Korrekte Einordnung von juristischen Dokumenten
Projektprofil
Ablegen eines Dokuments. Wir zeigen mit diesem Projekt, dass es möglich ist, Dokumente unterschiedlichster Herkunft und Type aus einem Ablagebestand in einem Sekretariat (Vorgabe zu Ablage) zu erlernen und auf neue Dokumente anzuwenden. So gelingt die Entlastung des Sekretariats und die Kundenorientierung nach dem Ablagewunsch des Nachfragers.
Auf einen Blick - Wesentliche Projektdaten
Dauer | Von 12/1/2018 to 12/1/2018 with about 2 months of full engagement | |
---|---|---|
Data and Tools | Market ? Legal Sources • Exporte aus Kunden-DB • 250 Echt-Dokumente • Erzeugung von 10.000 synthetischen Dokumenten | |
Integration | Web-API für Metadatenanreicherungen mit modellerzeugten Daten zur Weitergabe an das Produktionssystem | |
AI Methoden | • NLP • Deep-Learning • Heuristik • ML-Statistics |
Hauptanwendungsfall
Ablegen von Dokumenten nach ihrem individuellen Ablagedatum im Sekretariat
Kundenmotivation / Lösungsansätze
- Nachbau einer menschlichen Ablagecharakteristik von Dokumenten in einer Kanzlei
AI-Ansatz
Eingesetzte AI Schlüsseltechnologien | Mehrere Datumsangaben (ca. 20 Datumsangaben) je Rechtsdokument möglich. Finde das richtige Datum und lege es auf den ?gelernten? Stoss ? gesamthaft unsupervised trainiert. | |
---|---|---|
Lösungsansatz | • NLP • Deep-Learning • Heuristik | |
Projekt-Ansatz | Simply agile | |
Projekt-Typ | Proof-Of-Concept (POC) | |
ML Integration und ML Betrieb | • Operation-Integration API • VIsualizationAPI |
Einblicke und Details
Multimodell-Ansatz Modell 1 Ergebnisse
Multimodell-Ansatz Modell 2 Ergebnisse
Multimodell-Ansatz Modell 3 Ergebnisse inklusive Topic Modelling zur Identifizierung des Themenclusters eines Dokuments. Lernen mit "Topics" und abgeleiteten Regeln ist einfach!
Auswertung mit einem Deep-Learning-Ansatz, um das beste Ergebnis eines Modells zu ermitteln. Arbeiten mit allen Modellen, um die besten Ergebnisse zu erhalten.
Der Unterschied zwischen den Modellergebnissen und den gemeinsamen Modellergebnissen.