dida Logo
Home › 
Industries › 
Back Office

Back Office

Entlastung der Mitarbeitenden von monotonen Aufgaben ohne Einbußen in der Bearbeitungsqualität

Preview image

Mit Machine Learning können Backoffice-Prozesse optimiert werden, indem:

Zeit und Ressourcen bei nicht wertschöpfenden Aufgaben eingespart werden, z. B. durch die automatische Zuordnung von Dokumenten oder Anfragen
Mitarbeiter und Kunden einfach und ohne zusätzliche menschliche Interaktion relevante Informationen zu ihrer Anfrage finden
die Zeitspanne zwischen Anfrage und Antwort reduziert und die Qualität des Kundenservices erhöht wird

Projekte in Back Office

Alle Projekte zeigen

Rechtliche Überprüfung von Mietverträgen

Different methods from the field of NLP helped us to create a software that spots errors in legal contracts

Semantische Suche für die öffentliche Verwaltung

dida entwickelte einen KI-basierten Algorithmus zur Extraktion relevanter Informationen aus Behördendokumenten

Automatische Überprüfung von Nebenkosten­abrechnungen

Extraktion numerischer Attribute aus Produktbeschreibungen

Automatisches Extrahieren von numerischen Attributen aus Produktbeschreibungen, um die bestehende Datenbank anzureichern.

Informationen aus Kundenanfragen extrahieren

In this project we created a model that when given a free form vet appointment reason can extract symptoms, diseases and requested services. This data can then be used by our client to improve scheduling and preparation.

Automatische Zugangskontrolle mit Gesichtserkennung

We developed a multi-level security system with facial recognition for automatic access control.

Blog Posts in Back Office

Alle Blog Posts zeigen
Einführendes

Der Projektantrag - der erste Schritt zu einem erfolgreichen ML-Projekt

Von Emilius Richter 18. Juli 2022

Für einen Softwareanbieter ist der Projektantrag der erste Schritt zur Erfüllung der Anforderungen des Kunden. In diesem Artikel werde ich die wichtigsten Module in Machine-Learning-Projektanträgen beschreiben.

Einführendes

Ethik im Natural Language Processing

Von Dr. Marty Oelschläger 20. Dezember 2021

Ich erkläre, warum Sprachmodelle dazu neigen, Stereotypen und Vorurteile mit potenziell schädlichen Folgen zu reproduzieren - und wie man sie mit der gebotenen Vorsicht einsetzt.

Natural Language Processing

GPT-3 und darüber hinaus - Teil 2: Schwächen und Gegenmittel

Von Fabian Gringel 24. Oktober 2021

Hier erkläre ich, in welchen Situationen GPT-3 noch scheitert, welche Ansätze helfen können, diese Probleme zu entschärfen und vielleicht zum nächsten Durchbruch führen und welche Alternativen zu GPT-3 es bereits gibt.

Natural Language Processing

GPT-3 und darüber hinaus - Teil 1: Das Grundrezept

Von Fabian Gringel 27. September 2021

In diesem Blogartikel erkläre ich, wie GPT-3 funktioniert, warum manche Leute es für gefährlich halten und wie Sie selbst ein GPT-3-ähnliches Modell kostenlos ausprobieren können.

Projects

21 Fragen, die wir unseren Kunden stellen: Start eines erfolgreichen ML-Projekts

Von Emilius Richter 21. Mai 2021

Wir besprechen, welche Fragen im Vorfeld berücksichtigt und beantwortet werden sollten, um ein erfolgreiches Machine-Learning-Softwareprojekt zu starten.

Natural Language Processing

Text aus PDF-Dateien extrahieren

Von Text aus PDF-Dateien extrahieren 17. August 2020

Im Folgenden möchte ich die Open-Source-Python-PDF-Werkzeuge PyPDF2, pdfminer und PyMuPDF vorstellen, die zur Extraktion von Text aus PDF-Dateien verwendet werden können. Ich werde ihre Funktionen vergleichen und auf einige Nachteile hinweisen.

Natural Language Processing

Mit BERT automatisiert Fragen beantworten (Teil 2)

Von Dr. Mattes Mollenhauer 2. Juli 2020

Hier werden wir einen genaueren Blick auf BERT werfen - ein State-of-the-Art-Modell für verschiedene Probleme in NLP. Wir werden BERT verwenden, um das Problem der automatisierten Fragebeantwortung mit biomedizinischen Forschungsarbeiten als konkreten Anwendungsfall anzugehen.

Tools

Die besten kostenlosen Labeling-Tools für NLP-Textannotationen

Von Fabian Gringel 30. März 2020

In diesem Blogbeitrag stelle ich die drei besten freien Text-Annotationstools für die manuelle Beschriftung von Dokumenten in NLP-Projekten vor. Sie erfahren, wie Sie sie installieren, konfigurieren und verwenden können und finden heraus, welches von ihnen am besten für Ihre Zwecke geeignet ist. Die Tools, die ich vorstellen werde, sind brat, doccano und INCEpTION.

Use Cases in Back Office

Alle Use Cases zeigen