DocuWare Workflow-Optimierung

2021 bis 2023

DocuWare GmbH

KI-gestützte Indexierung und Workflow-Optimierung

DocuWare Workflow-Optimierung

2021 bis 2023

KI-gestützte Indexierung und Workflow-Optimierung

DocuWare GmbH

DocuWare Workflow-Optimierung

2021 bis 2023

DocuWare GmbH

KI-gestützte Indexierung und Workflow-Optimierung

DocuWare Workflow-Optimierung

2021 bis 2023

DocuWare GmbH

KI-gestützte Indexierung und Workflow-Optimierung

Ausgangslage

Fehlende Struktur in dokumentbasierten Workflows

DocuWare ist ein führendes Dokumentmanagement-System mit über 20.000 B2B-Kunden, in dem Dokumente als Grundlage für die Weiterverarbeitung in digitalen Workflows dienen. Für eine effiziente Steuerung dieser Workflows werden strukturierte Metadaten benötigt, beispielsweise zur Klassifizierung, Ablage oder Weiterleitung von Dokumenten. Diese Informationen liegen jedoch häufig nur unstrukturiert in Dokumenten wie eingescannten PDFs vor und müssen daher zunächst extrahiert werden, um eine konsistente Verarbeitung und eine sinnvolle Gestaltung von Workflows und Ablagestrukturen zu ermöglichen.

Ausgangslage

Fehlende Struktur in dokumentbasierten Workflows

Hohe Dokumentvolumen

Eine sehr große Anzahl jährlich verarbeiteter Dokumente mit komplexen Metadaten.

Unstrukturierte Daten

Viele Dokumente liegen als eingescanntes PDF vor, ohne klare Struktur.

Workflow-Abhängigkeit

Automatisierte Workflows benötigen präzise Indexdaten wie Rechnungsnummern, Beträge und Absender.

Fehleranfälligkeit

Hohe Fehlerquote bei der Indexerkennung führte zu manueller Nacharbeit von Menschen.

Technologische Weiterentwicklung

Bedarf an KI-gestützten Lösungen zur Verbesserung der Indexierung.

Innovationsbedarf

Exploration neuer Technologien wie LLMs und RAG für Supportanfragen und Dokumentenanalysen.

Hohe Dokumentvolumen

Eine sehr große Anzahl jährlich verarbeiteter Dokumente mit komplexen Metadaten.

Workflow-Abhängigkeit

Automatisierte Workflows benötigen präzise Indexdaten wie Rechnungsnummern, Beträge und Absender.

Technologische Weiterentwicklung

Bedarf an KI-gestützten Lösungen zur Verbesserung der Indexierung.

Innovationsbedarf

Exploration neuer Technologien wie LLMs und RAG für Supportanfragen und Dokumentenanalysen.

Fehleranfälligkeit

Hohe Fehlerquote bei der Indexerkennung führte zu manueller Nacharbeit von Menschen.

Unstrukturierte Daten

Viele Dokumente liegen als eingescanntes PDF vor, ohne klare Struktur.

Hohe Dokumentvolumen

Eine sehr große Anzahl jährlich verarbeiteter Dokumente mit komplexen Metadaten.

Unstrukturierte Daten

Viele Dokumente liegen als eingescanntes PDF vor, ohne klare Struktur.

Workflow-Abhängigkeit

Automatisierte Workflows benötigen präzise Indexdaten wie Rechnungsnummern, Beträge und Absender.

Fehleranfälligkeit

Hohe Fehlerquote bei der Indexerkennung führte zu manueller Nacharbeit von Menschen.

Technologische Weiterentwicklung

Bedarf an KI-gestützten Lösungen zur Verbesserung der Indexierung.

Innovationsbedarf

Exploration neuer Technologien wie LLMs und RAG für Supportanfragen und Dokumentenanalysen.

Herausforderungen

Technologische Präzision trifft Skalierungsanforderungen

Die Weiterentwicklung einer bestehenden KI-gestützten Lösung für die Indexierung und Verarbeitung von Dokumenten stellte hohe Anforderungen an die technische Präzision, Skalierbarkeit und Integration in bestehende Systeme.

Präzise Extraktion zur Sicherstellung der korrekten Erkennung von Metadaten wie Rechnungsnummern und Beträgen

Skalierbarkeit zur Verarbeitung von Milliarden Dokumenten ohne Performance-Einbußen

Fehlerreduktion zur Minimierung der Fehlerquote bei der Indexerkennung

Innovative Features durch die Integration von RAG-basierten Chatbots für Supportanfragen und Dokumentenanalysen

Funktionalitäten für Lehrkräfte von Sprachschulen zur Verwaltungen von Lerngruppen und Inhalten

Nahtlose Integration in bestehende Systeme – ohne Prozesse, Performance oder Stabilität zu beeinträchtigen

Herausforderungen

Technologische Präzision trifft Skalierungsanforderungen

Präzise Extraktion zur Sicherstellung der korrekten Erkennung von Metadaten wie Rechnungsnummern und Beträgen

Skalierbarkeit zur Verarbeitung von Milliarden Dokumenten ohne Performance-Einbußen

Fehlerreduktion zur Minimierung der Fehlerquote bei der Indexerkennung

Innovative Features durch die Integration von RAG-basierten Chatbots für Supportanfragen und Dokumentenanalysen

Funktionalitäten für Lehrkräfte von Sprachschulen zur Verwaltungen von Lerngruppen und Inhalten

Nahtlose Integration in bestehende Systeme – ohne Prozesse, Performance oder Stabilität zu beeinträchtigen

Herausforderungen

Technologische Präzision trifft Skalierungsanforderungen

Präzise Extraktion zur Sicherstellung der korrekten Erkennung von Metadaten wie Rechnungsnummern und Beträgen

Skalierbarkeit zur Verarbeitung von Milliarden Dokumenten ohne Performance-Einbußen

Fehlerreduktion zur Minimierung der Fehlerquote bei der Indexerkennung

Innovative Features durch die Integration von RAG-basierten Chatbots für Supportanfragen und Dokumentenanalysen

Funktionalitäten für Lehrkräfte von Sprachschulen zur Verwaltungen von Lerngruppen und Inhalten

Nahtlose Integration in bestehende Systeme – ohne Prozesse, Performance oder Stabilität zu beeinträchtigen

„Die Zusammenarbeit mit DocuWare war ein spannendes Projekt, bei dem wir unsere Expertise in KI und Machine Learning einsetzen konnten, um die Dokumentenverarbeitung und Workflow-Automatisierung nachhaltig zu verbessern. Besonders stolz sind wir auf die erfolgreiche Integration von LLMs und die Weitergabe von Know-how an die internen Teams von DocuWare.“

Andrija Vuksanovic

Founder & CEO, Titanom

Durchgeführte Schritte

Agile Weiterentwicklung der KI-gestützten Dokumentenverarbeitung

Durchgeführte Schritte

Agile Weiterentwicklung der KI-gestützten Dokumentenverarbeitung

Die Weiterentwicklung der KI-gestützten Dokumentenverarbeitung erfolgte in enger, interdisziplinärer Zusammenarbeit mit den DocuWare-Teams. In mehreren technologischen Entwicklungsphasen wurden bestehende Machine-Learning-Ansätze optimiert, moderne Sprachmodelle integriert und innovative KI-Konzepte exploriert. Durch ein iteratives, agiles Vorgehen konnten Indexierungsqualität, Skalierbarkeit und Innovationsfähigkeit systematisch gesteigert und gleichzeitig internes KI-Know-how aufgebaut werden.

Analyse & Zieldefinition

Gemeinsame Definition technischer und fachlicher Anforderungen zur Verbesserung der Indexerkennung und Workflow-Integration.

Analyse & Zieldefinition

Gemeinsame Definition technischer und fachlicher Anforderungen zur Verbesserung der Indexerkennung und Workflow-Integration.

Optimierung bestehender ML-Modelle

Weiterentwicklung klassischer Machine-Learning-Methoden zur präziseren Metadatenerkennung.

Optimierung bestehender ML-Modelle

Weiterentwicklung klassischer Machine-Learning-Methoden zur präziseren Metadatenerkennung.

Qualitätssteigerung der Indexierung

Fokus auf Reduktion der Fehlerquote und Minimierung manueller Nachbearbeitung.

Qualitätssteigerung der Indexierung

Fokus auf Reduktion der Fehlerquote und Minimierung manueller Nachbearbeitung.

Integration moderner LLMs

Einsatz leistungsfähiger Sprachmodelle zur verbesserten Extraktion von Indexdaten aus unstrukturierten Dokumenten.

Integration moderner LLMs

Einsatz leistungsfähiger Sprachmodelle zur verbesserten Extraktion von Indexdaten aus unstrukturierten Dokumenten.

Erweiterung um dokumentenbezogene QA-Funktionen

Ermöglichung von Fragebeantwortung direkt auf Basis dokumenteninterner Inhalte.

Entwicklung RAG-basierter Prototypen

Exploration neuer Ansätze durch Pilotierung von RAG-Chatbots für Support- und Analysezwecke.

Iterative Implementierung & Testing

Schrittweise Integration neuer Komponenten mit kontinuierlicher Validierung im bestehenden Systemumfeld.

Wissensaufbau & Skalierung

Systematischer Aufbau von KI-Expertise im Unternehmen und Vorbereitung der Lösung auf langfristige Skalierung.

Erweiterung um dokumentenbezogene QA-Funktionen

Ermöglichung von Fragebeantwortung direkt auf Basis dokumenteninterner Inhalte.

Entwicklung RAG-basierter Prototypen

Exploration neuer Ansätze durch Pilotierung von RAG-Chatbots für Support- und Analysezwecke.

Iterative Implementierung & Testing

Schrittweise Integration neuer Komponenten mit kontinuierlicher Validierung im bestehenden Systemumfeld.

Wissensaufbau & Skalierung

Systematischer Aufbau von KI-Expertise im Unternehmen und Vorbereitung der Lösung auf langfristige Skalierung.

Erweiterung um dokumentenbezogene QA-Funktionen

Ermöglichung von Fragebeantwortung direkt auf Basis dokumenteninterner Inhalte.

Entwicklung RAG-basierter Prototypen

Exploration neuer Ansätze durch Pilotierung von RAG-Chatbots für Support- und Analysezwecke.

Iterative Implementierung & Testing

Schrittweise Integration neuer Komponenten mit kontinuierlicher Validierung im bestehenden Systemumfeld.

Wissensaufbau & Skalierung

Systematischer Aufbau von KI-Expertise im Unternehmen und Vorbereitung der Lösung auf langfristige Skalierung.

Machine Learning

Custom LLMs

KI-gestützte Dokumentenverarbeitung

RAG-basierter Chat

Agile Produktentwicklung

DGVO-Konformität

Machine Learning

Custom LLMs

KI-gestützte Dokumentenverarbeitung

RAG-basierter Chat

Agile Produktentwicklung

DGVO-Konformität

“Wir haben mit der Titanom Technologies GmbH an der Entwicklung eines KI-basierten Sortier- und Suchverfahrens für Dokumente zusammengearbeitet. Nach erfolgreicher Konzeption und POC-Erstellung durch Titanom wurde das Projekt sowie Know-how an die hausinternen Softwareingenieure übergeben. Wir haben wertvolle Erfahrungen im Bereich KI erlangt, die nun praktisch zur Verbesserung unserer Produkte beiträgt. Wir können die Titanom Technologies GmbH mit ihrer hohen Fachkompetenz und Teamfähigkeit jederzeit weiterempfehlen.”