In den letzten Jahren gab es enorme Weiterentwicklungen im Bereich des maschinellen Lernens. Mittlerweile kann jedes Muster in einem Bild, welches von einem Menschen erkannt wird, auch von einer Maschine erkannt werden. Manchmal können Maschinen sogar Strukturen erkennen, die ein Mensch nicht erkennt.
Der Prozess kostet aktuell viel Geld und/oder eine schnellere Bearbeitungszeit bringt deutliche Mehrwerte
Ein (dafür ausgebildeter) Mensch könnte eine gute Entscheidung auf Basis der Inhalte des Textes treffen
Es gibt genügend Daten (Grobe Daumenregel: 500 - 10.000 Dokumente. Die genaue Anzahl hängt selbstverständlich maßgeblich vom Anwendungsfall ab.)
In den letzten Jahren gab es große Fortschritte in Bezug auf die Qualität, mit der Muster in unstrukturierten Daten erkannt werden können. Dies ist neben Hardware-Verbesserungen insbesondere einer Gruppe von Algorithmen zu verdanken, die als neuronale Netze oder als Deep-Learning bezeichnet werden. Das Besondere an diesen Ansätzen ist, dass die Regeln zur Mustererkennung nicht explizit von einem Menschen vorgegeben werden, sondern durch das Netzwerk “von selbst” gelernt werden. Theoretisch ist es so möglich, implizit Millionen von Regeln zu erstellen, die am Ende dazu führen, dass auch komplizierte Muster erkannt werden können. Wir erleben immer wieder, dass nur durch die Kombination aus Kenntnissen über die internen Prozesse mit Expertise im Bereich Natural Language Processing sinnvolle Projekte erkannt und strukturiert werden können. Fragen Sie uns gerne möglichst früh, ob wir eine Prozessautomatisierung für Ihren Anwendungsfall als technisch machbar einschätzen.
Gemeinsam evaluieren wir Ihre Automatisierungs-Projekte anhand von drei Kriterien: Einsparpotentiale, strategische Wertschöpfung and technische Machbarkeit. Sobald wir uns für ein konkretes Projekt entschieden haben, legen wir großen Wert auf die Integration der späteren Anwender der Software.
Unser Team verfügt über langjährige Erfahrung im Bereich der künstlichen Intelligenz. Unsere Algorithmen finden komplizierte Muster in unstrukturierten Daten (z.B. Bilder oder Texte). Diese Mustererkennung bildet die Basis für die Automatisierung des zugrundeliegenden Prozesses.
Großen Wert legen wir auf die Integration unserer Kunden in unsere Code Repositories sowie in wöchentliche Projektmeetings. Agilität, sauberer Code und eine modulare Programmstruktur helfen uns, einfach zu wartende Software zu liefern, die funktioniert.
Fabian Gringel
Machine Learning Scientist
Dr. Mattes Mollenhauer
Machine Learning Scientist
Konrad Mundinger
Ewelina Fiebig
Machine Learning Scientist
Fabian Gringel
Machine Learning Scientist
Ewelina Fiebig
Machine Learning Scientist
Fabian Gringel
Machine Learning Scientist
Dr. Konrad Schultka
Machine Learning Scientist
Jona Welsch
Machine Learning Project Lead
