Logo des Repositoriums

Auflistung nach Autor:in "Piazza, Alexander"

1 - 4 von 4
  • Workshopbeitrag
    Evaluation einer ähnlichkeitsbasierten Produktsuche für Kleidung
    (Mensch und Computer 2015 – Proceedings, 2015) Piazza, Alexander; Zagel, Christian; Huber, Sebastian; Bernotat, Jana
    Das Produktangebot in Handels- und Onlineumgebungen überfordert den Kunden zunehmend. Aktuelle Untersuchungen zeigen, dass sich zu viele Auswahlmöglichkeiten negativ auf die Einkaufserfahrung auswirken können. Um dem entgegenzuwirken werden z. B. in der Modeindustrie Self-Service-Terminals eingesetzt, die es dem Kunden erlauben, das Produktangebot zu filtern. Diese Ansätze funktionieren jedoch nur bei Kenntnis der eigenen Präferenzen. Abhilfe schaffen hier sog. ähnlichkeitsbasierte Produktsuchen. Dieser Beitrag stellt die Ergebnisse eines Pretests zur Nutzerakzeptanz für ein innovatives Bedienkonzept vor, welches es erlaubt intuitiv durch Produktangebote auf Basis visueller Präferenzen zu navigieren. Der Lösungsvorschlag basiert auf visuellen Unterschieden, die aus Produktbildern extrahiert werden können. Die Eignung dieses neuartigen Ansatzes wird abschließend in Form einer Benutzerstudie evaluiert.
  • Zeitschriftenartikel
    Hybrider Ansatz zur automatisierten Themen-Klassifizierung von Produktrezensionen
    (HMD Praxis der Wirtschaftsinformatik: Vol. 56, No. 5, 2019) Goetz, Rene; Piazza, Alexander; Bodendorf, Freimut
    Im Online-Handel werden durch Interaktionen von Kunden mit den Web-Plattformen enorme Datenmengen generiert. So zählt Kundenfeedback in Form von Produktrezensionen zu den unstrukturierten Daten, für deren Verarbeitung Ansätze aus dem Gebiet der Computerlinguistik und des maschinellen Lernens benötigt werden. Als Alternative zu den klassischen Ansätzen des überwachten und unüberwachten Lernens, welche im betrieblichen Kontext und der Anwendungsdomäne der Produktrezensionen oftmals an deren Grenzen stoßen, wird in diesem Artikel ein hybrider Ansatz zur Kategorisierung von Produktrezensionen vorgestellt, der die Vorteile des maschinellen Lernens und der menschlichen Expertise vereint. Ziel dieses Artikels ist es, einen Ansatz zu präsentieren, welcher es ermöglicht, automatisiert und basierend auf den Anforderungen aus der Praxis, strukturiert Themen und darauf bezogene Aspekte aus Produktrezensionen zu extrahieren. Mithilfe von Word2Vec werden semantische Beziehung der in den Rezensionen enthaltenen Wörter trainiert. Dadurch können einzelne Wörter mit vorher definierten Themen auf deren Ähnlichkeit untersucht werden und in den Rezensionen identifiziert und extrahiert werden. Dieser Ansatz wird am Beispiel eines Datensatzes von rund fünf Millionen Produktrezensionen der Online-Plattform Amazon demonstriert und dessen Ergebnisse mit denen eines gängigen Topic Modelling Ansatzes gegenübergestellt. In e‑commerce, enormous amounts of data are generated through the interaction of customers with Web platforms. Customer feedback in the form of product reviews, for instance, is an example for unstructured data, which processing requires approaches from the fields of computer linguistics and machine learning. As an alternative to the classical approaches of supervised and unsupervised learning, which often reach their limits in the business context and the application domain of product reviews, this article presents a hybrid approach for categorizing product reviews that combines the advantages of machine learning and human expertise. The aim of this paper is to present an approach that allows to automatically extract structured topics and related aspects from product reviews based on practical requirements. Word2Vec is used to train semantic relationships between words that occur in product reviews. In this way, individual words of each review can be compared with in advance defined topic words regarding their similarity and can then be extracted from the reviews. This approach is demonstrated using around five million product reviews of the Amazon online platform. The results are getting compared with those from a common topic modelling technique.
  • Zeitschriftenartikel
    KI-basierte Textkreation im Content Marketing: Design und Evaluation eines effektiven Prompts
    (HMD Praxis der Wirtschaftsinformatik: Vol. 61, No. 2, 2024) Steinmann, Nadine; Piazza, Alexander
    Die Herausforderung beim Einsatz von generativer Text-KI, wie ChatGPT, besteht darin, die Potenziale effizient zu nutzen und im Hinblick auf die Erreichung von Qualitätszielen optimal einzusetzen. Dabei ist die menschliche Eingabe in die Künstliche Intelligenz (KI) – der Prompt – entscheidend. Der vorliegende Beitrag widmet sich der Frage, wie die KI-basierte Textausgabe bei ChatGPT durch Prompt Engineering gezielt gesteuert werden kann, damit die Textqualität der generativen KI den Erfolgskriterien für Content Marketing Texte entspricht. Die Ergebnisse identifizieren eine effektive Prompt-Struktur für qualitativ hochwertige Content Marketing Texte mit ChatGPT. Insbesondere das Zero-shot Chain-of-Thought und das One-shot bzw. Few-shot Prompting erweisen sich als erfolgreich, da diese Techniken eine gezielte Steuerung des ChatGPT-Outputs in Richtung der Erfolgskriterien ermöglichen. Darüber hinaus werden die aktuellen Schwächen von KI-generierten Texten beschrieben. Dabei werden auch die Grenzen von ChatGPT deutlich, die durch eine kollaborative Wertschöpfung von Mensch und KI zur gemeinsamen Erreichung von Qualitätszielen überwunden werden können. Die theoretisch und praktisch fundierten Ergebnisse und Implikationen der Untersuchung bieten eine Orientierungshilfe für Content Marketer zur effizienten Nutzung von ChatGPT. The challenge in using generative text artificial intelligence (AI) such as ChatGPT is to harness its potential efficiently and optimally in terms of achieving quality goals. In this context, human input to the AI (prompt) is crucial. This article is dedicated to the question of how the AI-based text output of ChatGPT can be specifically controlled by prompt engineering, so that the text quality of the generative AI meets the criteria for successful content marketing texts. The results identify an effective prompt structure for high quality content marketing text copy using ChatGPT. In particular, the Zero-shot Chain-of-Thought, One-shot and Few-shot prompting prove to be successful, as these techniques allow the ChatGPT text output to match the success criteria. In addition, the current weaknesses of AI-generated texts are discussed. This also highlights the limitations of ChatGPT. Through an efficient collaboration between humans and AI these limitations can be overcome and quality goals can be achieved in a joint effort. The theoretically and practically sound results and implications of the research provide guidance to content marketers on the efficient use of ChatGPT.
  • Workshopbeitrag
    Zur Wahrnehmung virtueller Produktbilder im Onlineshopping
    (Mensch und Computer 2016 - Tagungsband, 2016) Zagel, Christian; Piazza, Alexander
    Aufgrund neuartiger Techniken aus dem Bereich der Computergrafik ist es mo?glich, realita?tsnahe computergenerierte Abbildungen von Produkten zu erstellen. Unternehmen aus unterschiedlichen Industrien beginnen derartige Bilder fu?r Produktkataloge, Webseiten oder digitale Dienstleistungen zu nutzen. Ziel dieser Arbeit ist es zu untersuchen, ob Kunden die Produkte auf computergenerierten Produktabbildungen unterschiedlich wahrnehmen im Vergleich zu realen Produktfotos. Die Ergebnisse dieser Studie mit 335 Teilnehmern deuten darauf hin, dass es keine signifikanten Unterschiede in der Wahrnehmung der Produkte bei den unterschiedlichen Arten an Produktfotos gibt.