Optimierungspotenziale von KI

Künstliche Intelligenz ist mittlerweile für die breite Masse verfügbar und in vielen kleinen bis großen Anwendungsfällen von der abstrakten zur nutzbaren Optimierung geworden. Wie können wir genau so einen Nutzungskontext erzeugen, der die aktuelle Technik greifbar macht und den Alltag erleichtert? 

Wir haben uns über einen Zeitraum von vier Wochen zur Aufgabe gemacht zu prüfen, welche Möglichkeiten, Hindernisse und Chancen das aktuelle Bilderkennungs-Update GPT-4 (inkl. DALL-E 3) von Open AI bietet und wie wir dieses greifbar in ein User-Need getriebenes Produkt übertragen können.  

Bevor wir in die Iterationsphase übergingen, kam die technische Prüfung dreier iOS-Kollegen aus dem Team. Konkret kam hier die Frage auf, welches Set-Up es benötigt, um aus einzelnen Zutaten via Bilderkennung einen konkreten Rezeptvorschlag zu generieren. Dabei haben wir die ChatGPT API mit einer (iOS-) App angesprochen, um den beschriebenen Use Case zu erfüllen.

Im Detail wollen wir mit der Version GPT-4 in Kombination mit der Vision API von Apple zeigen, wie schnell eine Umsetzung funktionieren kann und wo die Möglichkeiten aktueller Bildeingaben liegen. Durch den technischen Aufbau des LLM’s haben wir hier keinerlei Datenbank, die wir separat anfragen müssen. Die Rezepte werden direkt auf Anfrage generiert, bebildert und in einen textlichen Ablauf gegossen.

So weit so konkret. Oder doch nicht?
Der Kühlschrank ist nur eine von mehreren Quellen für Zutaten, die für ein komplettes Gericht benötigt werden. Wie gehen wir mit nicht gekühlten Zutaten um? Dingen, die weiter versteckt in den Untiefen des Kühlschranks lagern oder sogar außerhalb, wie zum Beispiel Gewürze und Co., die dauerhaft vorhanden sind? Dies sind potenzielle Basiszutaten, die häufig nicht auf einem Eingabebild aus dem Kühlschrank zu sehen, jedoch zwingend notwendig sind, um ein ausgewogenes Rezept zu kochen.

Also noch einmal auf Anfang. Für wen soll diese Anwendung ein Problem lösen? Was ist das konkrete Problem? 
Wir skizzieren verschiedene Nutzungsszenarien und stellen fest, dass wir eine gewisse Menge an Zutaten erkennen müssen. Diese Liste muss aber im Anschluss editierbar sein: Zutaten werden nicht immer genau erkannt, Mengen sollen angepasst und eben weitere Zutaten über den Bildkontext hinaus hinzugefügt werden. 

Wir abstrahieren unser Szenario ein weiteres Mal:

• Eingabequelle, um Lebensmittel zu erkennen
• Editierbare Auflistung erkannter (und weiterer) Lebensmittel
• Ausgabe eines Rezeptes auf Basis der Auflistung

Aus dieser Betrachtungsweise ergeben sich verschiedene, neue Ansätze: Nutzen wir die beste Form der Eingabe aus Perspektive der Nutzer*innen? Was ist schnell, und was bietet wahren Mehrwert zur Lösung des Problems? Ist DALL-E 3 unseren Ansprüchen einer visuellen Ein- und Ausgabe gewachsen oder ist dies nur technische Romantisierung an Stelle einer eigentlich zielführenderen Audio-Eingabe? Wie so oft ist die Antwort: Es kommt drauf an. Vor allem kommt es auf den Fokus des Optimierungspotenzials an. Die grundsätzliche Philosophie von „Zero Waste“ etwa wäre ein sinnvoller Grundpfeiler, der unserem Use Case entsprechen würde: den erkannten Bestand an Lebensmitteln erkennen und durch ein generiertes Rezept aufbrauchen.  

Ein Blick auf den Markt hilft uns zu verstehen, wie ähnliche oder auch gleiche Ideen umgesetzt wurden. Im Testing dieser Alternativen fällt auf, dass sich verschiedene Umsetzungen mit genau denselben Fragen auseinandergesetzt haben. Unsere Frage nach der Eingabequelle (visuell/auditiv) wird vom Großteil der vergleichbaren Lösungen nur mit einer Option beantwortet. Ein weiteres Konkurrenzprodukt versucht all die erkannten Fallstricke auf einmal zu lösen. Das Ergebnis sind viele gleichgewichtige Features und ein aus UX-Sicht leider ungenügendes Gesamterlebnis. 

Wie schaffen wir eine sinnvolle, einfache und schnelle Anwendung, ohne die Mindestanforderungen an die Produktidee zu verlieren? 

Im Nachfolgenden sind wir im UX-Team in die visuelle Phase übergegangen und haben mit Hilfe unserer bisherigen Learnings den jeweils bestmöglichen User Flow ausgearbeitet. In einem ersten UI-Konzept haben wir die Umsetzung in zwei losgelösten Prototypen sowohl visuell als auch auditiv skizziert. So hauchen wir der Idee Leben ein, machen sie für uns greifbar und identifizieren mögliche Fallstricke. 

Grundlegend lässt sich festhalten, dass in allen Phasen der Ausarbeitung KI einen hilfreichen Part spielt. Nicht zuletzt die Prompts und die Interpretation der KI hin zu einem Rezept (und der Bebilderung) bestätigen aber, dass die menschliche Kontrollinstanz unumgänglich ist, um Qualität zu gewährleisten. Wenn dieser optimierte Prozess und die Implementierung aktueller Bilderkennung aufeinandertreffen, kann demnach eine deutlich bessere User Experience erzielt werden. 

Für die Rezepterstellung mittels KI ergeben sich noch einmal andere Herausforderungen. Es zeigen sich große Qualitätsunterschiede zwischen guten und weniger guten Prompts. Im Kontext „Kochen“ ist daher ein optimiertes Prompt-Engineering wesentlich für ein relevantes Ergebnis. Dieses Engineering muss grundlegend durch uns im System optimiert werden, damit der User ein sinnvolles Ergebnis in Bild und Machbarkeit des Rezepts erhält. In unserem konkreten Fall zeigt der beispielhafte Output von ChatGPT, wie unterschiedlich dasselbe Gericht verschiedener Prompts aussehen kann.