Dieses IT-Projekt ist Teil unserer Digitalisierung und Optimierung der IT-Landschaft unserer Kunden. Durch gezielte Maßnahmen fördern wir den technologischen Fortschritt, optimieren systemübergreifende Prozesse und schaffen eine nachhaltige Basis für zukünftige Entwicklungen. Unsere IT-Referenzprojekte dienen als Grundlage zur Orientierung. Sie unterstützen die Wiederverwendbarkeit erprobter Konzepte im Rahmen der Projektumsetzung.
Dies ist eines von 4751 IT-Projekten, die wir erfolgreich mit unseren Kunden abgeschlossen haben.Wobei dürfen wir Sie unterstützen?
Klassifikation von Geschäftsadressen via Deep Learning
Projektdauer: 1 Jahr, 2 Monate
Kurzbeschreibung
Im Rahmen der Optimierung der Zustellprozesse wird untersucht, welcher Anteil der Sendungen an Geschäftsadressen zugestellt wird. Zu diesem Zweck analysiert die PTA den aktuellen Stand der Technik (State of the Art) und identifiziert geeignete Verfahren aus dem Bereich Deep Learning bzw. der künstlichen Intelligenz (KI). Anschließend entwickelt und implementiert sie ein auf neuronalen Netzen basierendes KI Modell, das anhand von Zustellinformationen, wie bspw. Empfängerangaben und Zustelladresse, automatisiert ermittelt, ob eine Sendung voraussichtlich an eine Privat- oder an eine Geschäftsadresse geliefert wurde.
Ergänzung
Die PTA entwickelt unter Verwendung des Python-Frameworks PyTorch Sequence-to-Sequence Sprachmodelle (Seq2Seq) und validiert diese anhand zuvor erzeugter Testdaten in einem Benchmark. Seq2Seq-Modelle bestehen im Wesentlichen aus zwei Komponenten: einem Encoder und einem Decoder. Während der Encoder den Eingabetext analysiert und semantisch erfasst, entscheidet der Decoder, ob es sich bei der jeweiligen Zustelladresse um eine Privat- oder Geschäftsadresse handelt. Da die Adressdaten von den Auftraggebern über verschiedene Eingangskanäle und Schnittstellen an den Kunden übermittelt werden, kommt es nicht selten zu fehlerhaften oder vertauschten Angaben einzelner Adressbestandteile (z. B. Anrede, Vorname, Nachname, Firmenname, Straße, Hausnummer, Hausnummernzusatz, Postleitzahl, Ort oder Ortsteil). Das Modell muss daher in der Lage sein, derartige Unstimmigkeiten zu tolerieren, um eine hinreichend hohe Klassifikationsgenauigkeit zu erzielen.
Fachbeschreibung
Die Evaluation des zuvor auf einem synthetischen Testdatensatz trainierten Modells erfolgt anhand einer repräsentativen Stichprobe. Auf Basis des vom Modell ermittelten Anteils an Geschäftsadressen kann der Kunde den entsprechenden Anteil in der Grundgesamtheit präzise und kostenoptimiert bestimmen. Dies versetzt den Kunden in die Lage, verschiedene Optimierungsmaßnahmen im Zustellprozess fundiert zu bewerten und deren Potenzial gezielt einzuschätzen.
IT-Projektdaten
- Branchen Logistik
- Fachaufgaben Business Analytics, Business Intelligence (BI), KI: Allgemein, Maschinelles Lernen, Statistik, Text Analytics, Wissenschaftliche Analyse
- DV-Aufgaben Data Warehouse
- Systemumgebungen Business Intelligence
- Vorgehensmodell Kanban
- Programmiersprachen Python, Python pandas, PyTorch, SQL
- Datenbanken Snowflake
- Entwicklungs- und Testtool DBeaver, MS Visual Studio Code
- Middleware und Frameworks NumPy, PTV xServer
Projektzeitraum15.07.2024 - 12.09.2025
Kunden, die uns vertrauen
Haben wir Ihr Interesse geweckt?
