Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
8 l 2020 office & Kommunikation l Input Management l 29 jedem Standardbrowser und sind responsive programmiert Außerdem integrieren sie mittlerweile in vielen Fällen KI-Funktionen die bei der Datenextraktion und Klassifizierung von Dokumenten in der Praxis helfen sollen Selbstlernende KI steigert Treffsicherheit Um Inhalte richtig zu verstehen und um sie dann zuzuordnen kommen in verschiedenen Input-Management-Lösungen KI-Algorithmen zum Einsatz Natürlich muss ein solches System zunächst für die Kundenanforderungen konfiguriert und für die verschiedenen Dokumentenklassen angelernt werden Dafür braucht es Trainingsdaten mit denen die KI mit den zuvor definierten Regeln lernt Durch menschliche Korrekturen eignet sich die KI das Wissen an wie sie künftig die Regeln anwenden soll Die Wege der Lernerfolge lassen sich mittlerweile automatisiert zurückverfolgen und feinsteuern Denn Die KI-Algorithmen lernen aus den eigenen Fehlern Die Erkennungsrate und die Präzision steigen und damit auch der Automatisierungsgrad Die komplexen Funktionen dahinter basieren auf maschinellem Lernen Machine Learning Die Klassifizierung und Erkennung von Dokumenten mit ML erfolgt im laufenden Produktivbetrieb mit den eingehenden Dokumenten sowohl mit einem überwachten als auch mit einem unbeaufsichtigten kontinuierlichen Training Beim überwachten Lernen analysieren die Sachbearbeiter die Klassifikationen der ihnen zugeordneten Dokumente korrigieren Falscheinträge oder unzulässige Interpretationen und bewerten sie Mit diesen Korrekturen oder Freigaben geben sie den KI-Algorithmen auch neue Muster oder modifizieren bisher gelernte Regeln Diese Korrekturen nutzt die KI um mit unbeaufsichtigtem Lernen sich selbständig zu verbessern Die Algorithmen verfeinern damit ihre Erkennungsleistung im laufenden Produktivbetrieb Damit generiert die KI zusätzliches Wissen über Regeln und Ausnahmen und baut sie in ihre weitere Anwendung ein Die KI lernt also einerseits selbsttätig orientiert sich aber am Menschen und das bei einer größtmöglichen Transparenz und Nachvollziehbarkeit ihrer Lernerfolge Erkennungsrate von 95 Pozent Das soll wiederum eine schnelle Integration der Input-Management-Lösungen in die bestehende IT-Landschaften der Unternehmen sicherstellen Meist können solche Lösungen schnell eine Erkennungsrate von bis zu 95 Prozent und eine Präzision von bis zu 99 Prozent erreichen Bei täglich 1 000 Dokumenten wären dann noch bei 50 bis 60 Dokumenten nach der Klassifikation Korrekturen durch den Menschen notwendig Auf dieser Basis kann eine KIbasierte Input-Management-Lösung je nach Unternehmensgröße gegebenenfalls schnell Einsparungen erzielen wie ein Praxisbeispiel aufzeigen soll Ein IT-Dienstleister für Banken der jährlich über 30 Millionen Seiten mit 120 Dokumentenklassen verarbeitet erreichte nach Installation Konfiguration und dem Anlernen einen Automatisierungsgrad von 89 Prozent und eine Präzision von 97 5 Prozent Das Unternehmen berechnete nach Einführung eines solchen Systems eine Einsparung von 350 000 Euro pro Jahr Ein Input-Management-System ist aber kein Standard-Tool das sich per Plug & Play implementieren lässt Je nach Anforderungen den bisherigen Abläufen und der Erwartungshaltung bei Kunden können sowohl Beratern als auch Auftraggebern verschiedene Fehler unterlaufen Deshalb steht am Anfang ein Umsetzungskonzept Darin wird definiert wie die bisherigen Prozesse in dem neuen System transformiert und künftig abgebildet werden sollen Für den Berater bedeutet dies dass er die vorhandenen Prozesse analysieren und mit dem Kunden ein neues Prozessdesign entwickeln muss Denn die optimale Performance erzielt ein Unternehmen erst dann wenn es auch bereit ist gegebenenfalls eingefahrene Prozesse anzupassen und sich auf marktübliche Best Practices des Systems einzulassen In der Praxis tun sich aber Fachabteilungen schwer damit ihre früheren Bearbeitungsmuster zu revidieren Werden diese Widerstände nicht erkannt kann es bereits zu Fehlern beim Prozessdesign kommen Das führt dann später im Livebetrieb zu Beeinträchtigungen beim Automatisierungsgrad und bei der Präzision Dann müssen Kunden und ihre Berater das Prozessdesign nochmal anpassen Weitere mögliche Fallstricke bei der Integration Eine KI kann nur so gut trainiert sein wie die Trainingsmenge es hergibt Eine weitere Hürde kann sich daher ergeben wenn bei Auswahl und Zusammenstellung der Trainingsdaten sowie bei der Definition der Verarbeitungsregeln Fehler unterlaufen Denn die KI kann nur mit Dokumenten trainiert werden wenn für diese auch die Regeln für Auswertung und Klassifizierung richtig definiert sind Ein weiterer kritischer Punkt kann darüber hinaus die Infrastruktur sein in der das Input-Management-System künftig betrieben wird Je nach Anzahl der täglich zu verarbeitenden Dokumente sollte eine flexibel einsetzbare Hardware-Architektur zum Einsatz kommen Bei einer Cloudnativ entwickelten Lösung bietet sich auch eine Cloud-Infrastruktur an In der Praxis ist es deshalb empfehlenswert die Server im eigenen Rechenzentrum gegebenenfalls um Privateoder Public-CloudKapazitäten zu ergänzen Vor allem wenn es beispielsweise zum Quartalsende zu einem deutlich höheren Dokumentenaufkommen kommt Bei einer volatil schwankenden Verarbeitungslast an Dokumenten garantiert ein solches Elastic Computing eine gleichmäßig gute Performance Auf dem Weg zu Endto-End-Prozessen Veraltete und monolithische Lösungen beschäftigen in vielen Unternehmen mittlerweile ganze Abteilungen für die Nachbearbeitung der Dokumentenklassifikation Solche Systeme können mit dem Wachstum meist nicht mehr Schritt halten sind unflexibel und haben häufig ohnehin das Ende ihres Lebenszyklus erreicht Unternehmen die bisher viel Zeit mit Überwachung und Korrekturen ihres Input Managements aufwenden können mit einem KIbasierten Input Management einen großen Schritt auf dem Weg zu einer EndezuEnde-Digitalisierung ihrer Prozesse machen Daniel Szlapka ist Managing Director der DTI GmbH