Kollaboratives Filtern in latenten Datenräumen
Entwurf und prototypische Realisierung eines Empfehlungssystems unter Datenknappheit
Marc Feldmann
Die Qual der Wahl haben – in Zeiten globaler Angebotsverdichtung und der Omnipräsenz von Digitalmarketing treffen wir mit zunehmender Häufigkeit auf dieses Unproblem. Immer dann begegnet es uns, wenn wir beim Treffen einer Entscheidung sehr viele Alternativen zur Verfügung haben: In welches von 194 Ländern investieren wir unsere knapp bemessenen Urlaubstage am besten? Welcher von rund 500.000 Filmen soll als nächstes über unseren Bildschirm laufen? Im schlimmsten Fall müssen wir auch noch verschiedene Eigenschaften gegeneinander abwägen: Ist uns die Sprache im Urlaubsland wichtiger oder das Wetter? Ist es uns wichtiger, dass ein bestimmter Schauspieler involviert ist oder muss vor allem das Genre des Films stimmen? Die fortschreitende Digitalisierung von Entscheidungsumgebungen konfrontiert uns schonungslos mit Komplexität – und Komplexität in Entscheidungssituationen ist teuer. Diese Arbeit führt das Problem der Informationsüberflutung auf unser vergleichsweise eher eingeschränktes menschliches Vermögen zur Verarbeitung großer Informationsmengen zurück. Als Lösungsvorschlag wird ein automatisierter Informationsfilter – ein zunehmend verbreiteter Systemtyp aus der Klasse der Entscheidungsunterstützungssysteme – prototypisch umgesetzt. Dieser erlernt das Präferenzprofil eines Entscheiders anhand historisch gespeicherter Präferenzinformationen, verdichtet es und nutzt das verdichtete Profil zur Vorfilterung der in digitalen Entscheidungsumgebungen typischerweise sehr großen Mengen von Entscheidungsalternativen. Auf diese Weise können die Kosten der Entscheidungsfindung vom Entscheider an den Filteralgorithmus ausgelagert und das Kosten-Nutzen-Verhältnis einer Entscheidungssituation gesteigert werden.
