Shortcuts zum Projekt
Ein wesentlicher Teil der Arbeit von FMS besteht darin, Kundenaufträge im Transportmanagementsystem (TMS) zu erfassen und Sendungen anzulegen, wobei Disponent:innen fehlende Informationen durch ihr Fachwissen vervollständigen. Die Herausforderung bestand darin, mithilfe künstlicher Intelligenz Informationen aus Kunden-E-Mails so zu vervollständigen, dass mindestens die Pflichtfelder der Sendungserfassungsmaske ausgefüllt sind. Mithilfe statistischer Methoden und maschinellen Lernens konnten wir ein Proof of Concept erstellen, das lückenhafte Informationen automatisch ergänzt und somit den manuellen Aufwand reduziert, um Disponent:innen mehr Zeit für andere Aufgaben zu verschaffen.
Evaluierung in Phasen
-
Datenanalyse historischer Sendungen
Um schnelle Ergebnisse zu erzielen, begrenzten wir die Datenmenge mithilfe der Fachexpert:innen des Kunden auf eine Teilmenge und führten eine Datenanalyse durch, um die Datengrundlage besser zu verstehen. Zusätzlich sammelten wir bestehende Geschäftsregeln, die beim Ausfüllen der Sendungsformulare angewendet werden, und achteten besonders darauf, auch verdeckte Regeln zu identifizieren. Es ging dabei um die Offenlegung des intrinsischen Wissens, welches von erfahrenen Disponent:innen unbewusst angewendet wird und dabei hilft die Vervollständigung einzelner Felder durchzuführen. -
Auswahl von Features
Die Daten mussten für die Anwendung von Modellen aus dem Bereich des maschinellen Lernens angepasst und vorbereitet werden. Dafür wurde eine Pipeline aus verschiedenen Datenvorbereitungsschritten implementiert. Durch die Pipeline wird die Vorbereitung der Rohdaten zu nutzbaren Daten verstetigt. Als nächsten Schritt wählten wir aus dem Bereich des maschinellen Lernens ein geeignetes Modell für die Vervollständigung der Sendungen aus. Dieses wurde implementiert und in einer angelegten Testumgebung evaluiert und verbessert.
-
Plausibilitätstest der Ergebnisse
Für den Abschluss des Projektes wurde der vollständige Datensatz hinzugezogen. In dieser Phase ging es intensiv um die Auswertung und Verbesserung der Ergebnisse. Dazu implementierten wir ein weiteres Modell sowie eine Benchmark zum Vergleichen der Performance. Die Modelle passten wir auf den vollständigen Datensatz an und überarbeiteten die Implementation der Datenvorbereitungs-Pipeline. Durch diese Optimierungen konnte die Performance weiter verbessert werden und von unserem Kunden FMS final evaluiert werden.
Jetzt mit unserem Experten verbinden
#gerneperdu