Denne AI-showcase viser, hvilke muligheder et eget AI-system tilbyder i virksomheder og myndigheder. Der vises, hvordan medarbejder kan entlastes ved hjælp af AI. Eksempler på dette er at klageindlæg, borgerefterkrav, support-tiketter, e-mails eller skadeanmeldelser kan genkendes og målrettet håndteres. Egenskaber: fuld kontrol over dataene, fuld uafhængighed, ingen ekstra omkostninger.
Indledning
I forrige AI-showcase blev det vist, hvordan med lidt omhu og pfeilsnabb indbildende billeder kunne genereres på en AI-laptop.
I dette AI-showcase vises, at med en næsten lige så lille programmeringsindsats og inden for få minutter kan en intelligent klassifikator til dokumenter trænes. Derved kan i virksomheder og myndigheder kommunikationen afgørende simplificeres.
Hvor finder jeg hjælp til mine kvinder, kvinder og kvinder?
Den AI-klassifikator forstår selv denne spørgsmål.
Borgere eller kunders spørgsmål kan sendes direkte til den rette ansvarlige eller automatisk tildeles en passende kategori. Sådanne anbefalinger af den bedste svar, baseret på tidligere sammenlignelige tilfælde, er også muligt. Alt dette automatisk og AI-baseret. Arbejdsprocesser understøttet af AI i stedet for at afløse arbejdsprocesser. For tilførlighed baserer sig på en betingelse: ansvarlighed. Og denne kan kun overdrages til en menneske.
En intelligent klassifikator kan forstå Betydningen af dokumenter eller forespørgsler. De følgende muligheder er enorm. Følgende proces viser i punkter, hvad der er muligt i dit firma eller en myndighed:
- En kunde eller borger skriver en besked til dig. Det kan være en skadeanmeldelse, en klage, en aftale om tidspunkt, en afmelding, en spørgsmål eller noget helt andet.
- En af dine medarbejdere skal bearbejde beskeden .
- Med den intelligente klassifikator kan det anskedes, hvordan kundens eller borgerens besked skal håndteres.
- Der følger en række af muligheder:
- Meddelelsen bliver automatisk sendt videre til den rette medarbejder.
- Meddelelsen bliver sammenlignet med tidligere meddelelser. En medarbejder modtager en anbefaling til behandling, der bygger på et tidligere, meget lignende tilfælde.
Alternativt kunne der være et ticket-system til support (kunde-support, borger-service, programmerer):
- En ny sag kommer ind, f.eks. en problemrapport eller klage eller en software-fejl.
- Med den intelligente klassificator kan denne sag automatisk indsættes i en passende kategori.
- Den rette medarbejder får sagen til behandling.
- Valgfrit får han som anbefaling, hvordan en meget tilsvarende sag i fortiden blev håndteret.
- Der meldende (kunde, borger, bruger) modtager en tilbageholdning, der passer til hans anliggende: „Kære kunde, tak for din besked. Din besked er blevet identificeret som en fejlbesked og bliver behandlet med højeste prioritet. En af vores medarbejdere er allerede blevet informeret
Showcase'et
Arbejdet foregår med et åbent kilicel, der godt forstår den tyske sprogform. Mens hele verden taler andre sprog end tysk, forstår i hvert fald kilisprogsmodeller vores sprog meget godt.
Formålet er at kunne identificere til hvilken kategori et givet dokument hører til. Et dokument kan være en tekst, og det kan også være en e-mail, en besked fra en kontaktformular, en web-søgning eller indtastning i en chatbot. Denne showcase fungerer godt med tekster der ikke er længere end et par hundrede ord. For længere tekster kan den anvendte tilgang forbedres ved hjælp af konventionelle metoder.
Hvilke kategorier der er, skal fastlægges. Er derfor f.eks. medarbejdere, som håndterer klager til et bestemt emne, ville en kategori være "klage vedrørende emne X". En anden kategori kunne være "almindelig henvendelse" eller også "købsinteresse" eller også "spørgsmål til person".
Til disse kategorier, som I har bestemt, skal nu eksempelskemaer tilføjes. Til hver kategori er ofte få eksempler nødvendige.
Finnes der meget få eksempler, kan disse ganges op med en AI-proces. Man taler her om synthetiske data sætter. Eksempelvis kan til et eksisterende dokument en ny version skabes, som er sprogligt anderledes, men tilhører samme kategori. I mange tilfælde kan dog allerede en konventionel programmering de af menneske hånd sammenbragte eksempler multiplikere.
For AI-træningen kræves ofte kun få eksempler.
Eksempler i form af størrelse kan kunstigt oprettes.
Da dine dokumenter er dine dokumenter, er det ofte vigtigt at have Datakontrol. Derfor finder den AI-proces på dine dokumenter lokal på egen hardware sted. For denne showcase blev en AI-laptop brugt, hvor dette tekst også skrevet var. Selskaber ville bruge en (eget eller lejet) AI-server. hvad der er muligt på en laptop, er det selvfølgelig også muligt på en firkantet kasse med navn Server.
Så begynder den spændende del, det træning af en klassifikator. Denne klassifikator lærer, hvornår et dokument skal tilknyttes en bestemt kategori. Hvorfor lærer han det? Præcis sådan som du selv ville se hundrede eller tusinde dokumenter og lære at genkende den respective kategori. Den store forskel er, at du hverken har tid, ønsker eller godt hukommelse til det, eller er hurtig nok.
Resultater
Træningen varede få minutter på nævnte AI-laptop:
Togtid: 212,2422 sekunder
Træningsindstillinger pr. sekund: 155,671
train_steps_per_second: 9.729
Total optimization steps = 5443628
En af udgifterne ved AI-træningsprocessen
Denne udgivelse kom efter en første testgang frem. En forfining af resultaterne tog lidt længere end de nævnte 212 sekunder, hvilket er mindre end 4 minutters beregnings tid. I denne tid blev knap 5,5 millioner optimieringstrin udført. På en laptop (ventilen kan være noget larmende).
AI for your company
- Powerful and optimizable
- Full data control
- Fast proof of concept
- Inexpensive
Pro sekund blev knap ti tusinde træningsgange udført. Ligeledes blev over 155.000 eksempler indhugget i AI-hovedet, så det ler, at forstå. Det følgende billede viser statistikken fra et andet AI-træning. Så smukke er trappetrinene, der angiver træningsresultatet. Den læringsrate går med tiden (her i ønsket værste) ned, lige så meget som hos mennesker (hvor det ofte ikke er ønskeligt).
Der AI-Klassifikator kan nu klassificere dokumenter i forudbestemte kategorier. Det kan han endda ganske godt. I billedet er som "Loss" værdien 0,0001 nævnt. Den "Loss" er den her sehr lille Lücke til Perfektion. Værdien 0 er perfektionen. En værdi som 0,0001 skal betragtes som perfekt. Systemets præcision kan så kun stadig forbedres ved yderligere træning af data eller validiering af data.
Hvis klassifikatoren f.eks. trænes på spørgsmål fra brugere, som de indtastes i søgemaskiner eller i virtuelle assistenter (simple chatbots), der er integreret på hjemmesider, så ved AI, hvilken slags brugerfråga der er blevet indtastet.
Her nogle eksempler på brugerforslag med tilhørende kategorier (skrivefejl er intentionel):
- Hallo → Kategorie „Soziale Kommunikation“
- Hvad hedder du eller din frie bot? → Kategori "Personlig spørgsmål
- Welcher Tag häude? → Kategorie „Frage nach Datums“
- Hvordan finder jeg egentlig oplysninger om, hvordan man kan forespørge en personallinje? → Kategori „Spørgsmål til udlevering af identifikationsdokumenter
- programmfehler termintoll → Kategori "Fejl til tredje niveau support
- Hilfe Wer kann mir bei Ausfüllen dieses Formulas für Umfeldung Autofahrzeug bitte helfen? Danke geehrter Herr or Dame → Kategori „Spørgsmål til Pkw-ummelding
Den AI-klassifikator kommer med skrivefejl, forkerte ord og sløjt eller uformelt formulerede spørgsmål frem.
Der er ikke kun tankerlige eksempler, men også mulige at realisere. Enten med et eget AI-system eller gennem interface til kommersielle chatbots.
Fordelene
Den intelligente klassifikator kan indenfor kortest tid på specifikke forhold (nyheder eller dokumenter og tilhørende kategorier) præget blive, efter at han én gang er blevet indstillet.
Engang tilgængelig, kan den intelligente klassifikator uophørligt sin arbejde afslutte og leverer hurtige svar.
Hvis der ønskes i løbet af tiden at have nye eller andre kategorier, bliver klassifikatoren trænet igen. Det tager kun få minutter eller flere timer hvis mange eksempler skal gennemgås. Denne indsats er en engangsindsats.
Try Offline-AI now
Optimizable and with full data control. Economical even in continuous operation.
Fully-controlled data center, no third-parties.
Hvis hele processen foregår på et eget AI-system, kan klassifikatoren forbedres uendeligt mange gange. Det er vigtigt, fordi hver træning underligger en tilfældighed. Det er halvvejs lignende med, hvis en menneske skriver en tekst om samme emne på forskellige dage (hver gang ville et andet, inddragende tekst opstå).
Der fortsatte strøm af data og værdifulde indsigt til tredje part, hvis man ikke ønsker det. Den, der allerede er klar til at bruge tredjedienst, skal ikke kun tænke på ChatGPT's API. Der er nu også andre tilbud fra andre leverandører, også fra Europa, som især for tysksprogede tekster giver bedre resultater.
Økonomien af denne løsning er helt enorm. Nøden er endnu større og indsatsen er lille.
Hvis man kombinerer denne AI-metode med almindelige, konventionelle metoder, stiger tillid til resultaterne yderligere.
Konklusion
På basis af få eksempler kan en intelligent klassifikator til dokumenter i virksomheder og myndigheder oprettes. Oprettelsen finder sted i form af et målrettet træning af et AI-model.
Hardwarekravene for dette træning er beskedne og også med ikke særlig kapable leaset hardware kan opfyldes.
Arbejdet består hovedsagelig i at stille nogle eksempler op. De eksisterende eksempler kan kunstigt multiplikeres. Programmeringsarbejdet for AI-mekanismen er lavt.
I et følgende AI-showcase vises, hvordan dokumenter ikke kun kan klassificeres, men også sammenlignet bliver. Derved kan endnu flere processer i virksomheden gøres endnu effektivere. Effektivitet her betyder, at de eksisterende medarbejdere kan udføre deres arbejde bedre og på grund af Fritagelse af dumme opgaver vil de sandsynligvis være mere tilfredse. Antallet af jobs vil blive ved denne AI-bemærkning liggetal.
En vurdering af din anvendelse af AI i din organisation er velkommen. Skriv blot en besked.
My name is Klaus Meffert. I have a doctorate in computer science and have been working professionally and practically with information technology for over 30 years. I also work as an expert in IT & data protection. I achieve my results by looking at technology and law. This seems absolutely essential to me when it comes to digital data protection. My company, IT Logic GmbH, also offers consulting and development of optimized and secure AI solutions.
