Kategorisierung von Felddaten mittels LLM bei V-ZUG
V-ZUG stand vor der Herausforderung, tausende Felddaten aus Servicefällen für die Qualitätskontrolle manuell zu klassifizieren. Aufgrund des hohen Aufwands erfolgte diese Klassifizierung zunächst nur einmal monatlich für eine begrenzte, repräsentative Stichprobe. Gemeinsam mit Substring wurde eine KI-gestützte Lösung entwickelt, die Servicefallmeldungen automatisch analysiert und klassifiziert. Mithilfe moderner Sprachmodelle (LLMs) und Retrieval Augmented Generation konnten unstrukturierte Texte in strukturierte Daten überführt werden. Seit der Einführung der Lösung werden nun sämtliche Servicedaten täglich durch die KI klassifiziert. Das System integriert sich nahtlos in die bestehende BI-Architektur, verbessert die Datenqualität und reduziert die Bearbeitungszeit signifikant. Dank der täglichen Datenverfügbarkeit können wir Folgeprozesse wie Trendanalysen oder Ursachenanalysen jetzt schneller und genauer durchführen. Die Stakeholder erhalten dadurch schnellen und konsistenten Zugang zu den wichtigsten Informationen – ein echter Mehrwert für die gesamte Organisation.
Eckdaten
- LLM-Integration (Few-Shot-Learning, RAG, strukturierter JSON-Output)
- Data Engineering (Vectorstore, Datenbankanbindung, BI-Integration)
- Cloud-Architektur (Azure Functions, Azure Queues, serverloser Betrieb)
- Custom Development (Streamlit-Webapp, Human-in-the-Loop-Validierung)
- Co-Creation & Change Management
Kundenbeschreibung
V-ZUG ist ein führender Schweizer Hersteller von Premium-Haushaltsgeräten. Das Unternehmen steht für höchste Qualität, Innovation und Präzision. Mit einem klaren Fokus auf Nachhaltigkeit und Servicequalität ist V-ZUG ein zentraler Akteur in der europäischen Geräteindustrie und treibt die digitale Transformation seiner Service- und Felddatenprozesse konsequent voran.
Herausforderung
Zu den Herausforderungen zählten:
- Integration von domänenspezifischem Wissen in die Felddatenklassifikation
- Sicherstellung einer verlässlichen und überprüfbaren Performance der KI-Lösung
- Nahtlose Einbindung der Felddatenverarbeitung in die bestehende BI-Architektur (Synapse, Power BI)
- Kosteneffiziente Entwicklung und skalierbarer Betrieb der Lösung
Unser Beitrag
Substring hat eine massgeschneiderte Lösung für die automatische Analyse und Klassifikation von Felddaten realisiert. Kernstück istein Sprachmodell, das durch Few-Shot-Learning und den Einsatz von Retrieval Augmented Generation mit einem Vektorstore laufend verbessert wird. Damit können unstrukturierte Servicefallmeldungen wie "Der Backofen heizt nicht richtig" eindeutig in strukturierte Kategorien wie "Heizung defekt" zugeordnet werden. Die Resultate können anschliessend auf JIRA Issues gemappt werden.
Eine eigens entwickelte Streamlit-Webapplikation ermöglicht es den Anwenderinnen und Anwendern, Vorschläge der KI im Rahmen eines Human-in-the-Loop-Prozesses zu prüfen und zu bestätigen oder zu korrigieren. Dadurch wird ein kontinuierlicher Verbesserungszyklus etabliert, bei dem validierte Felddaten wieder in die Vektordatenbank einfliessen.
Die technische Umsetzung basiert auf einer modularen Architektur mit LangChain und einem serverlosen Betrieb auf Azure Functions und Queues. Dies ermöglicht eine kosteneffiziente Skalierung und eine reibungslose Integration in die bestehende BI-Umgebung von V-ZUG.
Die Lösung erreicht heute eine Klassifikationsgenauigkeit von über 93 Prozent, mit steigender Tendenz, je mehr Felddaten verifiziert werden. Damit konnte V-ZUG den manuellen Aufwand drastisch reduzieren, die Datenqualität signifikant verbessern und eine zuverlässige Basis für Qualitätskontrolle und Produktoptimierung schaffen.
Wir sind gerne persönlich für Sie da.
Bereit für den nächsten Schritt? Wir sind es auch.
