Künstliche intelligenz

Wir integrieren künstliche intelligenz für datengestützte Entscheide

Durch den gezielten Einsatz von KI-Technologien entstehen neue Möglichkeiten, Entscheidungen datenbasiert zu treffen, Prozesse effizienter zu gestalten und vorausschauend zu handeln. So wird dein Unternehmen nicht nur agiler und automatisierter, sondern auch nachhaltiger in seiner Wettbewerbsfähigkeit.

Use cases

Eine Auswahl unserer Arbeiten

Rechnungsdaten auslesen mit LLM

Ausgangslage​

  • Unternehmen erhalten täglich viele Rechnungen in unterschiedlichen Formaten und Designs​
  • Klassische OCR- oder regelbasierte Systeme stossen an Grenzen, besonders bei unstrukturierten PDFs oder Scans​
  • Manuelle Erfassung von Rechnungen ist zeitaufwändig und fehleranfällig​
  • Meist sind Kren-System integrierte Modell nicht gleich fehlerfrei wie etablierte LLM​

 

Beschreibung 

  • Evaluation eines intelligenten Sprachmodells, welches die Bedürfnisse des Kunden am besten abdeckt​
  • Aufbereitung für die Extraktion relevanter Rechnungsinformationen, direkt aus dem Fliestext​
  • Das LLM wird über eine API angesteuert und gibt strukturierte Outputs zurück​
  • Anbindung von Umsysteme für automatische Weiterverarbeitung der Daten ohne Medienbruch mittels Power Automate​

 

Mehrwert / Ziel

  • Reduktion manueller Arbeit und Fehleranfälligkeit bei der Datenerfassung​
  • Verarbeitung auch bei inkonsistenten Layouts, Sprachvarianten oder Scans mit geringerer Qualität​
  • Automatische Weiterleitung oder Validierung basierend auf extrahierten Informationen (z. B. Zuordnung zu Verträgen)​
  • Skalierbare Lösung für KMUs und Grossunternehmen (Integration mit Umsysteme z.B Powerplatform)​

Intelligente Chatbots​

​Ausgangslage

  • Täglich fallen zahlreiche von Seiten an geschäftlichen Dokumenten an, in PDF und anderen Formaten​
  • Niemand hat die Zeit diese durchzulesen, sie werden aber zeitaufwändig erstellt​
  • Wenn jemand Informationen sucht, dann weiss er wo suchen oder verbraucht viel Zeit bis gefunden​
  • Die Dokumente werden wiederkehrend aktualisiert, langjährige Mitarbeitende machen es so, wie sie es immer gemacht haben und schauen allfällige Anpassungen nicht an​

Beschreibung ​

  • Definition der Quelle für einen spezifischen Chatbot​
  • Aufbau eines Chatbots, mit den spezifischen Funktionen des Kunden​
  • Definition bezüglich dem Einsatzes des Chatbots, sei es zur Extraktion, Zusammenfassung oder effektiv Chat-Funktion mit der Quelle​
  • Entwicklung eines Agentic RAG-Systems, der Bot agiert autonom in mehreren Schritten: Verstehen, Recherchieren, Antworten​

 

Mehrwert / Ziel ​

  • Verbesserung der Antwortgenauigkeit von Sprachmodellen durch Zugriff auf externe, aktuelle und domänenspezifische Informationen.​
  • Antworten basieren auf aktuellen Daten – auch wenn das LLM nicht darauf trainiert wurde​
  • Integration von firmeneigenem Wissen​
  • Keine aufwendige Training des LLM nötig – Kontext wird zur Laufzeit bereitgestellt​
  • Quellen können mitgeliefert werden, was Transparenz und Vertrauen erhöht​
  • Kann einfach in bestehende Systeme (z. B. Chatbots, Suchfunktionen) eingebaut werden.​
  • Entwicklung intelligenter Systeme, die autonom komplexe Aufgaben lösen können, indem sie LLMs mit dynamischen Tools kombinieren​
  • Komplexere Chatbots sind ideal für Use Cases wie Marktanalysen, Due-Diligence, technischer Support oder komplexe Kundenanfragen​

AI Scraper – Webdaten intelligent extrahieren und auswerten

​Ausgangslage

  • Viele wichtige Informationen liegen verstreut im Web vor – unstrukturiert, dynamisch und in wechselnden Formaten, wie Informationen von Konkurrenten, Stellenportalen, Branchenverzeichnissen oder Produktseiten​

 

Beschreibung​

  • Evaluation der spezifischen Informationen, welche der Kunde benötigt vom Web​
  • Eine Pipeline aus Web-Scraping und RAG ermöglicht es, Webseiten-Inhalte automatisch zu extrahieren, sinnvoll zu indexieren und per LLM intelligent auszuwerten​
  • Das System nutzt einen Agenten, der bei Bedarf zusätzliche Recherche durchführen oder tiefer in Webseiten navigieren kann​

 

Mehrwert / Ziel

  • Automatisierte Wettbewerbs- und Marktbeobachtung​
  • Flexible Extraktion und Interpretation aus strukturierten und unstrukturierten Webinhalten​
  • RAG erlaubt semantische Suche über gesammelte Daten inkl. Quellenverlinkung​
  • Ideal für Research, Business Intelligence, Leadgenerierung und vieles mehr​
  • Schnellere Entscheidungsfindung durch aggregierte Antworten auf natürliche Fragen​

Erkennung und Klassifikation von Schäden an Wohnobjekten​

​Ausgangslage ​

  • Schäden in Immobilien werden häufig in Textform erfasst – z. B. in Mieter-E-Mails, Gutachten, Übergabeprotokollen oder Formularen​
  • Die manuelle Analyse ist zeitaufwändig und uneinheitlich, besonders bei grossen Volumina​
  • Rücksprache mit dem Mieter verzögert den ganzen Prozess und führt zu Ärgernis​

 

Beschreibung ​

  • Die Schadenarten werden mit dem Kunden evaluiert​
  • Mittels Fotos in Kombination von Freitext kann der Schaden durch LLM genauer verifiziert werden​
  • Das Modell ist aufgrund spezifizierter Angaben des Kunden, welche Informationen weiter an Dritte gegeben werden müssen, auszubauen​
  • Mittels Power Automate können die generierten Informationen automatisch einen Auftrag erarbeiten welcher an den Lieferanten geschickt werden kann​
  • Auch ohne Medienbruch ist der Prozess End to End mit einem direkt automatisierten Versand an Lieferanten sicherzustellen, sollte dies gewünscht sein​

 

Mehrwert / Ziel

  • Automatisierte Vorverarbeitung eingehender Schadentexte​
  • Einheitliche Klassifikation trotz unterschiedlicher Ausdrucksweisen der Verfasser​
  • Beschleunigung der Schadenerfassung und -bearbeitung​
  • Kombinierbar mit Bildanalysen für ganzheitliche Einschätzung​
  • Ideal für Hausverwaltungen, Versicherungen, Plattformanbieter oder Schadendienste​

Objekterkennung auf Bildern​

Ausgangslage ​

  • Klassische Objekterkennung basiert auf spezialisierten CV-Modellen wie YOLO oder Mask R-CNN​
  • Die Kombination aus Objekterkennung und kontextueller Beschreibung ist mit traditionellen Methoden jedoch nur schwer integrierbar​
  • Es können keine automatischen Auswertungen mit den Bilder geschehen​

 

Beschreibung​

  • Mit dem Kunden ist zu definieren welche Art von Bilder ausgewertet werden sollen und welche Informationen dem Kunden weiterhelfen​
  • Vision-fähige LLMs können Bilder analysieren und gleichzeitig in natürlicher Sprache beschreiben​
  • Sie erkennen und beschreiben konkrete Objekte – inklusive Kontext, Lage, Beziehungen und Relevanz​
  • Je nach Spezifikation und Bedarf des Kunden können die Informationen automatisch weiterverarbeitet werden oder einen Vorschlag für den nächsten Prozess-Schritt aufbereiten​

 

Mehrwert / Ziel​

  • Vereinfachte Objekterkennung + Textverarbeitung in einem Modell​
  • Ideal für smarte Assistenzsysteme, Chatbots mit Bildverständnis, interaktive Reportings​
  • Reduktion von Entwicklungsaufwand (keine separate CV-Architektur nötig)​
  • Hohe Flexibilität bei Aufgaben wie Objektbeschreibung, Szenenanalyse, Qualitätsprüfung​
  • Starke Ergebnisse auch bei unstrukturierten oder komplexen Bildern​

Gebärdensprache erkennen mit Deep Learning​

Ausgangslage ​

  • Menschen mit Hörbehinderung nutzen Gebärdensprache zur Kommunikation – jedoch gibt es in vielen Alltagssituationen Barrieren, da nicht alle Gesprächspartner*innen Gebärdensprache beherrschen​

 

Beschreibung ​

  • Mithilfe von Deep Learning (v. a. CNNs und RNNs / Transformer) wird Video-Input in Echtzeit verarbeitet, um Hand- und Fingerbewegungen, Mimik und Körperhaltung zu erkennen​
  • Die Bewegungen werden in Gebärden übersetzt und anschliessend in geschriebenen Text transkribiert​
  • Modelle werden auf annotierten Gebärden-Videos trainiert, unter anderem mit Skeleton Tracking und temporaler Sequenzverarbeitung​

 

Mehrwert / Ziel

  • Echtzeit-Übersetzung von Gebärdensprache in Text​
  • Die Echtzeitübersetzung in Text kann Brücken bauen ohne grossen technischen Aufwand​
  • Ermöglicht barrierefreie Kommunikation z. B. in Behörden, Geschäften oder beim Arzt​
  • Kombinierbar mit Sprachsynthese zur vollen Dialogfähigkeit​

Gebärdensprache erkennen mit Deep Learning​

Ausgangslage ​

  • Beim Portfoliomanagement sind komplexe Entscheidungen mit starken Abhängigkeiten Voraussetzung

  • Herkömmliche Systeme stossen rasch an ihre Grenzen und können bestehende Muster nicht optimieren

  • Klassische Modell arbeiten mit historischen Daten, trotz volatiler Märkte und geopolitischen Ereignissen

 

Beschreibung ​

  • Der RL Agent lernt aus Erfahrung durch Feedback in Form von Belohnung oder Strafe

  • Der Agent passt Anlageentscheidungen laufend an, basierend auf Marktdaten, Volatilität und Risikoprofil

  • Das Training wird in sicheren Simulationsumgebungen umgesetzt und im zweiten Schritt produktiv gesetzt

 

Mehrwert / Ziel

  • Der Agent lernt Muster zu erkennen, die klassische Modelle übersehen

  • Das Risiko wird reduziert, weil weniger Fehlentscheidungen erfolgen

  • Das System passt sich automatisch an neue Gegebenheiten an – ohne manuelles Eingreifen

  • Durch intelligente Steuerung von Preisen, Kapital und Massnahmen steigt der ROI spürbar