Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind18. November 2019 · Q001594

Advanced machine learning helps Play Store users discover personalised apps

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

DeepMind und Google Play entwickelten laut Bericht ein Empfehlungssystem mit Kandidatengenerator, Reranker und Mehrzieloptimierung. Genannt werden Maßnahmen gegen Empfehlungsverzerrungen, paarweises Ranking und ein effizienteres Aufmerksamkeitsmodell; konkrete Messwerte oder unabhängige Belege für die behaupteten Verbesserungen fehlen im Beitrag.

Mittel

Der Bericht schildert die Zusammenarbeit von DeepMind und Google Play zur Verbesserung personalisierter App-Empfehlungen. Das System besteht demnach aus einem Kandidatengenerator, einem Reranker zur Einschätzung und Sortierung der Vorlieben sowie einem Modell, das mehrere Empfehlungsziele abwägt.

Bei der Modellwahl erzielte ein LSTM laut Artikel zwar Genauigkeitsgewinne, führte aber bei langen Sequenzen zu Verzögerungen. Ein Transformer verbesserte die Leistung, erhöhte jedoch den Trainingsaufwand. Als Kompromiss setzte das Team schließlich ein rechenärmeres additives Aufmerksamkeitsmodell ein. Um die Bevorzugung oft angezeigter Apps zu verringern, nutzte der Kandidatengenerator laut Bericht Gewichtungen auf Grundlage der Installationsraten. Der Reranker verglich Apps paarweise, damit ihre relative Relevanz in die Reihenfolge einfließt. Mehrere Ziele sollten während der Auslieferung pro Anfrage optimiert werden.

Der Beitrag führt die Arbeit als Beispiel für die Bedeutung enger Produktzusammenarbeit an. Er nennt jedoch keine konkreten Messwerte, Versuchszeiträume oder unabhängigen Nachweise für die behaupteten Verbesserungen.

Ausführlich lesen

Der Bericht beschreibt, wie DeepMind gemeinsam mit dem Google-Play-Team die Empfehlungen im Play Store verbessern wollte. Ziel sei gewesen, Apps und Spiele vorzuschlagen, die sowohl zu den bisherigen Vorlieben einer Person als auch zu ihrer aktuellen Situation passen. Als Beispiel nennt der Text, dass nach der Installation einer Reise-App eine Übersetzungs-App hilfreicher sein könne als weitere Reise-Apps. Die Erhebung und Nutzung von Vorlieben unterliege laut Bericht den Datenschutzrichtlinien von Google.

Das beschriebene Empfehlungssystem besteht aus drei Modellen. Ein Kandidatengenerator durchsucht laut Artikel mehr als eine Million Apps und wählt passende Vorschläge aus. Ein nachgeschaltetes Modell, der sogenannte Reranker, schätzt Vorlieben in mehreren Dimensionen ein und ordnet die Kandidaten. Ein Optimierungsmodell führt die Vorhersagen zusammen und berücksichtigt mehrere Ziele.

Bei der Modellierung von Nutzerpräferenzen testete das Team zunächst ein LSTM-Netzwerk. Der Bericht zufolge verbesserte es die Genauigkeit, verursachte bei langen Sequenzen jedoch Verzögerungen im Betrieb. Ein Transformer steigerte dem Text zufolge die Modellleistung, erhöhte aber den Trainingsaufwand. Als abschließende Lösung habe das Team ein effizientes additives Aufmerksamkeitsmodell eingesetzt, das verschiedene Sequenzmerkmale verarbeiten könne und vergleichsweise wenig Rechenaufwand benötige.

Der Artikel nennt außerdem eine mögliche Verzerrung im Kandidatengenerator: Apps, die häufiger angezeigt werden, werden eher installiert und könnten dadurch noch häufiger empfohlen werden. Um dem entgegenzuwirken, führte das Team laut Bericht eine Gewichtung anhand des Verhältnisses von Anzeigen zu Installationen ein. Die Gewichte würden mit dem Play-Store-Median verglichen; so könnten Apps je nach Installationsrate stärker oder schwächer berücksichtigt werden. Der Text sagt, diese Methode mindere die Verzerrung.

Für die Rangfolge verglich das Team einen Ansatz, der einzelne Apps unabhängig bewertet, mit einem paarweisen Verfahren. Beim paarweisen Modell gelten laut Beschreibung zwei gleichzeitig angezeigte Apps als Vergleich: Die installierte App erhält die höhere Relevanz gegenüber der nicht installierten. Das Modell soll Rangumkehrungen verringern. Der Bericht behauptet, dieser Ansatz funktioniere in der Praxis besser, weil er die relative Reihenfolge von Vorschlägen lerne.

Bei mehreren Empfehlungszielen, etwa Relevanz, Popularität und persönlichen Vorlieben, formulierte das Team die Aufgabe als Optimierung mit Nebenbedingungen. Die Berechnung erfolge laut Artikel während der Auslieferung für jede Anfrage, statt ein festes Ergebnis offline zu berechnen. Relative Vorgaben sollten Änderungen bei sekundären Zielen besser auffangen. Das Verfahren könne verschiedene Zielkonflikte ausloten und sekundäre Kennzahlen deutlich steigern, während die primäre Kennzahl nur geringfügig beeinträchtigt werde.

Als zentrale Erkenntnis hebt der Beitrag die Zusammenarbeit zwischen Forschung und Produktteam hervor: Praktische Anforderungen seien in Entwurf, Umsetzung und Tests eingeflossen. Konkrete Messwerte zur Wirkung der Play-Store-Änderungen, Versuchsaufbau, Vergleichszeiträume oder unabhängige Belege nennt der Artikel nicht. Seine Aussagen zur verbesserten Leistung sind daher als Darstellungen des beteiligten Teams zu verstehen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Stufen beziehen sich nur auf den Quelltext, nicht auf die Qualität der Umsetzung. Die Zusammenfassung ist im Kern treu; die Auslassung der übrigen Google-Kooperationen und die pauschale Aussage zu fehlenden Messwerten sind die wesentlichen Mängel.

Im Bericht, aber nicht in der Zusammenfassung

  • Die übergreifenden Google-Kooperationen des Beitrags: bis zu 30 % weniger Kühlenergie für Rechenzentren, rund 20 % höherer Wert von Windenergie, Android-Akkuoptimierung, WaveNet und die Zusammenarbeit mit Waymo
  • Skalenangaben zum Kandidatengenerator: über eine Million Apps und Milliarden monatlicher Nutzer des Play Store
  • Die Aussage, es fehlten konkrete Messwerte, gilt nur für die Play-Store-Verbesserungen; der Beitrag nennt Zahlen für andere Projekte

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 83 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 30 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 64 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 28 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 39 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 48 %einzelne zitierbare Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →