Dit AI-showcase laat zien wat een eigen AI-systeem in bedrijven en overheidsinstanties mogelijk maakt. Hierin wordt getoond hoe medewerkers kunnen worden ontlast met behulp van AI. Bijvoorbeeld, klachten, aanvragen van burgers, supporttickets, e-mails of meldingen van schade kunnen herkend en doelgericht behandeld worden. Kenmerken: volledige controle over de data, volledige onafhankelijkheid, geen extra kosten.
Inleiding
In het vorige KI-showcase werd getoond hoe met weinig moeite en pfeilsnel indrukwekkende beelden op een KI-laptop kunnen worden gegenereerd.
In dit AI-showcase wordt getoond dat met een bijna even geringe programmeringsinspanning en binnen enkele minuten een intelligente classificator voor documenten getraind kan worden. Hiermee kan in bedrijven en overheidsinstanties de communicatie aanzienlijk vereenvoudigd worden.
Waar vind ik hulp op een markt bij een vrouwelijke winkelier en dame?
De AI-classificator begrijpt zelf deze vraag.
Vragen van burgers of klanten kunnen rechtstreeks naar de juiste medewerker gestuurd worden of automatisch aan een passende categorie toegekend worden. Ook zijn suggesties voor het beste antwoord mogelijk, gebaseerd op eerder vergelijkbare gevallen. Alles automatisch en AI-basiert. Werkprocessen ondersteunen door AI in plaats van ze te vervangen. Want betrouwbaarheid is gebaseerd op een voorwaarde: verantwoordelijkheid. En deze kan alleen door een mens worden overgenomen.
Een intelligente classificator kan de betekenis van documenten of vragen begrijpen. De daaruit voortvloeiende mogelijkheden zijn enorm. Het volgende proces laat in stappen zien wat in uw bedrijf of bij een overheidsinstantie mogelijk is:
- Een klant of burger schrijft u een Bericht. Dat kan een melding van schade zijn, een klacht, een verzoek om een afspraak, een opzegging, een vraag naar informatie of anderszins.
- Een van uw medewerkers moet de berichting bewerken.
- Met het intelligente klassificatiesysteem kan voor de bericht van de klant of burger worden bepaald hoe het te behandelen is.
- Uit dit volgt een reeks van Mogelijkheden:
- De bericht wordt automatisch aan de juiste medewerker doorgezonden.
- De bericht wordt vergeleken met eerdere berichten. Een medewerker krijgt een Aanbeveling voor de behandeling, die is gebaseerd op een eerder, zeer vergelijkbaar geval.
Een alternatief is een ticket-systeem voor de support (klantenservice, burgerdienst, programmeur):
- Een nieuwe zaak komt binnen, bijvoorbeeld een melding van een probleem of klacht of een softwarefout.
- Met de intelligente classificator kan deze zaak automatisch ingesorteerd worden in een geschikte categorie.
- De juiste medewerker krijgt het dossier om te behandelen.
- Optioneel krijgt hij een aanbeveling hoe een zeer vergelijkbaar geval in het verleden is behandeld.
- De meldende (klant, burger, gebruiker) ontvangt een terugkoppeling die passend is voor zijn probleem: „Lieve klant, dank u wel voor uw bericht. Uw bericht is als foutmelding ingeslagen en wordt met hoge prioriteit behandeld. Een van onze medewerkers is al geïnformeerd.”
Het Showcasemodel
Werkt men met een open-source AI-model dat de Duitse taal goed begrijpt. Terwijl de hele wereld andere talen spreekt dan het Duits, begrijpen tenminste AI-taalmodellen onze taal zeer goed.
Het doel is om een gegeven document te herkennen, tot welke categorie het behoort. Een document kan worden vergeleken met een stuk tekst. Het kan dus ook gaan om een e-mail, een bericht via een contactformulier, een zoekopdracht op internet of een invoer in een chatbot. Deze showcase werkt goed met teksten die niet langer zijn dan een paar honderd woorden. Voor langere teksten kan de gebruikte aanpak worden aangescherpt met conventionele methoden.
Welke categorieën er zijn, bepaalt u. Bestaan bijvoorbeeld medewerkers die klachten behandelen voor een specifiek onderwerp, dan is een categorie "klachten over onderwerp X". Een andere categorie kan zijn "Algemene vraag" of ook "Aankoop interesse" of ook "Vraag over Perso".
Tot deze categorieën, die u hebt vastgesteld, zijn nu voorbeelddocumenten nodig. Per categorie zijn vaak maar weinig voorbeelden nodig.
Er zijn maar weinig voorbeelden, dan kunnen deze met een AI-proces vermenigvuldigd worden. Men spreekt hier van synthetische datasets. Bijvoorbeeld kan aan een bestaand document een nieuwe versie gegenereerd worden die taaltechnisch anders is, maar tot dezelfde categorie behoort. In veel gevallen kan echter al een conventionele programmierung de door mensenhand verzamelde voorbeelden vermenigvuldigen.
Voor het trainen van kunstmatige intelligentie zijn vaak maar weinig voorbeelden nodig.
Voorbeelden in omvang kunnen kunstmatig worden gemaakt.
Weil uw documenten uw documenten zijn, is het vaak belangrijk om Datencontrole te hebben. Daarom vindt de AI-procedure plaats op uw eigen hardware. Voor dit Showcase werd een AI-laptop gebruikt waarop deze tekst ook geschreven is. Bedrijven zouden een (eigen of gehuurde) AI-server gebruiken. Wat op een laptop mogelijk is, is op een vierkante kast genaamd Server nog veel mogelijker.
Dan begint de spannende fase, het training van een classificator. Deze classificator leert wanneer een document aan een bepaalde categorie toegekend kan worden. Hoe leert hij dat? Precies zo als zou je honderden of duizenden documenten bekijken en leren om de juiste categorie te herkennen. Het verschil is, dat jij daarvoor geen tijd hebt noch lust noch een goed geheugen hebt noch snel genoeg bent.
Resultaten
Het trainen duurde op het genoemde AI-laptop slechts enkele minuten:
Treinlooptijd: 212,2422 seconden
Train samples per seconde: 155,671
train_steps_per_second: 9.729
Total optimization steps = 5443628
Een van de uitgaven van het AI-trainingsproces
Deze uitvoer kwam na een eerste testronde tevoorschijn. Een verfijning van het resultaat duurde iets langer dan de genoemde 212 seconden, wat minder is dan 4 minuten reken tijd. In deze tijd werden net 5,5 miljoen optimatie stappen uitgevoerd. Op een laptop (de ventilator is soms wat hard).
AI for your company
- Powerful and optimizable
- Full data control
- Fast proof of concept
- Inexpensive
In een seconde werden ongeveer tienduizend trainingsstappen uitgevoerd. Eveneens werden per seconde meer dan 155.000 voorbeelden in het AI-geheugen gestopt, zodat het lernt om te begrijpen. Het volgende beeld toont de statistiek van een ander AI-trainingsprogramma. Mooi om te zien zijn de trappen die de trainingsresultaten aangeven. De Onderwijskunde daalt met de tijd (hier opzettelijk), net als bij mensen (die het vaak niet willen).
De AI-classificator kan nu documenten in voorgeschreven categorieën classificeren. Dat kan hij zelfs vrij goed. In het beeld is als "Loss" de waarde 0,0001 genoemd. De "Loss" is hier zeer kleine scheur naar perfection. De waarde 0 is de perfectie. Een waarde zoals 0,0001 is als perfect aan te zien. De kwaliteit van het systeem kan dan alleen nog maar verbeterd worden door meer trainingsdata of validatiedata.
Wanneer de classificator bijvoorbeeld wordt getraind op vragen van gebruikers zoals ze in zoekmachines worden ingevoerd of in virtuele assistenten (eenvoudige chatbots) die op websites zijn geïntegreerd, weet de AI welke soort gebruikersvraag is ingevoerd.
Hier een aantal voorbeelden van gebruikersvragen met daaraan toegekende categorieën (schrijf fouten zijn opzettelijk):
- Hallo → Kategorie „Soziale Kommunikation“
- Wie heißt Du or sie liber Bot? → Categorie „Persoonlijke vraag
- Welcher Tag häude? → Kategorie „Frage nach Datums“
- Wo vinden ik dan eigenlijk informatie over hoe men een identiteitskaart aanvraagt? → Categorie „Vraag over paspoortdokumenten
- programmfehler termintoll → Categorie "Fouten voor Third-Level-Service
- Hilfe Wer kan mij helpen om deze formule voor het omhullen van een auto te invullen? dank u, eerbiedwaardige heer of dame → Categorie „Vraag over Pkw-omhulling
De AI-classificator werkt met schrijffouten, verkeerde begrippen en slordig of informeel gestelde vragen prima.
Er zijn nog veel andere voorbeelden mogelijk en zelfs uitvoerbaar. Ofwel met een eigen AI-systeem, ofwel via interfaces naar commerciële chatbots.
Voordelen
De intelligente classificator kan binnen korte tijd op specifieke omstandigheden (berichten of documenten en de bijbehorende categorieën) geprogrammeerd worden, nadat hij eenmaal is ingesteld.
Eens beschikbaar, kan de intelligente classificator onvermoeid zijn werk doen en levert snel antwoord.
Wanneer in de loop van tijd de wens bestaat om nieuwe of andere categorieën te willen hebben, wordt de classificator opnieuw getraind. Dat duurt weer maar een paar minuten of bij veel voorbeelden ook wel enkele uren. Deze moeite is eenmalig.
Try Offline-AI now
Optimizable and with full data control. Economical even in continuous operation.
Fully-controlled data center, no third-parties.
Wanneer dit alles op een eigen AI-systeem wordt gedaan, kan de classificator oneindig vaak verbeterd worden. Dat is belangrijk omdat elk trainingsproces onderhevig is aan toeval. Dat is ongeveer hetzelfde als wanneer een mens een tekst over hetzelfde onderwerp op verschillende dagen zou schrijven (elk keer zou een andere, inhoudelijk vergelijkbare tekst ontstaan).
Verder stromen geen gegevens en waardevolle inzichten naar derden, als men dat niet wil. Wie al klaar is om diensten van anderen te gebruiken, moet niet alleen aan de API van ChatGPT denken. Intussen zijn er ook andere aanbieders beschikbaar, uit Europa, die vooral voor Duitse teksten betere resultaten geven.
De winstgevendheid van deze oplossing is heel erg groot. De voordelen zijn nog en de kosten zijn laag.
Wanneer men deze kunstmatige intelligentie- benadering combineert met gangbare, conventionele methodes, neemt de betrouwbaarheid van de resultaten nog toe.
Conclusie
Op basis van een aantal voorbeelden kan een intelligente classificator voor documenten in bedrijven en overheidsinstanties worden gemaakt. De ontwikkeling vindt plaats in de vorm van doelgericht trainen van een AI-model.
De hardware-eisen voor dit training zijn beperkt en ook met niet bijzonder prestatieve gehuurde hardware realiseerbaar.
De moeite bestaat voornamelijk uit het opstellen van enkele voorbeelden. De beschikbare voorbeelden kunnen kunstmatig vermenigvuldigd worden. De programmeertaak voor de AI-mechanisme is gering.
In een volgende AI-showcase wordt uitgelegd hoe documenten niet alleen geklasseerd, maar ook met elkaar vergeleken kunnen worden. Hierdoor kunnen nog meer processen in het bedrijf nog efficiënter worden georganiseerd. Efficiënter betekent hier dat de beschikbare medewerkers hun werk beter kunnen doen en door de Ontlasting van domme taken waarschijnlijk tevredener zullen zijn. Het aantal banen zal door deze AI-verlichting gelijk blijven.
Een beoordeling van uw toepassingssituatie binnen uw organisatie met betrekking tot de haalbaarheid met AI kunt u kosteloos krijgen. Schrijf gewoon een bericht.
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.
