Spezialisierte KI-Anbieter sind Cloud-Giganten überlegen

Das Verarbeiten von SEPA-Formularen in mehrseitigen PDF-Dokumenten stellt nicht nur eine technische Herausforderung dar. Es ist vor allem auch ein zentraler Prozess für viele Unternehmen, insbesondere aus der Finanzdienstleistungsbranche. Kommt es dabei zu Fehlern oder Verzögerungen, sind Compliance-Risiken, zusätzliche Kosten und frustrierte Kunden häufige Folgen.

Inhalt

SEPA-Formulare KI-basiert verarbeiten

Nahezu alle großen und kleineren Finanzdienstleistungsunternehmen stehen vor der Aufgabe, monatlich Tausende von SEPA-Formularen zu verarbeiten, die in komplexen PDF-Dokumenten mit weiteren Formularen hinterlegt sind. Viele der SEPA-Unterlagen sind handschriftlich ausgefüllt und von minderer Scanqualität. Dennoch muss eine hohe Extraktionsgenauigkeit erzielt werden, um Vorschriften einzuhalten und nachfolgende Prozesse reibungslos ablaufen zu lassen. Ferner ist eine immense Inferenzgeschwindigkeit erforderlich, um die große Datenmenge zuverlässig zu verarbeiten.

In diversen Szenarien, bei denen ein KI-gestütztes Textract-Modell eines Cloud-Giganten getestet wurde, konnten allerdings nur 65 % der relevanten Informationen aus den SEPA-Formularen identifiziert und extrahiert werden. Demgegenüber bieten wir einen Proof of Concept an, der belegt, dass schlanke, hochoptimierte KI-Modelle eine Extraktionsgenauigkeit von 92 % erreichen. So können selbst umfangreiche PDF-Dateien in Sekundenschnelle auf einer einzelnen Graphics Processing Unit (GPU) (Kostenpunkt: 700 €) und vollständig On-Premises verarbeitet werden.

Die Leistungsunterschiede und die Datenschutzvorteile, die sich aus einer On-Premises-Lösung gegenüber einem Cloud-System ergeben, liegen auf der Hand. Die zentrale Frage lautet jedoch, warum wir in der Lage sind, bessere Ergebnisse zu erzielen als eines der weltweit größten Unternehmen.

Die Grenzen universeller KI-Modelle in der Cloud

Das KI-Textract-Modell des Großunternehmens repräsentiert ein gängiges KI-Prinzip: Man trainiert eine große, universelle Modellpipeline, die möglichst alle Anwendungsfälle abdecken soll. Aus wissenschaftlicher Sicht ist dieser Ansatz durchaus elegant und technisch ansprechend, da er versucht, kognitive Funktionen des menschlichen Gehirns nachzuahmen. Ein solches allgemeines System, das vielfältige Aufgabenstellungen lösen kann, bietet sicherlich Perspektiven für die Zukunft. Stand heute gehen damit jedoch zwei grundlegende Probleme einher:

1. Das Black-Box-Problem

Universelle KI-Modelle sind intransparent. Es ist kaum nachvollziehbar, wann Fehler auftreten und warum. In hochregulierten Branchen ist diese Schwäche ein kritischer Faktor.

2. Das Rad wird immer wieder neu erfunden

Universelle Modelle erlernen die Bewältigung von Aufgaben, für die es bereits bewährte und zuverlässige Lösungen gibt. Anstatt solche etablierten Branchentools zu integrieren, wird alles in die Form eines einzigen KI-Modells gegossen, was in der Regel zu schlechteren Ergebnissen führt.

Hochgradige Spezialisierung und bewährte KI-Lösungen

Universelle KI-Modelle sind forschungsseitig also spannend, bergen jedoch hohe Risiken. Dazu gehören mangelnde Transparenz, Ineffizienz und unnötige Komplexität. Deshalb verfolgen wir einen anderen Ansatz, der von Spezialisierung und Pragmatismus geprägt ist. Wir unterteilen den Use Case in modulare Einheiten, für die wir jeweils die beste Methode heranziehen. Entweder werden bereits verfügbare, bewährte Branchenlösungen integriert oder spezialisierte KI-Modelle entwickelt, die einen klaren Mehrwert bieten.

Dabei stellen wir eine hohe Transparenz sicher, sodass wir jederzeit exakt nachvollziehen können, wo und warum ein Fehler aufgetreten ist, und in der Lage sind, ihn entsprechend zu korrigieren.

Mit dieser Kombination aus etablierten Branchenlösungen und maßgeschneiderten KI-Komponenten liefern wir transparente und Compliance-konforme Systeme, die genauere Ergebnisse spürbar schneller bereitstellen.

Spezialisierung schlägt Universalität

Stellen wir die Eigenschaften des KI-Modells des Großunternehmens und unseres spezialisierten On-Premises-Ansatzes noch einmal gegenüber:

Universelles KI-Textract-Modell:

  • 65 % Genauigkeit beim Versicherer/Finanzdienstleister-Benchmark
  • Ausschließlich in der Cloud nutzbar
  • Undurchsichtige Ergebnisse
  • Keine klare Nachverfolgbarkeit von Fehlern
  • Hoher CO2-Fußabdruck

Spezialisierter On-Premises-Ansatz:

  • 92 % Genauigkeit beim selben Benchmark
  • On-Premises-Bereitstellung auf einer einzigen 700-Euro-GPU
  • Um 18 % schnellere Laufzeiten gegenüber einem universellen KI-Modell eines Großunternehmens
  • Hohe Transparenz und Nachvollziehbarkeit der Ergebnisse
  • Möglichkeit gezielter Fehlerkorrektur
  • 100 % Datenschutz

Fazit

Das Praxisbeispiel „Verarbeitung von SEPA-Formularen“ zeigt, dass Unternehmen ihre Geschäftsanforderungen mit einem spezialisierten Anbieter gezielt und effektiv umsetzen können. So lassen sich Prozesse optimieren, Mitarbeitende entlasten und Daten deutlich schneller analysieren.

Wenn auch Sie die Verarbeitung von SEPA- oder anderen Formularen effizienter und sicherer gestalten möchten, dann freuen wir uns auf Ihre Kontaktaufnahme!