Einführung und Abgrenzung
Systeme, die entscheiden, was wem gezeigt, angeboten oder gesagt wird. Zwei Muster: - REC.RECOMMEND: Ranking von Objekten oder Personen für einen Nutzer (Produkte, Inhalte, Stellen, Kurse, Partnervorschläge, Größen, Beratung, B2B-Konfigurationen). - REC.MARKETING: Entscheidungen zu Zielgruppe, Kampagne, Budget und Kanal (Segmentierung, Next-Best-Action, E-Mail, Werbung, MMM, Kundenbindung, Retail Media, Influencer, GEO).
Abgrenzungen: - REC-001 ist die allgemeine Basis eines Objekt-Empfehlers; REC-002 (redaktionelle Inhalte, Pluralismus), REC-012 (Größe/Passform), REC-010 (B2B, regelbeschränkt) und REC-018 (Studienregeln) spezialisieren ihn. - REC-008 (Stellensuchende, empfiehlt offene Stellen) ist keine Kandidatenbewertung für Arbeitgeber (diese ist hochriskant, siehe PRED/CONV-019); REC-016 setzt die gegenseitige Zustimmung zu einem Vorschlag voraus. - REC-003 wählt die Aktion/das Angebot je Kunde; REC-006 setzt Inhalt und Zeitpunkt von E-Mail/Push um; REC-009 ist dieselbe Logik, beschränkt auf Mitglieder von Kundenbindungsprogrammen; REC-004 liefert Segmente für alle drei. - REC-007 optimiert eigene Werbung und Gebote; REC-013 ist der händlerseitige Marktplatz für gesponserte Produkte; REC-015 wählt Creator aus; REC-005 misst die aggregierte Wirkung von Kanälen; REC-011 betrifft die Sichtbarkeit in KI-Assistenten (keine personenbezogenen Daten). - REC-017 ist regulierte Beratung (Geeignetheitsprüfung nach MiFID II), kein Marketing. - Suche und RAG-Retrieval gehören zu KNOW; Prognose- und Neigungsmodelle zu PRED; Solver zu OPT. - AI Act: überwiegend minimal; begrenzt (Art. 50), wenn generierte Inhalte oder Bots Verbraucher erreichen (REC-006, -007); abhängig/hoch, wenn Ergebnisse Beschäftigung (REC-008), Bildung (REC-018), Finanzdienstleistungen (REC-017) steuern oder Schwachstellen ausnutzen (REC-003, -016). DSGVO: Profiling braucht eine Rechtsgrundlage, Einwilligung für Tracking (ePrivacy), Widerspruchsmöglichkeit und Schutzmaßnahmen nach Art. 22; DSA Art. 27/38: Transparenz von Empfehlungssystemen und Option ohne Profiling für Plattformen.
Überblick
| ID | Titel | Muster | Reifegrad | Weg | HW-Stufe | Risiko nach AI Act |
|---|---|---|---|---|---|---|
| REC-001 | Produktempfehlungen im E-Commerce | REC.RECOMMEND | mainstream | A | HW2 | minimal |
| REC-002 | Inhaltsempfehlungen (Medien, Nachrichten, Streaming) | REC.RECOMMEND | mainstream | B | HW3 | minimal |
| REC-003 | Next-Best-Action & personalisiertes Marketing | REC.MARKETING | mainstream | A | HW1 | depends |
| REC-004 | Kundensegmentierung | REC.MARKETING | mainstream | A | HW1 | minimal |
| REC-005 | Marketing-Mix-Modellierung & Attribution | REC.MARKETING | early-adopter | B | HW1 | minimal |
| REC-006 | Personalisierung von E-Mails & Kampagnen, Optimierung des Versandzeitpunkts | REC.MARKETING | mainstream | A | HW2 | limited |
| REC-007 | Optimierung von Werbemitteln & programmatisches Bieten | REC.MARKETING | mainstream | A | HW2 | limited |
| REC-008 | Stellen- & Karriereempfehlungen für Stellensuchende | REC.RECOMMEND | mainstream | B | HW2 | depends |
| REC-009 | Personalisierung von Kundenbindungsprogrammen & Angeboten | REC.MARKETING | mainstream | A | HW1 | minimal |
| REC-010 | B2B-Cross-Selling, Upselling & Produktkonfiguration | REC.RECOMMEND | mainstream | A | HW1 | minimal |
| REC-011 | Generative Engine Optimization | REC.MARKETING | early-adopter | A | HW0 | minimal |
| REC-012 | Größen- & Passformempfehlung | REC.RECOMMEND | mainstream | A | HW1 | minimal |
| REC-013 | Ranking gesponserter Produkte im Retail Media | REC.MARKETING | mainstream | A | HW2 | minimal |
| REC-015 | Influencer-Suche & Echtheitsprüfungen | REC.MARKETING | mainstream | A | HW2 | minimal |
| REC-016 | Gegenseitiges Matchmaking | REC.RECOMMEND | mainstream | A | HW2 | depends |
| REC-017 | Robo-Advisory & geeignetheitsbasierte Beratung | REC.RECOMMEND | mainstream | A | HW1 | depends |
| REC-018 | Kurswahl & Studienplanung | REC.RECOMMEND | early-adopter | A | HW2 | depends |
Gemeinsamer Technologie-Stack
Gemeinsame Bausteine: Ereignis-/Interaktionsprotokoll und Feature Store (Postgres/ClickHouse, Feast), Einwilligungs- und Präferenzdienst (CMP, Widerspruch, Prüfung nach Art. 22), Experiment- und Bandit-Schicht (A/B, Interleaving, Holdouts), Katalog-/Profil-Embeddings, Regel-/Leitplankenschicht (Berechtigung, Frequenzgrenzen, Fairness), Offline-zu-Online-Evaluation mit Protokollierung.
HW0 (keine GPU, SaaS/API) für REC-011 und die LLM-Anteile jedes REC-Falls: - Gehostete LLM-API in der EU-Region mit Protokollierung von Prompts/Antworten; Scheduler plus Postgres; keine personenbezogenen Daten in Prompts.
HW1 (CPU-Server oder kleine GPU, <=8 GB) für REC-003, -004, -005, -009, -010, -012, -017: - LightGBM/XGBoost/CatBoost, implicit/LightFM, PyMC-Marketing oder Meridian (MMM), Clustering mit scikit-learn, OR-Tools/cvxpy für Portfolios und Slots. - Postgres + pgvector, Kafka oder Redpanda für Streams, Feast Feature Store, MLflow; optional ein 3–8B-INT4-LLM über Ollama für Segmentbeschreibungen. - Teilt Feature Store und Experiment-Schicht mit PRED und OPT.
HW2 (einzelne GPU, 16–24 GB) für REC-001, -006, -007, -008, -013, -015, -016, -018: - Two-Tower-/Sequenzmodelle (PyTorch, Merlin/TorchRec), Embeddings bge-m3 oder multilingual-e5, bge-reranker, Qdrant oder pgvector/OpenSearch für das Retrieval. - vLLM/Ollama-Serving von 7–14B-Instruct-Modellen (Erklärungen, Betreffzeilen, Texte) plus VLM (Klasse Qwen-VL) für Kreativ- und Creator-Inhalte; Langfuse-Tracing und Leitplanken. - Teilt Embedding-Dienst, Vektordatenbank und Reranker mit KNOW-002 und den CONV-RAG-Stacks.
HW3 (Multi-GPU / EU-Private-Cloud, 2–8 x 40–80 GB) für REC-002: - Retrieval- und Ranking-Kaskade im großen Maßstab (ANN, DLRM-/Transformer-Ranker, RL-/Bandit-Serving), Streaming-Feature-Pipeline (Flink), multimodale Embeddings für Video/Audio/Text, LLM für redaktionelle Verschlagwortung und Zusammenfassungen; Pluralismus- und Diversitätskennzahlen, DSA-Transparenzberichte.