„Unsere Kunden haben regelmäßig Waschtische und Unterschränke bestellt, die nicht zusammenpassten – weil im Shop nur ‚ähnliche Produkte' vorgeschlagen wurden, aber keine echten Kompatibilitätsdaten hinterlegt waren. Wir brauchten dringend eine Lösung, die Produktbeziehungen automatisch und verlässlich erkennt, statt sich auf unstrukturierte Empfehlungslogik zu verlassen."
Ansatz und Methodik
- 20 Geberit-Produkte (Spülkästen, WCs, Waschtische, Unterschränke) als Datensatz
- Ausschreibungstexte per ChatGPT in JSON-LD nach schema.org-Vorgaben überführt
- GPT-3.5-turbo API für binäre Kompatibilitätsklassifikation (400 Anfragen, Produkt × Produkt)
- Prompt Engineering zur Optimierung von Antwortformat und Konsistenz
- Evaluation gegen manuell erstellte Ground Truth mit Konfusionsmatrix
- Visualisierung der erkannten Beziehungen als interaktiver Graph (vis.js)
Ergebnisse und Bewertung
- Datengenerierung inkonsistent: GPT erzeugte JSON-LD mit doppelten Schlüsseln, gemischten Sprachen und fehlenden Attributen – manuelle Nacharbeit nötig
- Klassifikation unzureichend: F1-Score 0,12 bei allen Produkten; 123 erkannte Verbindungen statt erwarteter 32, davon nur 8 korrekt (Precision 7 %)
- Begründungen unzuverlässig: GPT lieferte widersprüchliche oder sachlich falsche Erklärungen für Kompatibilität
- Gezielte Verbesserung begrenzt wirksam: Einschränkung auf Unterschränke vs. Waschtische und Prompt-Anpassung verbesserten F1 auf 0,38 – weiterhin nicht praxistauglich
- Kernerkenntnis: GPT allein reicht nicht – regelbasierte Strukturen und domänenspezifisches Fine-Tuning sind Voraussetzung für verlässliche Produktbeziehungen
Relevanz für gaeco
Die Arbeit zeigt empirisch, dass KI allein keine konsistenten, semantisch korrekten Produktbeziehungen liefern kann – und bestätigt damit den gaeco-Ansatz: Erst durch ontologiebasierte Regeln und strukturierte Datenmodelle werden Kompatibilitätsaussagen belastbar. Die Erkenntnisse fließen direkt in die Gestaltung regelbasierter Beziehungsmodelle auf der gaeco-Plattform ein.
