-Commerce-Plattform und denen des DAM korreliert werden. Was den KI-POC anbelangt, so dürfte dieses Projekt zu einer intensiven Zusammenarbeit zwischen den Teams von Wedia und DECATHLON führen.

‍