AI und Maschine Learning im Intranet

Künstliche Intelligenz macht Ihr Intranet noch schlauer

Interne Prozesse mit KI vereinfachen und automatisieren.

KI basierte Intranet-Lösungen

Die finale Stufe der Automatisierung

Mit Verfahren des maschinellen Lernens können interne Prozesse teilweise oder sogar komplett automatisiert werden. Aufbauend auf den übergreifend verfügbaren Datenmengen innerhalb des narvika Intranets bieten sich vielfältige Möglichkeiten der tieferen Optimierung und Automatisierung mittels KI an. Dieser Schritt bietet sich meist erst dann an, wenn klassische regelbasierte Verfahren ausgereizt oder die Verarbeitung großer Datenmengen nicht mehr praktikabel sind.

Diesem Grundsatz entsprechend haben wir die narvika Angebote gestaltet: Starten Sie mit dem soliden Handwerk zum günstigen Festpreisangebot inklusive ausgereifter regelbasierter Verfahren und verwirklichen Sie bereits deutliche Zeitersparnisse und Effizienzsteigerungen im Unternehmen. Erweitern Sie bei Bedarf einzelne Prozesse oder Funktionen mit selbstlernenden Modulen.

Kontext automatisch erkennen

Texte analysieren und zielgerichtet verarbeiten

Ein gängiger Anwendungsfall ist die autonome Klassifikation von großen Textmengen und entsprechende Zuweisung an einen passenden Folgeprozess. Dabei stehen bereits vortrainierte Module zur Verfügung, die für den spezifischen Einsatz im Unternehmen oder bestimmter Branchen erweitert werden.

Beispiel: E-Mail Klassifikator zur maschinellen Vorsortierung von Supportanfragen. Nach dem spezifischen Training der Module können neue Supportanfragen autonom analysiert, eingeordnet und priorisiert an die richtigen Mitarbeiter weitergeleitet oder gemäß bestimmter Kriterien sogar automatisch beantwortet werden.

KI basierte Suchmaschine

Noch relevanter Finden

Die aktuelleste Version der intergator Suchmaschine, integriert im narvika Enterprise, verbindet die klassischen schlagwortbasierten Suchprinzipien mit Verfahren des maschinellen Lernens, um größte Datenmengen noch präziser zu verwalten und beste Suchresultate zu ermöglichen. Dabei kann die Suchabsicht des Benutzers auch bei generischen Anfragen noch genauer erkannt und die Treffer entsprechend relevanter ausgespielt werden.

Beispiel: Der Begriff "Bank" kann sehr unterschiedliche Dinge bedeuten. Es gibt die Parkbank sowie Kreditinstitute. Mit einer reinen keywordbasierten Suche konkurrieren diese beiden Bedeutungen und führen zu unpräzisen Suchergebnissen. Mit dem zusätzlichen kognitiven Ansatz kann die Einordnung in Bedeutungsbereiche weiter eingegrenzt und auf diese Weise noch zielgerichtetere, relevantere Ergebnisse geliefert werden.

narvika selbstlernende Suche

KI-Suche: Weitere Features und Anwendungsfälle

Informationen finden, obwohl der Suchbegriff nicht vorkommt

Sie suchen nach einem bestimmten Begriff, aber das gewünschte Dokument umschreibt lediglich dieses Wort oder Wortkombination. Exakte schlagwortbasierte Suchmaschinen liefern hier kein Resultat. Ein neuer Ansatz zur Lösung dieses Problems ist die Nutzung Methoden des maschinellen Lernens. Hier klassifiziert und kategorisiert ein trainierter Computer eigenständig Inhalte und Daten und verortet diese innerhalb eines multidimensionalen Vektorraumes. Sucht man nun nach einem Begriff, gibt die Suche nicht nur die exakten, sondern auch die inhaltlich relevanten Treffer zurück – unabhängig davon, ob der Begriff darin vorkommt oder nicht. Die exakte wird durch eine konzeptionelle Suche ergänzt.

Automatische Bilderkennung

Bilder manuell mit Schlagworten zu versehen ist ein lästiges Unterfangen und wird in der Hektik des Arbeitsalltags häufig vernachlässigt. Auch hier können auf maschinellem Lernen basierte Verfahren Abhilfe schaffen und den Inhalt des Bildes automatisch erkennen. Mit dieser Erkenntnis können passende Schlagwörter automatisiert werden oder unmittelbar der nächste Prozessschritt angestoßen werden. Bilder werden hier anhand der reinen Bildinformation klassifiziert und kategorisiert. Hautärzte setzten ähnliche Methoden bereits zur Früherkennung von Hautkrebs ein, aber auch im Unternehmenskontext bieten sich praktische Beispiele an:

Ersatzteilerkennung: Das defekte Teil wird fotografiert und automatisch mit der Ersatzteildatenbank abgeglichen. Die entsprechende Nachbestellung kann vorgeschlagen oder direkt ausgelöst werden
Schadenmangement: Bilder von beschädigten Artikeln, Pakete oder mit unvollständigen Referenzen können automatisiert, vorsortiert und kategorisiert werden.
Ähnlichkeitssuche: Im Ecommerce häufig genutzte Empfehlungsfunktion für ähnliche Produkte oder Dienstleistungen anhand von Fotos.

Fremdspracheninterpretation ohne Übersetzung

Mit Machine Learning Methoden erkennt der Computer den eigentlichen Inhalt des Dokuments und ordnet diesen basierend auf vorherigen Erfahrungen entsprechend ein. Dies erfolgt losgelöst von den einzelnen Worten im Text und für die Suche ergeben sich aufgrund der dahinter liegenden Vektor-Mathematik zusätzliche Anwendungsszenarien wie bspw. die übergreifende Suche in fremdsprachigen Texten ohne deren Übersetzung.