Der Eintrag "offcanvas-col1" existiert leider nicht.

Der Eintrag "offcanvas-col2" existiert leider nicht.

Der Eintrag "offcanvas-col3" existiert leider nicht.

Der Eintrag "offcanvas-col4" existiert leider nicht.

Durchgeführte AI Projekte in den Branchen Banken, Versicherung und Industrie

Auf dieser Seite werden erfolgreich durchgeführte AI-Projekte aus den Branchen Banken, Versicherungen und Industrie präsentiert. Wir unterstützen Kunden bei der Umsetzung und Implementierung von maßgeschneiderten AI-Lösungen.

Die Projekte zeigen, wie AI zur Optimierung von Geschäftsprozessen, zur Effizienzsteigerung und zur Schaffung neuer datengetriebener Geschäftsmodelle genutzt wird. Der Fokus liegt dabei auf der Integration von AI in bestehende Strukturen, um nachhaltigen Mehrwert und Wettbewerbsvorteile zu erzielen.

Referenzen - Banking

Sentimentanalyse und Posteingangsmanagement mit einer integrierten LLM-Lösung

Die Herausforderung

Das Serviceteam des Kunden hatte einen sehr hohen Aufwand bei der manuellen E-Mail-Klassifizierung und -Weiterleitung. Dies führte zu hohen Antwortzeiten für ihre Kunden, was zu einer abnehmenden Kundenzufriedenheit führte.

Unsere Lösung

Um den Aufwand der E-Mail-Klassifizierung zu verringern, haben wir eine integrierte Lösung entwickelt, die E-Mails klassifiziert, ihren Inhalt bewertet und sie auf der Grundlage einer extern definierten Matrix von Zuständigkeiten an die relevanten Mitarbeiter verteilt. Zusätzlich beinhaltet die auf großen Sprachmodellen basierende Lösung eine Sentimentanalyse als zusätzliche Information für den Kundenservice und eine weitere Priorisierungsoption.

Dauer: 8 Wochen

Eingesetzte Technologien: Python, Ollama, Mistral 7B, Naive Bayes

 

 

Automatisierte Relevanzprüfung für regulatorische Dokumente mit einer integrierten LLM-Lösung

Die Herausforderung

Der Kunde hatte Schwierigkeiten, die Relevanz von Änderungen in regulatorischen Dokumenten für bestimmte Rollen in seiner Organisation zu überblicken. Die Identifizierung der relevanten Änderungen pro Rolle erforderte manuelle Arbeit von verschiedenen Mitarbeitern und war daher hochgradig ineffizient.

Unsere Lösung

Wir entwickelten eine integrierte Lösung, die Dokumente klassifiziert, ihren Inhalt bewertet und sie auf Basis einer extern definierten Verantwortungsmatrix an die relevanten Mitarbeiter verteilt. In diesem Fall wurde das Modell mit einer angepassten Rollentaxonomie verbunden, die als einzige Wahrheitsquelle für die Modellentscheidung diente, ob eine Änderung im Dokument für eine bestimmte Rolle relevant war.

Dauer: 8 Wochen
Eingesetzte Technologien: Python, Ollama, Mistral 7B, Naive Bayes

Referenzen - Industrie

Automatisches Skill-Matching von Mitarbeiter-Lebensläufen mit interner Kompetenzmatrix

Die Herausforderung

Das Abgleichen spezifischer Fähigkeiten der Mitarbeiter mit einer internen Kompetenzmatrix kostete die HR-Abteilung des Kunden Stunden repetitiver Arbeit. Die Herausforderung bestand darin, unvollständige Informationen zu erkennen, sie über Plug-Ins zu recherchieren und daraus eine Qualifikation abzuleiten.

Unsere Lösung

Unsere Lösung ermöglichte eine schnellere Personalbesetzung durch automatisches Skill-Matching mittels automatischer semantischer Zuordnung von in Lebensläufen genannten Unternehmen mit Hilfe von klassischer KI und großen Sprachmodellen. Die Arbeit wurde umgewandelt in die Überwachung des Prozesses anstatt der Suche nach diversen Zuordnungen.

Dauer: 2 Wochen
Eingesetzte Technologien: Python, OpenAI Services, Easy OCR

Unternehmensweiter GPT für sichere und verwaltete Chatoptionen mit konsolidierter Abrechnung

Die Herausforderung

Der Kunde wünschte sich eine sichere Umgebung, in der ein Chat-Agent, einschließlich spezieller Filter zur Verhinderung unerwünschter Datenexposition, seinen Mitarbeitern zur Verfügung gestellt werden konnte. Zusätzlich sollte auch RAG möglich sein. Die Schwierigkeit bestand darin, die Breite des Modells so wenig wie möglich und so weit wie nötig einzuschränken, um den Anforderungen des Kunden gerecht zu werden und die Wissensbasis des Kunden anzubinden.

Unsere Lösung

Wir stellten Zugang zu einem gesicherten LLM in der privaten Cloud bereit. Zudem haben wir Regeln für den LLM angepasst, um versehentliche Datenexposition zu verhindern, und haben die Wissensbasis des Kunden so angebunden, dass der Mitarbeiter über die Chat-Schnittstelle damit interagieren konnte. Daher konnte der Kunde Erfahrungen im Einsatz von Chat-Agenten und großen Sprachmodellen sammeln.

Dauer: 3 Monate
Eingesetzte Technologien: Python, OpenAI Services, RAG

Referenzen - Versicherung

Workshop zur Prompt-Entwicklung für Nutzer einer internen LLM-Anwendung

Die Herausforderung

Die Nutzer des firmeninternen ChatBots benötigten Unterstützung im Vermittlungsprozess zur Ansprache des Modells. Insbesondere die Unterschiede verschiedener Prompt-Entwicklungstechniken wie One-Shot- und Few-Shot-Prompts sowie deren Vor- und Nachteile waren unklar und nicht dokumentiert.

Unsere Lösung

Es wurde ein eintägiger Workshop abgehalten, in dem ein modifiziertes Modell und eine Chat-Schnittstelle verwendet wurden, um praktische Interaktion zu vermitteln. Die teilnehmenden Nutzer verbesserten ihre Fähigkeiten in der Prompt-Entwicklung und legten eine Grundlage für zuverlässige und sichere Interaktionen mit großen Sprachmodellen.

Dauer: 1 Tag
Eingesetzte Technologien: Python, Streamlit, Mural, Stable Diffusion, OpenAI Services

Unternehmensweiter GPT für sichere und verwaltete Chatoptionen mit konsolidierter Abrechnung

Die Herausforderung

Der Kunde wollte das Wissen, das in verschiedenen Silos und bei Mitarbeitern vorhanden war, konsolidieren und in einer Wissensdatenbank verfügbar machen. Das Wissen musste auch visualisiert und für verschiedene Anwendungen zugänglich gemacht werden.

Unsere Lösung

Mit Hilfe einer Graphdatenbank wurde eine Wissensdarstellung erstellt, die sowohl im Kontext einer Retrieval Augmented Generation als auch für das Durchlaufen und Aggregieren von Wissen geeignet ist. Zusätzlich wurde das Wissen für viele Mitarbeiter durch einen Chatbot nutzbar gemacht.

Dauer: 4 Monate
Eingesetzte Technologien: Python, OpenAI Services, neo4j, RAG

© 2025 Informationsfabrik GmbH

Wir beraten

Informationsfabrik GmbH

Albersloher Weg 10c
48155 Münster
Germany

T +49 (0) 251 / 91 99 79-0
F +49 251 / 91 99 79-9