Migipedia setzt auf KI: Effizienter Überblick über 1.5 Millionen Bewertungen
von Peter Manser
Eine Million Produktbewertungen – ein Grund zur Freude, aber auch ein Problem. Während die Verantwortlichen bei Migros diesen Meilenstein feierten, fühlten sich viele Kund*innen von der Flut an Bewertungen schlicht überfordert. Heute, bei 1,5 Millionen Rezensionen, ist das Bedürfnis nach Übersicht grösser denn je.
«Momentan wird extrem viel bewertet. Man kommt nicht mehr nach mit Lesen. So liest man nicht mehr mit, man lässt Migipedia links liegen …»
Frustrierter Migipedia-User, 2023
Unsere Lösung: KI-basierte Zusammenfassungen, die relevante Meinungen in wenigen Sätzen prägnant darstellen.
Die Idee: User-zentrierte Innovation
Im Workshop mit der Migipedia-Community entstand die Idee, Bewertungen zusammenzufassen. Mit der Migros AI Foundation und Azure AI realisierten wir dies datenschutzkonform und effizient. Nach dem Testen mehrerer Modelle entschieden wir uns für GPT-4o Mini – eine kostengünstige und präzise Wahl.
Ein technologisches Highlight mit Mehrwert
Die Lösung erstellt in vier Sprachen präzise Zusammenfassungen, die nach einem festgelegten Regelwerk aktualisiert werden, sobald eine neue Bewertung erfasst wird. Das Feedback ist überwältigend: 85% der Nutzer*innen empfinden die Funktion als «hilfreich». Transparenz bleibt ein Kernprinzip. Alle Zusammenfassungen sind gekennzeichnet, und eine Meldefunktion ermöglicht die Qualitätssicherung durch eine KI-gestützte Voranalyse und manuelle Nachkontrolle.
Vom Hackday zum Go-Live: Ein praxisnaher Weg zur KI-Lösung
Der Weg von der ersten Idee zur produktiven Umsetzung begann mit einem Proof of Concept (POC). In den paar wenigen, eingesetzten Entwicklertagen lautete die Devise: einfach starten und die Idee verifizieren. Wir verfolgten dabei einen pragmatischen Weg, um schnell Nutzen zu schaffen ohne die Lösung zu vergolden.
🚨 Achtung Datenqualität: Besorgt euch gute Daten für euren POC! Nur mit "echten" Daten könnt ihr auch wirklich eure Idee verifizieren.
Trotz wenig Aufwand waren wir im Team alle begeistert vom Ergebnis.
Auf dem Weg zum Go-Live beschäftigten uns folgende Themen:
- Datenschutz & Governance: Der Schutz der Nutzerdaten war von Anfang an ein zentrales Anliegen. Für uns stand fest, dass keine personenbezogenen Informationen in den Prompts verwendet werden. Darüber hinaus wurden die Migipedia-Spielregeln angepasst, um sicherzustellen, dass auch in den Bewertungen selbst keine personenbezogenen Daten hinterlegt werden.
- Monitoring: Ein sehr wichtiges Thema! Neben regelmässigen Stichproben haben wir das Monitoring an die Nutzer*innen selbst ausgelagert - ganz im Sinne der Community 😜. Durch die Meldefunktion können Nutzer*innen problematische Inhalte direkt kennzeichnen, wodurch die Qualität der Zusammenfassungen auf einfache und effektive Weise sichergestellt wird.
Im Januar 2024 konnten wir dann endlich Live gehen und den Nutzer*innen das neue Feature zur Verfügung stellen.
Die Lösung haben wir schematisch im Bild dargestellt:
- Wenn eine neue Bewertung geschrieben wird, prüft ein Regelwerk, ob eine neue Zusammenfassung generiert werden muss
- Falls ja, holen wir die Bewertungen aus der Datenbank und senden sie mittels Prompt an die AI Foundation
- Die neu generierte Zusammenfassung wird danach in der Datenbank gespeichert
Wähe, Flade oder doch Tüle?
War unsere Lösung perfekt? Natürlich nicht. Unsere heissgeliebte "Wähe" (oder doch Flade?!) – ein Begriff, den unser Sprachmodell nicht kannte und daher hartnäckig als „Whe“ wiedergab. Das brachte uns dazu, den Prompt produktspezifisch anzupassen und dem Modell so den korrekten Produktnamen beizubringen.
Dieses Beispiel zeigt: Perfekt war die Lösung noch nicht – aber ihr Nutzen war bereits enorm. Die Benutzer*innen waren bereit, eine 80%-Lösung als hilfreich zu akzeptieren, statt auf eine makellose Version zu warten.
Der iterative Ansatz bewährte sich: Mit jeder Rückmeldung der Community konnten wir die Algorithmen gezielt verbessern und das System optimieren. So entwickelte und entwickelt sich noch immer eine Lösung, die von der Migipedia-Community positiv angenommen wird.
Fortschritt im Detailhandel
Diese Lösung mag nicht die gesamte Handelswelt revolutionieren, ist aber ein Musterbeispiel dafür, wie KI echten Nutzen schaffen kann. Migros Online und Digitec/Galaxus zeigen bereits Interesse, diese Technologie für sich zu nutzen.
Und bei Migipedia bleiben wir dran: Wir analysieren bereits, wie wir KI auch für die Kategorisierung oder detaillierte Analysen einsetzen können, um die Plattform weiter zu verbessern.