Abstract
Bias in Trainingsdaten können die Ergebnisse von generativen KI-Modellen verfälschen und sollten daher ein zentrales Anliegen bei der Modellentwicklung sein. Echte Wettbewerbsvorteile erreicht man, indem man Standardmodelle der generativen KI mit subjektiven Marketingmetriken auf den spezifischen Kontext einer Marke trainiert. Im Idealfall sollten potenzielle Bias in den dafür benötigten Daten bereits vor dem Training der Modelle bewertet und eliminiert werden. Die aktuelle Praxis, bei der die Fehleranalyse erst nach dem Training erfolgt, sollte ergänzt werden. Das Training von KI-Modellen wird dadurch nicht nur effektiver, sondern auch kostengünstiger. Es ist wichtig, die häufigsten Biases – Sampling-Bias, Measurement-Bias, Social-Desirability-Bias and Response-Bias – zu kennen und zu überprüfen. Die Autoren empfehlen den Einsatz interdisziplinärer Forschungsteams mit technischem Knowhow und Marktforschungskompetenzen sowie Kooperationen mit Softwareplattformen, um eine hochmoderne und reibungsfreie Datenannotation zu gewährleisten.
Originalsprache | Deutsch |
---|---|
Seiten (von - bis) | 42-48 |
Seitenumfang | 7 |
Fachzeitschrift | NIM Marketing Intelligence Review |
Jahrgang | 16 |
Ausgabenummer | 1 |
Publikationsstatus | Veröffentlicht - 2024 |
Bibliographische Notiz
Schamp, C., Hartmann, J., & Herhausen, D. (2024). Bye-bye Bias: What to Consider When Training Generative AI Models on Subjective Marketing Metrics. NIM Marketing Intelligence Review, 16(1), 42-48.Schlagwörter
- AI, bias, machine learning