Automatisierte Auswahl und Nachrichtenaggregation für die Geschäftsberichterstattung
Projektprofil
Der Kunde erkannte unser Potential im Umgang mit großen Textmengen und beauftragte uns zur Erzielung einer Einsparung im Rahmen seiner kundenorientierten Aggregation von Medienartikel. Die Einsparungen der bisher manuell durchgeführten Verarbeitungsschritte zeigt das Potential für unsere Technologie um mit einem unsupervised Ansatz natural language processing (NLP) zu betreiben.
Auf einen Blick - Wesentliche Projektdaten
| Dauer | Von 11/1/2020 to 4/30/2021 with about 6 months of full engagement | |
|---|---|---|
| Data and Tools | Market - News/Media Sources • Nationale Mediendatenbanken 10 Mio Artikel • 800 Medien • 2 Jahre Artikelumfang | |
| Integration | • Web-API - für Metadatenanreicherungen mit modellerzeugten Date • Quality - Reporting: Power BI • ML-Ops: Koppelung mit den Kundensystemen zur kontinuierlichen Übertragung von und zu unseren Modellen | |
| AI Methoden | • NLP • DeepLearning |
Hauptanwendungsfall
Erweitern des Volltextabfrage-Systems mit kontextuellen Ergebnissen bis zum "perfekten" Ergebnis eines Lektors (automatisierte Pressemappe).
Kundenmotivation / Lösungsansätze
Einsparung der manuellen Verdichtungs-/Selektionstätigkeiten
Verbessern der Ergebnisqualität und Überprüfbarkeit der bisherigen Ergebnisse der beteiligten Ressourcen
Überwachung der Qualität, Verbessern der Vorhersagegenauigkeit
Automatisierung des ML-Ops Prozesses bis zum vollständig automatisierten Bericht
AI-Ansatz
| Eingesetzte AI Schlüsseltechnologien | für Kontexte und Inhalte unsupervised Lernen ohne Ontologie Mixed Model Approach Ergebnisoptimierung | |
|---|---|---|
| Lösungsansatz | • Individualisiertes Wortmodell (Deutsch) • SmartSearch ? Licencing • Lemmatizing • Entity Recognition (Namen, Orte, Personen, Rollen) • Deep-Learning | |
| Projekt-Ansatz | Simply agile / Demand Driven | |
| Projekt-Typ | Operations/ML Ops | |
| ML Integration and ML Operations | • Operation-Integration API • VisualizationAPI Power-BI |
Einblicke und Details
Im Ansatz suchen wir unterschiedliche Modelle zur Erreichung der Projektziele.
Wir vergleichen bisherige Herangehensweisen mit unseren Modellen, um im unsuperviced Approach vergleichbare Ziele zu erreichen wie es bisherige Bearbeiter und Bearbeiterinnen tun. Dieses Experten-Wissen wird danach bei uns mit trainierten Ansätzen erweitert und verbessert
Verschneiden der Modelle mit den IST Ergebnissen.
Als ML-Ops Unterstützung liefern wir laufend Reportings zu einzelnen Ereignissen aus.
Hier ein Beispiel zur Inline-Dokumentation eines METADATEN Prozesses für die Kundensystemen (Artikel kann/muss weggelassen oder aufgenommen werden). Wie liefern Sensibilitätsgrenzen für die letztendliche Kundenentscheidung bzgl. des Ergebnisses
