Input Management
Effektivere Dokumentenprozesse mit KI
Bei der Anschaffung eines neuen Input Managements tragen oftmals Fachabteilungen zunächst ihre Bedenken vor: Dazu gehört die Befürchtung, sich einen proprietären Monolith ins Haus zu holen, der mit den Anforderungen bald nicht mehr Schritt halten kann. Doch heutige Systeme arbeiten anders.
Einer der größten Knackpunkte bei der automatisierten Verarbeitung von Briefpost ist: Jeder Absender schreibt zentrale Informationen wie Mandanten-, Vorgangs- oder Rechnungsnummern anders oder an anderer Stelle. Für die Klassifizierung eines Dokumentes sind Variablen, fehlende oder fehlerhafte Informationen sowie unterschiedliche Schreibweisen eine echte Herausforderung.
Während ein menschlicher Bearbeiter aus dem Kontext erkennt, in welchen Prozess, an welchen Bearbeiter oder in welche Akte er ein Dokument einsortieren sollte, muss ein Input-Management-System dafür per Hand konfiguriert werden. Für jede Regel – und häufig zahlreiche Abweichungen – muss ein Bearbeiter vorgeben, wie Zahlen aus Feldern oder Tabellen, Texte aus Formularen oder unformatierten Dokumenten übernommen und richtig in Zielsysteme übertragen werden.
Hier fangen die Probleme an – vor allem für Unternehmen, die täglich hunderte Seiten automatisch verarbeiten sowie Dutzende verschiedene Dokumentenklassen beherrschen müssen. Die Erkennungsrate sinkt, die Präzision, also die richtige Zuordnung, lässt nach, und der Automatisierungsgrad des Systems reduziert sich immer mehr. Als Folge steigen bei vielen Altsystemen die Aufwände für die Systempflege und vor allem die händische Nachbearbeitung der Datenextraktion und Prozesszuordnung.
Zukunftstaugliches Input Management
Input-Management-Lösungen sind mittlerweile oftmals modular aufgebaut und basieren auf aktuellen, weitreichenden Datenbank- und Software-Standards. So bildet beispielsweise das Programmierprinzip Rest (Representational State Transfer) eine Schnittstelle, über die verteilte Systeme und vor allem vernetzte Webservices kommunizieren. Solche Input-Management-Systeme arbeiten mit Micro Services, die auf einer gemeinsamen Software-Plattform basieren.
Änderungen an einzelnen Micro Services haben keine Rückwirkungen auf ältere oder das Gesamtsystem. Sie sind anders als früher schneller und agiler in die Anwendung zu integrieren, aus diesem Grund entwicklungsfähig und ermöglichen einen schnellen Roll-out auch neuer Micro Services. Darüber hinaus sind solche Input-Management-Lösungen oft variabel einsetzbar: On-Premises, in der Cloud oder in einer hybriden Installation. Sie funktionieren meist mit 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.
- Effektivere Dokumentenprozesse mit KI
- Erkennungsrate von 95 Pozent
Lesen Sie mehr zum Thema
