Blog

FIS-SST

KI – wie sie bei der Geschäftstätigkeit hilft

Künstliche Intelligenz

Michał Koźlik

Einführung

Bei einigen Geschäftsprozessen gibt es Anforderungen, die erfüllt werden müssen, damit sie ordnungsgemäß funktionieren. Beispiel Garantie: Wenn ein Kunde eine Reparatur oder einen Austausch benötigt, muss er mehrere Bedingungen erfüllen, um einen Garantieantrag zu stellen.

Wenn ein Garantieantrag abgeschickt wird, kommt es häufig vor, dass er abgelehnt wird, weil er nicht korrekt beschrieben ist oder weil Dokumente und Fotos fehlen. Eine solche Ablehnung durch den Dienst und die Notwendigkeit einer Korrektur nehmen viel Zeit in Anspruch. Zeit, die durch ein intelligentes System eingespart werden könnte, das solche fehlerhaften Anträge frühzeitig erkennt und den Nutzer warnt.

Wir bei FIS-SST hatten die Idee, ein Modul zu entwickeln, das einen Garantieabsender warnt, wenn sein Antrag (die beigefügten Dokumente und Fotos) unvollständig ist. Für diesen Fall haben wir KI eingesetzt.

Was ist eigentlich Künstliche Intelligenz (KI) und Maschinelles Lernen (ML)?

Künstliche Intelligenz, auch bekannt als maschinelle Intelligenz, ist ein Zweig der Informatik und des Ingenieurwesens, der darauf abzielt, menschliche Intelligenzprozesse zu simulieren, indem er Software mit der Fähigkeit ausstattet, ihre Umgebung entweder anhand vorgegebener Regeln und Suchalgorithmen oder anhand von maschinellen Lernmodellen zur Mustererkennung zu analysieren und dann auf der Grundlage dieser Analysen Entscheidungen zu treffen. Der Begriff kann für Maschinen verwendet werden, die durch Lernen, Anpassung und Problemlösung der menschlichen Intelligenz nahe kommen.

Maschinelles Lernen ist die Fähigkeit von Software, mit Hilfe von Algorithmen Muster aus Daten zu lernen und auf neue Dateninstanzen zu reagieren und Verhaltensweisen zu entwickeln.

Umgebung

Die eindeutigste Wahl erwies sich die Programmiersprache Python. Wir haben die kostenlose Entwicklungsumgebung von Google namens Colab (https://colab.research.google.com/) verwendet. Sie ermöglicht das Schreiben und Ausführen von Python-Code direkt in Ihrem Browser, so dass keine Konfiguration erforderlich ist, der Code leicht weitergegeben werden kann und Sie freien Zugang zu GPUs haben. (Es gibt auch andere Alternativen wie z. B. Kaggle: https://www.kaggle.com/)

Als Speicherplattform für die Daten haben wir Google Drive (https://drive.google.com/) verwendet, was eine logische Konsequenz aus der Wahl von Googles Colab war, da sie leicht zusammenarbeiten können.

Bibliotheken


1.       PyTorch
2.       NumPy

Architektur neuronaler Netze

Die Klassifizierung/Erkennung von Bildern wird im Bereich des maschinellen Lernens durch eine Art von neuronalen Netzen, die sogenannten Convolutional Neural Networks, durchgeführt. Als spezifische Architektur für unseren Fall haben wir das Modell ResNet34 gewählt, das von der PyTorch-Bibliothek bereitgestellt wird.

Hier können Sie mehr über das ResNet34 erfahren:

https://www.kaggle.com/pytorch/resnet34

https://medium.com/analytics-vidhya/understanding-resnet-architecture-869915cc2a98

und hier über andere Architekturen/Alternativen:

https://towardsdatascience.com/top-10-cnn-architectures-every-machine-learning-engineer-should-know-68e2b0e07201

Um eine Vorstellung davon zu bekommen, wie das ResNet34-Netzwerk aussieht, können Sie sich das folgende Diagramm ansehen:

Übrigens, wenn Sie Ihr eigenes Modell als Datei haben (z.B. .pt, .onnx), können Sie mit der kostenlosen Webanwendung ein Diagramm dafür erstellen: https://netron.app/

Verfahren/Methodik

Um das gelernte Modell zu erhalten, haben wir folgende Schritte durchgeführt:

1.       Etwa 20000 Bilder wurden klassifiziert (mit einer Klassennummerierung von 0 bis 8); dies geschah manuell mit einem selbst geschriebenen einfachen Tool

a.       Die Klassifizierung der Bilder wurde in einer .CSV-Datei gespeichert, die die Paare „Dateiname;Klasse“ enthielt, zum Beispiel:

•         7bf7a9d60ba94825a81ee31a4dd53d96.jpg;2

•         601bac4968e14bbe98a92ee06e0dacfc.jpg;7

•         1a361d2f62c84e6480c2e9f0066231ca.jpg;3

2.       Python-Array-Strukturen für das Training wurden auf der Grundlage der Bilder und der Klassifizierung (in einer lokalen Umgebung) vorbereitet

a.       Der Grund dafür, dies lokal zu tun, war, die Größe der Dateien zu begrenzen, die auf das Google-Laufwerk übertragen wurden, und damit die Übertragung zu beschleunigen und Speicherplatz zu sparen; statt Gigabytes von Bildern zu übertragen, kopierten wir nur die vorbereiteten .npy-Dateien

3.       Die .npy-Dateien wurden auf das Google-Laufwerk übertragen

4.       Das maschinelle Lernen wurde mit Trainings- und Validierungsdaten in der Colab-Umgebung durchgeführt.

5.       Das trainierte Modell wurde mit separaten Testdaten getestet.

Zusammenfassung

Unser Team hat der Software beigebracht, die erforderlichen Dokumente und Fotos zu erkennen, so dass der Benutzer gewarnt werden kann, wenn erforderliche Dokumente fehlen. In einigen Geschäftsprozessen kann ein intelligentes, gut implementiertes KI-Modul hilfreich sein, um Zeit und Kosten in Unternehmen zu sparen und die Nutzer bei ihrer täglichen Routinearbeit zu unterstützen.

Kontaktformular

Lukas Schikora

Project & Operations Manager

Bitte zögern Sie nicht, mich telefonisch oder per E-Mail zu kontaktieren

Download

Damit der Download erfolgen kann, geben Sie bitte hier Ihren Namen und Ihre E-Mail Adresse ein.

Unternehmensinformationen herunterladen (PDF)

Damit der Download erfolgen kann, geben Sie bitte hier Ihren Namen und Ihre E-Mail Adresse ein.

Grenzüberschreitendes Unterstützungskonzept

Damit der Download erfolgen kann, geben Sie bitte hier Ihren Namen und Ihre E-Mail Adresse ein