Product Owner · SWR/ARD · 2024 – 2025 · Baden-Baden → Stuttgart
KI-Empfehlungsengine für SWR.de
Kontext
Auf swr.de werden Artikel in unterschiedlichen Ressorts ausgespielt, Sport, Wissen, Heimat und weitere. Unter jedem Artikel steht ein Block mit weiterführenden Empfehlungen. Diese Empfehlungen wurden bis dahin händisch von Redakteuren gepflegt: aufwendig, nicht skalierbar und nicht ressortspezifisch optimiert.
Problem
Händische Empfehlungen bedeuten hohen Redaktions-Aufwand für einen Bereich, der eigentlich algorithmisch besser lösbar ist. Gleichzeitig ist eine Standard-Empfehlungsengine für dieses Setting nicht ideal, jedes Ressort hat andere Relevanz-Signale. Bei Sport zählt Aktualität, bei Wissen die semantische Nähe, bei Heimat die geografische Zuordnung.
Rahmenbedingungen
Bestehende Redaktions-Workflows dürfen nicht gebrochen werden. Ergebnisse müssen von Redakteuren nachvollziehbar und beeinflussbar sein. Kategoriespezifische Relevanz-Gewichtungen wie Time, Semantik, Location und Tags unterscheiden sich je Ressort. Dazu kamen öffentlich-rechtliche Datenschutz-Standards.
Vorgehen
Wir haben ein bestehendes KI-Modell übernommen und kategoriespezifisch fine-getunt. Die Kern-Idee: unterschiedliche Ressorts brauchen unterschiedliche Zielfunktionen. Sport: Zeit-Recency dominant. Wissen: Semantik und Tags dominant. Heimat: Location dominant. Parallel dazu haben wir ein eigenes A/B-Testing-Tool aufgebaut, in dem Redakteure als Stellvertreter der Zuschauer die Empfehlungen bewerten und vergleichen konnten. Ihre Bewertungen sind zurück ins Fine-Tuning geflossen.
Lösung
Eine live ausgespielte KI-Empfehlungsengine auf swr.de mit ressortspezifischen Gewichtungen und einem redaktions-getriebenen A/B-Testing-Loop für kontinuierliches Fine-Tuning.
Ergebnisse
Die händische Empfehlungs-Pflege der Redaktionen wurde durch die Engine ersetzt. Konkrete Klick-Zahlen sind nicht öffentlich.
Learnings
Eine gute Empfehlungsengine für einen Publisher ist kein ein Modell für alles. Sie ist ein Framework, in dem jedes Ressort seine eigene Zielfunktion bekommt. Redaktionen als aktiver Teil des Evaluations-Prozesses sind der Hebel, an dem viele Projekte scheitern.