_Wissenssuche: von mangelnder Akzeptanz zu KI-gestützter Präzision
Branche: Automotive
Lösung: Machine Learning & KI, Wissensmanagement
Ausgangssituation
Ein internationaler Mobilitätskonzern wollte die Innovationsfähigkeit seiner Mitarbeitenden durch eine moderne Intranet-Wissenssuche stärken.
Die Qualität der Suchergebnisse blieb jedoch hinter den Erwartungen zurück, weil die Fachliteraturdokumente kaum strukturierte Metadaten besaßen.
Trotz hochwertiger Inhalte und neuer Portaltechnologie fehlte die Nutzerakzeptanz.
Lösung
Avantgarde Labs reicherte die Inhalte per KI-basierter Klassifikation mit dem standardisierten THEMA-System an und schuf so eine einheitliche Metadatenbasis.
Der BERT-Transformer ermöglichte eine sprachunabhängige Verarbeitung von Suchanfragen und Dokumenten in Deutsch und Englisch.
Im Zusammenspiel mit einer optimierten Elasticsearch-Suche entstanden intelligente Volltextsuche und Themen-Facettierung in einem System.
Ergebnis
Leere Suchergebnisse wurden vermieden, Treffer entsprechen nun präzise den Suchanfragen – das Vertrauen der Nutzer in die Suche stieg nachweislich.
Die KI-basierte Metadatenanreicherung automatisiert einen zentralen Schritt in der redaktionellen Arbeit und entlastet tausende Mitarbeitende im Alltag.
Die verbesserte Informationsversorgung stärkt die Innovationsfähigkeit und Produktivität im gesamten Konzern.
_Gute Inhalte, die niemand findet
Der internationale Mobilitäts-Konzern möchte die Innovationsfähigkeit seiner tausenden Angestellten erhöhen und hat aus diesem Grund eine Intranetlösung mit einer State-of-the-Art Suchfunktion zur Informationsversorgung entwickeln lassen.
Diese wird ergänzt durch zahlreiche Fachinformationsdienste, welche Fachliteratur in Form von Artikeln und Büchern bereitstellen.
Für einen adäquaten Informationszugang erwarten Nutzer Such-, Browsing- und Navigationsfunktionen, wie sie es von führenden Internet-Suchmaschinen und E-Commerce-Portalen gewohnt sind.
Diese Funktionalitäten basieren gewöhnlich auf sehr umfangreichen und qualitätsgesicherten Metadaten. Doch zur Beschreibung der Fachliteraturdokumente waren nur wenige Informationen wie bspw. Titel und Autor vorhanden.
Dies hatte zur Folge, dass die Qualität der Suchergebnisse hinter den Erwartungen der Nutzer blieb.
Somit konnte sich das erwünschte Potenzial der neuen „Wissenssuche“ über das Intranet nicht entfalten.
Das Resultat war eine mangelnde Akzeptanz trotz hochwertiger Inhalte und neuer Portaltechnologie.
Um den Informationszugang durch die gewünschten Filter und Suchfunktionalitäten zu erleichtern, benötigte man mehr und optimierte Metadaten.
Mit der Beschaffung dieser Daten und der Anpassung der Suchlösung wurde Avantgarde Labs beauftragt.
_KI, die Inhalte versteht – in jeder Sprache
Kern der Lösung ist die automatische Klassifikation aller Inhalte in das THEMA-Klassifikationssystem – realisiert durch ein Zusammenspiel aus KI und statistischer Analyse.
Als Trainingsdaten konnte Avantgarde Labs über sein Partnernetzwerk einen großen, vorklassifizierten Datensatz der EKZ Bibliotheksservice GmbH gewinnen.
Der BERT-Transformer fasst semantisch verwandte Begriffe sprachunabhängig unter Tokens zusammen; die Significant-Terms-Analyse von Elasticsearch ordnet sie anschließend den passenden THEMA-Klassen zu.
Die KI-Komponenten wurden mit scikit-learn und Flask in Python entwickelt und auf Amazon AWS betrieben.
Für die Suche und die Significant-Terms-Analyse kam Elasticsearch zum Einsatz. Die sprachunabhängige Textverarbeitung basiert auf dem BERT-Transformer-Modell.
_Suche, der Nutzer vertrauen
Die bestehende Intranetlösung wurde durch Avantgarde Labs um eine KI-basierte Suchlösung und Dokumentenklassifikation ergänzt.
Nutzeranfragen können bereits während des Suchprozesses besser verstanden werden und durch die Anreicherung der Content-Objekte mit Metadaten haben Nutzer zusätzliche Einschränkungsmöglichkeiten ihrer Suchergebnisse.
Die verbesserte Informationsversorgung in der Suche sowie Interessen-zentrierte Suchergebnisse ermöglichen eine Steigerung der Innovationsfähigkeit der Nutzer.
Zudem automatisiert die KI-basierte Metadaten-Anreicherung einen wichtigen Prozessschritt in der redaktionellen Arbeit und unterstützt tausende Mitarbeiter in ihrer täglichen Wissensarbeit.
Das steigert die Produktivität der Nutzer durch das Wegfallen des ressourcenaufwendigen Administrationsaufwandes.
Mit Projektende konnte das Vertrauen der Nutzer in die Intranetsuche nachweislich gesteigert werden, da einerseits leere Suchergebnisse vermieden wurden und andererseits die ausgelieferten Antworten auch präzise den Suchanfragen entsprachen.
_Weitere Case Studies
_Kontaktieren Sie uns
