Tech Talk: How danube.ai built: "Eine Upselling-AI als API für Geizhals" mit Philipp Wissgott

Tech Talk: How danube.ai built: "Eine Upselling-AI als API für Geizhals" mit Philipp Wissgott

Stell dich kurz vor 

Ich bin Philipp, Co-Founder und CEO von danube.ai. Ich bin in unserem Start-up auch für die AI-Algorithmen verantwortlich.

Warum habt ihr das gebaut? 

Wir wollten eine neue Art wie User ihr Wunschprodukt finden entwickeln. Es kam mir immer schon seltsam vor welches Filter-Interface E-Commerce-Seiten bieten. Warum muss ich, wenn ich z.B. ein neues Handy suche, manuell 20 harte Filter einstellen. Mich interessiert ja ein gutes Preis-Leistungs-Verhältnis und nicht ob ein Gerät 399 oder 400 Euro kostet. Die Frage war also: können wir eine AI-API bauen, die automatisch erkennt auf welche Features man bei einem Produkt steht und einem dann das individuell beste vorschlägt. Diese Individualisierung war die größte Herausforderung und uns hat auch gereizt, dass das noch niemand so probiert hat. Geizhals war von der Idee von Anfang an begeistert und so haben wir losgelegt.

Wie habt ihr das gebaut?

Wir sind Schritt für Schritt vorgegangen: Zuerst haben wir uns gefragt: woran soll die AI erkennen welche Features für einen User wichtig sind - und das ohne einstellbare Filter oder Cookies. So sind wir auf das Konzept des Referenz-Produktes gestoßen: Wenn du auf eine E-Commerce-Seite kommst, kommst du meist über eine Produktseite, meist wahrscheinlich über Google. Dieses eine Produkt sagt schon viel über dich aus: hat es ein großes Display? In welcher Preis-Range ist es? 

Als Nächstes haben wir eine Art Kugel um das Referenz-Produkt hergenommen und danach gefiltert. Diese dem Referenz-Produkt ähnlichen Produkte sind dann die Spielwiese für unsere hauseigene AI. Daraus wählt sie die am besten zu dir passenden Produkte aus die ein gutes Preis-Leistung-Verhältnis haben. Wobei Leistung wieder hoch individualisiert von der AI angepasst wird.

Als Technologien haben wir hauptsächlich Javascript und node.js verwendet, alles natürlich dockerized. Wir verwenden Worker und redis für ein load-balancing. Wir konnten da auch auf viele Einzelteile zurückgreifen die wir schon zuvor entwickelt hatten.

Im Team haben fast alle Mitglieder in der einen oder anderen Form mitgeholfen. Wir haben Frontend- und Backend-Spezialisten, die sich jeweils auf ihre Teilgebiete gestürzt haben, aber im Prinzip hat jeder überall seine Finger drin gehabt. Zusätzlich zu den Entwicklern gab es noch einen technischen Projekt-Verantwortlichen und mit mir einen Feature-mäßigen Produktowner, der auch die Kommunikation mit Geizhals strukturiert hat.

Wir hatten die gesamte API in 2 Monaten fertig, da hat aber wirklich jeder sein Bestes gegeben damit wir dieses Ziel erreichen.

Welche Herausforderungen gab es?

Es ist schon irgendwie ein gutes Gefühl, wenn man weiss: so hat das noch nie jemand probiert. Aber natürlich nimmt man so mehr Umwege, weil man die richtige Lösung ja erst ‘on-the-run’ findet. Wie so oft bei neuen Algorithmen war am Anfang die Performance ein Problem, weil wir viel zu viel unnötige Abfragen und Schritte drinnen hatten. Aber sobald die API das getan hat, was sie soll, haben wir die Performance massiv gesteigert.

Was ist gut gelungen?

Also Geizhals war sehr angetan von der Lösung. Als Team und technologisch als Unternehmen haben wir uns während des Projekts massiv weiterentwickelt. Wir verstehen jetzt viel besser wie E-Commerce-Vorschläge verbessert werden können, ich denke das wird uns auch in Zukunft viel bringen.

 

Technologien in diesem Artikel