Ausgangssituation
Ein Unternehmen aus der Finanzbranche erkannte die strategische Chance, die Bearbeitung eingehender Kundenanfragen mit modernen Verfahren der natürlichen Sprachverarbeitung weiterzuentwickeln. Bis dahin mussten Nachrichten manuell gesichtet, thematisch eingeordnet und an die zuständigen Fachmitarbeiter weitergeleitet werden. Dieser Prozess band wertvolle Kapazitäten und erschwerte eine einheitliche Bearbeitung bei steigenden Eingangsmengen.
Gesucht war eine Lösung, die unterschiedliche Anliegen zuverlässig erkennt und gleichzeitig die besonderen Anforderungen an Datenschutz und Nachvollziehbarkeit im Finanzsektor berücksichtigt. Neben der reinen Themenklassifikation sollte das System relevante Informationen aus den Nachrichten extrahieren, sensible Daten schützen und zusätzliche Merkmale wie Tonalität oder Anhänge für die weitere Bearbeitung nutzbar machen.
Unsere Lösung
AMAI entwickelte ein System zur automatisierten E-Mail-Klassifikation und Informationsextraktion auf Basis moderner Methoden der natürlichen Sprachverarbeitung. Die Lösung verbindet spezialisierte Transformer-Modelle mit einer strukturierten Daten- und Bereitstellungslogik. Dadurch werden fachliche Anforderungen, Datenschutz und der zuverlässige Einsatz in der Finanzbranche gemeinsam berücksichtigt.
- Mehrstufige Themenklassifikation: Vortrainierte und feinabgestimmte Transformer-Modelle ordnen eingehende Kunden-E-Mails zunächst übergreifenden Themen und anschließend detaillierteren Kategorien zu. Die hierarchische Klassifikation bildet die fachliche Struktur der Anfragen ab und ermöglicht eine präzisere Weiterleitung als eine einfache Zuordnung zu wenigen Oberkategorien. So erhalten zuständige Mitarbeiter Nachrichten mit passendem Kontext für die weitere Bearbeitung.
- Informationsextraktion und Anonymisierung: Verfahren zur Named Entity Recognition erkennen sensible Informationen innerhalb von Nachrichten und machen sie für nachgelagerte Verarbeitungsschritte kontrollierbar. Personenbezogene oder andere schützenswerte Angaben können automatisiert anonymisiert werden. Der Datenschutz wird damit bereits in der Verarbeitung berücksichtigt, ohne dass die fachlich relevanten Inhalte für Klassifikation und Weiterleitung vollständig verloren gehen.
- Strukturierte Trainingsdaten: Für die Weiterentwicklung der Modelle wurden geeignete Trainingsdaten aufgebaut und anhand eines überarbeiteten Labeling-Konzepts annotiert. Die strukturierte Kennzeichnung schafft eine verlässlichere Grundlage für Textklassifikation und Informationsextraktion. Mit Label Studio konnten Annotationsprozesse nachvollziehbar organisiert und neue fachliche Kategorien systematisch in die Modellentwicklung einbezogen werden.
- Erweiterte Merkmale für die Bearbeitung: Neben dem Hauptthema einer Nachricht berücksichtigt die Lösung zusätzliche Informationen, die für die Priorisierung und Weiterleitung relevant sind. Dazu gehören eine Analyse der Tonalität sowie die automatische Einordnung von Anhängen. Diese ergänzenden Merkmale helfen dabei, Kundenanliegen vollständiger zu erfassen und die nachfolgenden Arbeitsschritte im Finanzservice gezielter zu unterstützen.
- Produktionsnahe Modellbereitstellung: Die trainierten Modelle werden über den NVIDIA Triton Inference Server bereitgestellt. Ein zentraler Inferenzdienst ermöglicht eine einheitliche Nutzung der Modelle und unterstützt die effiziente Verarbeitung eingehender Nachrichten. Die technische Struktur schafft zugleich eine Grundlage, um Modelle kontrolliert zu aktualisieren und unterschiedliche Klassifikations- und Extraktionsaufgaben in einer gemeinsamen Lösung zu betreiben.
Eine besondere Herausforderung lag in der Verbindung von Datenqualität, Datenschutz und fachlicher Genauigkeit. Trainingsdaten mussten sorgfältig geprüft und bei Bedarf neu aufgebaut werden. Gleichzeitig wurden unterschiedliche Ansätze für klassische Transformer-Modelle und moderne generative Sprachmodelle untersucht, um die Eignung für hierarchische Mehrfachklassifikation unter realistischen Bedingungen zu bewerten. Die Lösung wurde dabei so ausgerichtet, dass technische Weiterentwicklung und regulatorische Anforderungen zusammenpassen.
Ergebnisse & Business-Impact
Die entwickelte Lösung wurde in mehreren Umgebungen der Finanzbranche praxisnah erprobt und für den breiten Einsatz weiterentwickelt. Eingehende Nachrichten können automatisiert klassifiziert, mit relevanten Informationen angereichert und an die jeweils zuständigen Stellen weitergeleitet werden. Die Kombination aus Themenklassifikation, Informationsextraktion und Anonymisierung bildet dabei einen durchgängigen Prozess für die intelligente Verarbeitung von Kundenkommunikation.
Für die beteiligten Finanzorganisationen entsteht dadurch eine bessere Grundlage für eine konsistente und effizientere Bearbeitung von Kundenanfragen. Manuelle Sortier- und Weiterleitungsschritte werden reduziert, während sensible Inhalte kontrollierter verarbeitet werden können. Die integrierte Analyse von Tonalität und Anhängen erweitert den Informationsgehalt der Zuordnung und unterstützt eine gezieltere Reaktion auf unterschiedliche Anliegen.
Auch technisch schafft das Projekt eine belastbare Basis für den weiteren Ausbau von KI-Anwendungen in regulierten Umgebungen. Die Erfahrungen aus Datenaufbereitung, Modellvergleich, Anonymisierung und produktionsnaher Bereitstellung lassen sich auf weitere Anwendungsfälle der Dokumenten- und Nachrichtenverarbeitung übertragen.
