Wie wir mit KI eine Petitionsplattform mit relevanten Inhalten gestartet haben
Jede neue Community-getriebene Plattform steht vor derselben Herausforderung: Nutzer erwarten vom ersten Tag an sichtbare, sinnvolle Aktivität, doch diese Aktivität entsteht normalerweise erst, nachdem das Publikum da ist.
Genau diesem Problem sind wir kürzlich begegnet, als wir eine Online-Petitionsplattform für einen Kunden entwickelten, dessen Name aufgrund einer NDA vertraulich bleibt. Das Produkt war startbereit, doch eine wichtige Frage blieb offen: Wie konnten wir es mit relevanten Petitionsideen füllen, bevor die ersten Nutzer eigene Petitionen anlegten?
Hunderte Petitionen manuell vorzubereiten wäre langsam und kaum skalierbar gewesen. Stattdessen haben wir eine KI-gestützte Content-Pipeline gebaut.
Worin bestand die Herausforderung?
Die Plattform mit einer leeren Startseite zu starten, kam nicht infrage. Das hätte ein voll funktionsfähiges Produkt inaktiv wirken lassen und frühen Nutzern kaum einen Grund gegeben, es zu erkunden.
Gleichzeitig durften die Petitionsthemen nicht beliebig sein. Sie mussten reale Probleme widerspiegeln, die Gemeinschaften in verschiedenen US-Bundesstaaten betreffen. Das bedeutete, mit großen Mengen häufig aktualisierter Informationen zu arbeiten, darunter:
- Lokalnachrichten;
- Gesetzgebung der Bundesstaaten und neu eingebrachte Gesetzentwürfe;
- Tagesordnungen der Stadträte;
- Referenden und Volksinitiativen;
- Debatten über öffentliche Finanzierung;
- Weitere gesellschaftlich bedeutsame Themen auf lokaler und bundesstaatlicher Ebene.
Das System musste außerdem aussagekräftige Signale vom Hintergrundrauschen trennen, doppelte Meldungen erkennen und sicherstellen, dass nichts ohne menschliche Prüfung veröffentlicht wird.
Zuerst kam die Recherche
Vor Beginn der Umsetzung haben wir rund zwei Wochen damit verbracht, verfügbare KI-Tools zu recherchieren und verschiedene Ansätze zu testen.
Das Hauptziel war nicht einfach, Text zu generieren. Wir mussten einen zuverlässigen Prozess aufbauen, der Informationen aus mehreren Quellen sammelt, versteht, worum es in den Meldungen geht, zusammengehörige Ereignisse gruppiert und Themen erkennt, aus denen relevante Petitionen entstehen können.
Auf Grundlage der Rechercheergebnisse haben wir eine Kombination von KI-Tools ausgewählt, die sich für die verschiedenen Stufen der Pipeline eignen.
So funktioniert das System
Der gesamte Workflow besteht aus fünf Hauptstufen.
1. Lokale und bundesstaatliche Informationen sammeln
Das System sammelt Nachrichten und Neuigkeiten zur Gesetzgebung aus Quellen in verschiedenen US-Bundesstaaten. So entsteht ein laufend aktualisierter Datenbestand, der sowohl lokale Entwicklungen als auch übergreifende Themen auf Ebene der Bundesstaaten abdeckt.
2. Daten analysieren und bereinigen
Die gesammelten Materialien werden analysiert, gefiltert und normalisiert. Doppelte oder eng verwandte Meldungen werden erkannt, irrelevante Informationen entfernt.
Dieser Schritt reduziert das Rauschen erheblich und verhindert, dass dasselbe Ereignis mehrfach auftaucht, nur weil mehrere Quellen darüber berichtet haben.
3. Trends erkennen
Anschließend durchsucht das System die bereinigten Daten nach wiederkehrenden und neu aufkommenden Themen.
Diese Trends können geplante Gesetze der Bundesstaaten, anstehende Stadtratsentscheidungen, Referenden, Debatten über öffentliche Finanzierung oder andere Themen betreffen, die sich auf eine große Zahl von Menschen auswirken könnten.
Statt jeden einzelnen Nachrichtenartikel als eigenes Thema zu behandeln, sucht die KI in den verfügbaren Informationen nach übergreifenden Mustern.
4. Petitionsvorschläge generieren
Auf Basis der erkannten Trends erstellt unser KI-Bot strukturierte Vorschläge für mögliche Petitionen.
Der Bot veröffentlicht nichts automatisch. Seine Aufgabe ist es, große Mengen fragmentierter Informationen in klare Entwürfe zu verwandeln, die Administratoren schnell bewerten können.
5. Menschliche Prüfung und Freigabe
Jeder Vorschlag durchläuft eine administrative Prüfung. Die Administratoren der Plattform können jeden Entwurf vor der Veröffentlichung bearbeiten, freigeben oder ablehnen.
Dieser Human-in-the-Loop-Ansatz verbindet die Geschwindigkeit und Skalierbarkeit von KI mit dem Urteilsvermögen, das gesellschaftlich bedeutsame Inhalte erfordern.
Von der Recherche zum Produktivbetrieb in drei Wochen
Die Recherchephase dauerte rund zwei Wochen. Nachdem wir die richtigen Tools ausgewählt und den Ansatz validiert hatten, nahm die eigentliche Umsetzung eine weitere Woche in Anspruch.
Das Projekt hat gezeigt, dass KI mehr lösen kann als herkömmliche Aufgaben der Content-Generierung. Mit der richtigen Architektur und menschlicher Aufsicht kann sie komplexe Informationsströme analysieren, aussagekräftige Trends erkennen und einem neuen Produkt helfen, sein Kaltstartproblem zu überwinden.
Haben Sie selbst eine ungewöhnliche Herausforderung?
Wenn Ihr Unternehmen vor einer nicht alltäglichen technischen Herausforderung steht und eine Standardlösung nicht passt, lassen Sie uns sprechen. Bei Afterlogic.Works machen wir aus komplexen Ideen gern praxistaugliche, produktionsreife Systeme und finden auch für Ihr Vorhaben mit Freude den richtigen Ansatz.