Skip to content
Data Science & AI

RAPP AG — Automatisierung der Kundenanfrageverarbeitung mit KI-gestützter E-Mail-Klassifizierung

In a nutshell

Unser KI-basiertes E-Mail-Klassifizierungssystem kategorisiert Kundenanfragen auf intelligente Weise und leitet sie automatisch an die entsprechende Fachabteilung weiter. Dadurch entfällt das manuelle Sortieren, die Bearbeitungszeit wird erheblich verkürzt und die Kundenzufriedenheit sowie die Effizienz der Mitarbeiter verbessert.

Rapp AG
Business Challenge

Ein hohes Volumen an Kundenanfragen in Kombination mit manueller Email-Sortierung verursachte eine erhebliche Arbeitsbelastung, verzögerte Bearbeitung von Kundenemails und beeinträchtigte die Kundenzufriedenheit negativ.

Projektübersicht

Dauer

09/2023 – 12/2023

Team-setup

1 Lead Data Scientist, 1 Data Scientist (Parkside), Business Experts (Rapp AG)

Technologien

Python, HuggingFace, Azure, GitHub

Leistungen

AI & Data Science

Über Rapp AG

Rapp AG ist ein Schweizer Ingenieur- und Bauunternehmen mit einem starken Fokus auf Innovation und Nachhaltigkeit. Als führendes Unternehmen im Bereich der Integralbauweise bietet das Unternehmen eine breite Palette von Dienstleistungen (z.B. Infrastruktur, Architektur, Energie, Mobilität und Logistiklösungen) an, wobei es sich auf die Bedürfnisse seiner Kunden konzentriert, um nachhaltige Konzepte für zukunftsorientierte Lebensräume zu entwickeln.

Herausforderungen & Ziele

Eine häufige Herausforderung bei der Entwicklung von KI-basierten E-Mail-Klassifizierungsalgorithmen ist der Bedarf an einer großen Menge an gelabelten Daten. Insbesondere die große Streuung der verschiedenen E-Mails kann ein Modell vor knifflige Herausforderungen stellen. In enger Zusammenarbeit mit Rapp wurden zunächst geeignete Klassen definiert und eine entsprechende Anzahl von E-Mails gesammelt. Ein großes Problem stellten dabei die unterschiedlichen Klassengrößen dar, da es nicht möglich war, pro Klasse die gleiche Anzahl von E-Mails zu sammeln. Um diese Herausforderung zu bewältigen, haben wir Transfer-Learning eingesetzt, eine Technik im maschinellen Lernen (ML), bei der ein zuvor trainiertes Modell für ein neues Problem wiederverwendet wird, wodurch tiefe neuronale Netze mit vergleichsweise wenigen Daten trainiert werden können.

Das Gesamtziel bestand darin, den Prozess der E-Mail-Kategorisierung und -Weiterleitung zu automatisieren, um die manuelle Arbeitsbelastung der Mitarbeiter zu verringern und ihre betriebliche Effizienz insgesamt zu steigern.

Unsere Lösung

Um die begrenzten Daten, die uns zur Verfügung standen, zu überbrücken, setzten wir Transfer-Learning ein und nutzten ein vortrainiertes transformer-basiertes natürliches Sprachmodell von HuggingFace. Anschließend haben wir dieses Modell anhand der Kunden-E-Mails von Rapp AG fein abgestimmt, so dass es die Muster und Merkmale der Kundenanfragen effektiv erlernen konnte. Unser Modell, das mit nur 30 gelabelten Beispielen pro Abteilung trainiert wurde, erreichte eine beeindruckende Genauigkeit von über 98%, wodurch sichergestellt wird, dass Kundenanfragen und -gesuche genau klassifiziert und an die richtige Abteilung weitergeleitet werden.

Ergebnis & Zukunftspläne

Unser KI-gestützter E-Mail-Klassifizierungsalgorithmus erwies sich als hervorragende Lösung für das Problem der Rapp AG, verschiedene Arten von E-Mails automatisch an die richtige Abteilung weiterzuleiten, ohne sie manuell filtern zu müssen. Eine solche Lösung verkürzt die Antwortzeiten und stellt sicher, dass Kundenanfragen zeitnah und effizient bearbeitet werden. Außerdem können sich die Mitarbeiter auf wichtigere Aufgaben konzentrieren, was ihre Gesamtproduktivität und Effizienz steigert.

In Zukunft kann die Genauigkeit des Modells weiter verbessert werden, indem mehr Randfälle verschiedener Klassen bereitgestellt werden. Wir haben auch ein Konzept für die Bereitstellung unserer Lösung über Azure entwickelt, das eine nahtlose Integration in die bestehende Infrastruktur der Rapp AG ermöglicht. Dieser End-to-End-Ansatz erleichtert die Fehlerbehebung und Wartung bei der kontinuierlichen Nutzung dieser Machine-Learning-Anwendung.