Die Herausforderung: Zigtausende Dokumente erkennen, unterscheiden und sofortiges Feedback an Kunden geben

Unser Ziel war es, die Uploads von Kunden-Dokumenten in Echtzeit zu verarbeiten und den Kunden eine sofortige Rückmeldung über die Korrektheit ihrer Eingaben zu geben. Bei diesem Prozess müssen die Kunden Bilder der Vorder- und Rückseite ihres Fahrzeugscheins hochladen, um sich für die THG-Quote-Auszahlungen zu qualifizieren. 

Wir haben dies durch ein intelligentes, auf künstlicher Intelligenz basierendes System mit einer außergewöhnlichen Genauigkeit von 99,9 % erreicht, welches die hochgeladenen Bilder in vier verschiedene Gruppen sortiert. 

Mit anderen Worten: Durch den Einsatz modernster Deep-Learning-Technologie unterscheidet unsere Anwendung effektiv zwischen:

• Vorder- und Rückseite
• beiden Seiten innerhalb eines Dokuments 
• oder dem Fehlen einer der beiden Seiten in dem hochgeladenen Dokument

Ein zuverlässiges Tool zur KI-Dokumentenverarbeitung 

• verbessert nicht nur das Kundenerlebnis, 
• sondern erhöht auch die Datenpräzision für Unternehmen, 
• was letztlich Zeit spart 
• und Frustrationen abbaut.

Die Lösung: Schnelle Datenverarbeitung mit Deep Learning

Vorverarbeitung der Daten für Deep Learning-Modelle: In dieser entscheidenden Phase wird der Datensatz einem sorgfältigen Organisationsprozess unterzogen, der dazu führt, dass bestimmte Bilder von der weiteren Analyse ausgeschlossen werden, während andere die Bezeichnungen „vorne“, „hinten“, „beide“ oder „keine“ erhalten. 

Etwa 60.000 Bilder wurden beschriftet und zum Trainieren unserer Deep-Learning-Modelle verwendet, die sorgfältig in Trainings-, Validierungs- und Test-Teilmengen unterteilt wurden. Die kontinuierliche Modellvalidierung ist im Verlauf des Trainings von größter Bedeutung, um Robustheit zu gewährleisten, und die Modelle werden strikt an Bildern getestet, mit denen sie noch nie zuvor in Berührung gekommen sind, um ihre Generalisierbarkeit und Leistungsgenauigkeit sicherzustellen.

Auswahl und Training der Modellarchitektur: Wir haben etablierte Architekturen wie VGGNet, Inception, ResNet und EfficientNet aufgrund ihrer gut dokumentierten hohen Leistung ausgewählt. Um einen fairen Vergleich zu gewährleisten, haben wir diese Modelle mit identischen Teilmengen für Training, Validierung und Test bewertet, um eine einheitliche Grundlage für die Bewertung zu erhalten.

Auswertung der Trainingsergebnisse: VGGNet erwies sich in allen vier Kategorien (vorne, hinten, beide, keine) als Spitzenreiter und erreichte eine beeindruckende Gesamteffizienz von 99,9 %, als es mit dem als Testsatz vorgesehenen Datensatz getestet wurde. 

Versionierung, Code-Tests und Einsatz: Die Versionierung der Deep Learning – Modelle ist von entscheidender Bedeutung, um eine kontinuierliche Verfolgung der eingesetzten Modelle zu gewährleisten. Dies ermöglicht ein fortlaufendes Testen des eingesetzten Modells in realen Szenarien und erleichtert den Einsatz neuerer Modelle mit verbesserter Genauigkeit, sobald diese verfügbar sind, wie in der Grafik des kontinuierlichen KI-Zyklus dargestellt.

Nutzen für das Unternehmen: Erhebliche Zeiteinsparung, verbesserte interne Kommunikation

Das Echtzeit-Feedback während der Registrierung führt die Kunden nicht nur zum Erfolg, sondern trägt auch zu einer höheren Kundenzufriedenheit bei. Darüber hinaus spart es sowohl den Kunden als auch dem Kundendienst viel Zeit, da immer weniger nicht-eindeutige Anträge erneut geprüft werden müssen.
Der Einsatz einer intelligenten Dokumentenidentifikation führt auch zu einer erheblichen Zeitersparnis für das Technik-Team, da es mit einer effizienteren Datenbank arbeiten kann, die nur zulässige Anträge enthält. Darüber hinaus wird die Kommunikation zwischen den interdisziplinären Abteilungen innerhalb des Unternehmens verbessert, was letztlich die Gesamtleistung des Unternehmens steigert.