Künstliche Intelligenz verändert die Medienlandschaft grundlegend und bewirkt einen Paradigmenwechsel: Statt dass das Publikum nach Inhalten sucht, suchen nun die Inhalte nach ihrem Publikum. In diesem Kurs beschäftigen Sie sich mit den ausgeklügelten Algorithmen, die globale Plattformen wie Netflix, YouTube und Spotify antreiben, und beleuchten dabei die Funktionsweise von überwachtem, unüberwachtem und verstärkendem Lernen. Außerdem befassen Sie sich mit den entscheidenden Herausforderungen durch algorithmische Verzerrungen und „Rabbit Holes“ sowie mit Strategien für das Reputationsmanagement und die „Answer Engine Optimization“ im Zeitalter der generativen KI.

Maschinelles Lernen ist der Motor moderner Medien und bestimmt, wie Inhalte entdeckt, konsumiert und monetarisiert werden. In diesem Modul werden Sie die drei grundlegenden Methoden, die Empfehlungsalgorithmen antreiben, genauer unter die Lupe nehmen: überwachtes, unüberwachtes und bestärkendes Lernen. Anhand von Anwendungsbeispielen aus der Praxis von Plattformen wie Spotify, Netflix und TikTok lernen Sie, wie „Agenten“ trainiert werden, um das Engagement zu maximieren, wie verborgene Muster in Rohdaten entdeckt werden und wie Unternehmen den Spagat zwischen der Erkundung neuer Inhalte und der Nutzung bekannter Nutzerpräferenzen meistern.

Über die theoretischen Konzepte des maschinellen Lernens hinaus untersucht dieses Modul, wie große Medienunternehmen Empfehlungsmaschinen in der Praxis einsetzen, um das moderne Nutzererlebnis zu gestalten. Sie werden die spezifischen Mechanismen des inhaltsbasierten und kollaborativen Filterings erkunden und verstehen, wie Algorithmen bestimmen, welche Inhalte im Feed eines Nutzers erscheinen. Anhand eingehender Fallstudien zu Branchenführern wie Netflix und YouTube analysieren Sie, wie diese Systeme konzipiert sind, um die Nutzerbindung zu maximieren, die Abwanderungsrate zu senken und den Customer Lifetime Value mithilfe einer Kombination aus expliziten und impliziten Datensignalen zu optimieren.

Empfehlungsalgorithmen sind zwar leistungsstarke Motoren für die Nutzerinteraktion, bergen jedoch erhebliche Risiken, wenn sie ausschließlich auf Aufmerksamkeit optimiert werden. In diesem Modul untersuchen Sie das Phänomen des „Kaninchenbaus“, bei dem Nutzer unbeabsichtigt zu extremen Inhalten geführt oder in Filterblasen gefangen werden. Sie werden den Zielkonflikt zwischen algorithmischer Effizienz und gesellschaftlichem Wohlergehen untersuchen und den „Algotorial“-Ansatz kennenlernen. Diese hybride Strategie verbindet die Geschwindigkeit des maschinellen Lernens mit menschlichem redaktionellem Urteilsvermögen und bietet Organisationen einen praktischen Rahmen, um Risiken zu mindern, Vielfalt zu gewährleisten und die Sicherheit bei der Verbreitung von Inhalten zu wahren.

In der modernen Medienlandschaft wird der Ruf einer Organisation zunehmend nicht nur durch die allgemeine Stimmung im Internet bestimmt, sondern auch durch die „Meinungen“ großer Sprachmodelle (LLMs). Dieses Modul befasst sich mit dem strategischen Wandel von der traditionellen Suchmaschinenoptimierung hin zur Answer Engine Optimization (AEO). Sie werden untersuchen, wie Empfehlungsalgorithmen Marken wahrnehmen, welchen Einfluss KI-Inferenz auf das Ansehen in der Öffentlichkeit hat und wie Data Science bei der Erstellung von Inhalten praktisch angewendet werden kann, um die Algorithmen von Plattformen wie YouTube und Spotify zu meistern.

Dieses abschließende Modul festigt das im gesamten Kurs erworbene Wissen und fasst die Kernmechanismen des überwachten, unüberwachten und verstärkenden Lernens zusammen, ebenso wie die praktischen Anwendungen von Content- und kollaborativem Filtering, wie sie von Plattformen wie Netflix, Spotify und YouTube genutzt werden, die ethischen Risiken des „Rabbit-Hole“-Effekts sowie Strategien für das Reputationsmanagement und die Optimierung von Content-Erstellern in algorithmischen Systemen. Abschließend wenden Sie Ihr Wissen in einer von Kommilitonen begutachteten Aufgabe an, in der Sie aufgefordert sind, eine strategische Empfehlung zu entwickeln, wie ein Streaming-Dienst algorithmische Empfehlungssysteme einsetzen könnte, und die gesellschaftlichen Auswirkungen von Algorithmen zur Inhaltsempfehlung zu analysieren, einschließlich des Risikos der Radikalisierung.