Bei der Anschaffung eines neuen Input Managements tragen in vielen Unternehmen die Fachabteilungen zunächst ihre Bedenken vor: Datenschutz, Administration und Kosten werden ins Feld geführt und die Angst, sich wieder einen proprietären Monolith ins Haus zu holen, der früher oder später entweder mit den Anforderungen oder dem Wachstum nicht Schritt halten kann. Heutige Systeme entsprechen aber nicht mehr trägen IT-Tankern; sie sind agil, miteinander vernetzt und stellen unterschiedliche Micro Services bereit. Sie sind nämlich modular aufgebaut, basieren auf aktuellen Datenbank- und Software-Standards. So bildet z.B. das Programmierprinzip Rest (Representational State Transfer) eine Schnittstelle, über die verteilte Systeme und vor allem vernetzte Webservices kommunizieren. Neuere Input Management Systeme arbeiten mit solchen 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. Sie sind deshalb entwicklungsfähig und ermöglichen einen schnellen Roll-out auch neuer Micro Services. Solche Lösungen können darüber hinaus variabel eingesetzt werden: Ob On-Premise, nativ in der Cloud oder in einer hybriden Installation bieten sie den Anwendern eine hohe Nutzer-Experience. Sie funktionieren mit jedem Standardbrowser, sind selbstverständlich responsive programmiert und lassen sich daher mit ihrer grafischen Benutzeroberfläche (GUI, Graphic User Interface) von jedem Endgerät mit Internetzugang aus nutzen. Vor allem integrieren sie KI-Funktionen, die bei der Datenextraktion und Klassifizierung von Dokumenten in der Praxis unverzichtbare Vorteile bieten.
Sprache verstehen
Je nachdem, welche Dokumentenklassen, Prozesse und Bearbeiter in einem Unternehmen bestehen und wie umfangreich Rechnungen, Anträge oder gar Verträge sind und extrahiert werden müssen, um sie richtig zuzuordnen, muss ein IMS agil und leistungsfähig sein. Auf Standardfunktionen wie optische Texterkennung mittels OCR(Optical Character Recognition) kommt es dabei natürlich weiterhin an. Wichtiger ist aber ein Verständnis natürlicher Sprache (Natural Language Processing, NLP), um Inhalte richtig zu verstehen, sie also auszuwerten, um sie dann erst zuzuordnen. Für diese Aufgaben kommen in fortschrittlichen Input Management Lösungen KI-Algorithmen zum Einsatz, die bei der semantischen und kognitiven Interpretation bereits sehr weit fortgeschritten sind. Bei einer Formulierung wie „Herzinfarkt ausgeschlossen“ muss die KI auch die Polarität der Aussage erkennen und eben auswerten, dass bei einer solchen Aussage zwar die Möglichkeit eines Herzinfarktes geprüft, dieser sich aber nicht bestätigt hat. Natürlich muss ein solches System zunächst für die Kundenanforderungen konfiguriert und für die verschiedenen Dokumentenklassen angelernt werden. Dafür werden Trainingsdaten benötigt. Durch menschliche Korrekturen eignet sich die KI das Wissen an, wie sie künftig die Regeln anwenden soll. Dabei arbeiten die Algorithmen nicht in einer Black Box. Bei einem innovativen Input Management lassen sich die Wege der Lernerfolge mittlerweile automatisiert zurückverfolgen und feinsteuern. Denn: Die KI-Algorithmen lernen aus den eigenen Fehlern und werden so immer schlauer. Die Erkennungsrate und die Präzision steigen und damit auch der Automatisierungsgrad.
Überwachtes lernen
Die Funktionen dahinter basieren auf maschinellem Lernen (Machine Learning, ML). 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. Schon nach kurzer Zeit können solche Input Management Lösungen eine Erkennungsrate von bis zu 95 Prozent und eine Präzision von bis zu 99 Prozent erreichen. Bei täglich 1.000 Dokumenten wären dann nur noch bei 50 bis 60 Dokumenten nach der Klassifikation Korrekturen durch den Menschen notwendig.
Return on Invest in kürzester Zeit
Und das bedeutet gleichzeitig, dass mindestens 940 Dokumente und deren Inhalte aus Formularen und Tabellen, Zahlen, Handschriften und unterschiedlich lange Texte, von Einzeilern bis zu mehrseitigen Verträgen, richtig eingescannt, ausgewertet und automatisch richtig klassifiziert sind. Sie liegen dann dem richtigen Bearbeiter vor, die Daten sind in den richtigen Zielsystemen bzw. elektronischen Kundenakten angekommen. Für die Arbeit der Mitarbeiter in Schadenabteilungen oder Kundencentern bedeutet dies, dass sie die Dokumente in ihrem digitalen Workflow nahtlos bearbeiten können. Der interne Aufwand für Nachfragen oder die Suche nach Dokumenten entfällt. Alleine auf dieser Basis kann ein KI-basiertes Input Management je nach Unternehmensgröße schnell große Einsparungen erzielen.