Logistik · Globaler Betrieb
Keine Logistik-E-Mail gleicht der anderen, und Regeln kamen nicht hinterher
Fr. Meyer’s Sohn verarbeitet täglich Tausende betriebliche E-Mails mit Sendungs-, Routing- und Planungsdaten, auf Deutsch und Englisch und in keinem festen Format. Regelbasierte Extraktion scheiterte an der Vielfalt. Wir haben eine GPT-gestützte Extraktionspipeline auf den eigenen Servern des Kunden gebaut.
Ergebnisse
Kunde: Fr. Meyer’s Sohn
Ein internationales Logistik- und Speditionsunternehmen mit weltweiten Niederlassungen.
- Branche
- Logistik und Spedition
- Anwendungsfall
- Datenextraktion aus E-Mails
- KI-Ansatz
- GPT-3.5 und GPT-4 mit Prompt Engineering
- Betrieb
- Docker auf den Servern des Kunden
- Sprachen
- Deutsch und Englisch
- Projekt
- Vom Proof of Concept zum Produktivsystem
Kurz gefasst
Warum feste Vorlagen hier scheitern mussten
- Die E-Mails enthalten Sendungsdetails, Routing-Informationen und Planungsdaten und kommen völlig unstrukturiert an, auf Deutsch und auf Englisch.
- Keine gleicht der anderen. Das Format hängt von Absender, Land und Sprache ab, Pflichtfelder fehlen mal, und Datums-, Adress- und Referenzformate unterscheiden sich von Markt zu Markt.
- Alles, was auf festen Vorlagen oder Schlagwortsuche beruht, bricht bei diesem Volumen zusammen. Deshalb hielt der regelbasierte Ansatz nicht.
- GPT-3.5 und GPT-4 mit Prompts für Logistikdaten lesen jetzt die E-Mail und liefern die Felder sauber strukturiert zurück, und ein fehlendes Feld wird markiert statt geraten.
Die Ausgangslage
Die Aufgabe
Das Unternehmen musste festgelegte Informationen aus Tausenden unstrukturierter, mehrsprachiger E-Mails ziehen und strukturiert weitergeben. Keine E-Mail sah aus wie die andere, und regelbasierte Extraktion kam mit dieser Vielfalt nicht zurecht.
Fr. Meyer’s Sohn verarbeitet jeden Tag große Mengen betrieblicher E-Mails. Darin stecken kritische Logistikdaten, Sendungsdetails, Routing-Informationen, Planungsdaten, und sie kommen völlig unstrukturiert an, geschrieben auf Deutsch und auf Englisch.
Gebraucht wurden bestimmte, vorab definierte Felder in strukturierter Form für die Weiterverarbeitung. Das Problem war die Vielfalt: Formate wechselten mit Absender, Land und Sprache, nicht jedes Pflichtfeld war immer da, und lokale Standards für Datum, Adresse und Referenznummer unterschieden sich je Markt.
Klassische regelbasierte Extraktion konnte das nicht leisten. Jeder Ansatz auf Basis fester Vorlagen oder Keyword-Matching wäre im Betriebsmaßstab des Unternehmens gescheitert.
Der Bau
Was wir gebaut haben
Wir begannen mit einem Proof of Concept, um zu zeigen, dass generative KI die Extraktion zuverlässig leistet. Nachdem der Kunde die Ergebnisse geprüft hatte, folgte der vollständige Produktionsaufbau.
Extraktion, abgestimmt auf Logistiksprache
Das System nutzt GPT-3.5 und GPT-4 mit Prompts, die auf logistikspezifische Daten zugeschnitten sind. Es liest den E-Mail-Text, findet die vom Kunden definierten Datenpunkte und gibt sie sauber strukturiert zurück.
Zwei Sprachen, und nichts wird geraten
Deutsche und englische Inhalte werden nativ verarbeitet, einschließlich der Unterschiede bei Formatierung, Datumskonventionen und Fachbegriffen, die ein globaler Logistikbetrieb mit sich bringt. Fehlt ein Feld, wird es markiert statt erfunden. Genau das hält die Daten im nachgelagerten System verlässlich.
Auf eigenen Servern, hinter einer API
Die Lösung ist mit FastAPI gebaut und in einem Docker-Container verpackt, damit sie auf den Servern des Kunden läuft. Fr. Meyer’s Sohn schickt eine Anfrage und bekommt strukturierte Daten zurück, mitten im bestehenden Betriebsablauf.
Gebaut für den Betrieb ohne Aufsicht
Logging, Fehlerbehandlung und Wartungswerkzeuge waren von Anfang an Teil des Baus, damit das System auch bei großem Volumen zuverlässig läuft, ohne dass jemand danebensitzt.
Was sich geändert hat
Das Ergebnis
Vorher
Manuelle Extraktion aus unstrukturierten E-Mails. Zeitaufwendig, fehleranfällig und bei wachsendem E-Mail-Volumen nicht skalierbar.
Nachher
Automatische Extraktion über eine API. Strukturierte Daten in Echtzeit, beide Sprachen abgedeckt, betrieben auf der eigenen Infrastruktur des Kunden.
Das System findet die logistikrelevanten Informationen unabhängig von Sprache und Format, und der manuelle Extraktionsaufwand sank drastisch.
Die strukturierten Daten fließen direkt in die Betriebsprozesse von Fr. Meyer’s Sohn, zwischen E-Mail und Zielsystem muss nichts mehr abgetippt werden.
Die Architektur ist so flexibel, dass der Kunde sie an neue Datenanforderungen oder weitere Sprachen anpassen kann, wenn sich der Betrieb verändert, ohne neu zu bauen.
Fragen zu diesem Projekt
Datenextraktion aus E-Mails. Das Unternehmen musste festgelegte Informationen aus Tausenden unstrukturierter, mehrsprachiger E-Mails ziehen und strukturiert weitergeben. Keine E-Mail sah aus wie die andere, und regelbasierte Extraktion kam mit dieser Vielfalt nicht zurecht.
Deutsch und Englisch automatisch verarbeitet: 2 Sprachen. Weniger manueller Extraktionsaufwand: –80 %. Vom Proof of Concept bis in den Produktivbetrieb: PoC → Prod. Läuft auf den eigenen Servern des Kunden in Docker: On-Premise.
GPT-3.5 und GPT-4 mit Prompt Engineering. Eingesetzte Technik: GPT-3.5, GPT-4, Prompt Engineering, FastAPI, Docker, Python, On-Premise-Betrieb.
Eingesetzte Technik
Sprechen Sie mit dem Team dahinter
theBlue.ai meldet sich innerhalb eines Werktags.
Weitere Referenzen
Fertigung · Bad- und Sanitärausstattung
Aufträge aus E-Mails, verarbeitet zuverlässig genug für den Produktivbetrieb
Mehr lesen
Telekommunikation · Call-Center-Betrieb
Gesprächsnotizen schreibt das System, nicht mehr der Agent
Mehr lesen
Automotive · Produktionsplanung