Dokumente verstehen lernen: RPA basiertes Document Understanding 

Wenn es eine aktuelle Herausforderung gibt, mit der fast alle Banken zu kämpfen haben, dann sind es die Workflows im Backend, die mit unstrukturierten Datensätzen arbeiten. Ob es sich um Gehaltsabrechnungen im Privatkundengeschäft, Maklerbestätigungen im Investmentbanking oder um Versicherungsansprüche handelt, sie alle erfordern die manuelle Überprüfung, Sortierung und das Extrahieren der Informationen. Ein Großteil liegt in Formaten wie E-Mails, Office-Dateien, gescannten Dokumenten oder PDF´s vor. Solche Dokumente durchlaufen häufig zahllose Bearbeitungsschritte.

In den letzten Jahren haben viele begonnen, ihre Prozesse mit Hilfe von RPA (Robotic Process Automation) zu automatisieren. Eines der am dynamischsten wachsenden Segmente ist die durch künstliche Intelligenz (KI) gestützte Dokumentenverarbeitung. Sie verspricht Abhilfe durch Vereinfachung und Beschleunigung.

RPA basiertes Document Understanding ermöglicht die Automatisierung verschiedener dokumentenintensiver Geschäftsvorgänge und bewältigt geschäftliche Routineaufgaben mit wesentlichen Zeit- und Kosteneinsparungen. Normalerweise erfordern solche Prozesse eine hochgradig manuelle Bearbeitung. Eine solche Automatisierung minimiert auf der einen Seite das Risiko menschlicher Fehler, auf der anderen Seite befreit sie MitarbeiterInnen von ungeliebter Arbeit und schafft so Freiräume für wertschöpfendere Tätigkeiten. Nicht zu unterschätzen ist zudem der Geschwindigkeitsaspekt mit Blick auf die Customer Experience. Eingedenk der Tatsache, dass zum Beispiel ein durchschnittlicher Hypothekenantrag fünfunddreißig manuelle Bearbeitungsschritte durchläuft bevor er fertiggestellt wird, trägt hier eine höhere Reaktionsgeschwindigkeit sicherlich auch zur Kundenzufriedenheit und zur Service-Profilierung gegenüber dem Wettbewerb bei.

Dateiformate ausschlaggebend für Extraktionsansätze

Als limitierend für RPA erwies sich bisher die Fixierung auf strukturierte Daten, die gerade mal 20 Prozent der Informationen ausmachen, die große Banken täglich verarbeiten. Der Marktführer Uipath verfolgt mit seiner Document Understanding-Lösung bei der Extraktion der Dokumente drei unterschiedliche Ansätze. Sie sind entweder regel- oder modellbasiert oder kombinieren beides hybrid. Ausschlaggebend sind die Formate der zu verarbeitenden Dokumente.

Strukturierte Dokumente mit festen Datenpositionen können mit einer regelbasierten Herangehensweise bearbeitet werden. Deren Aktionen werden nach vom Benutzer festgelegten Vorgaben durchgeführt. Herausfordernder sind natürlich unstrukturierte oder semistrukturierte Dokumente.

Machine Learning: ohne Regeln geht es auch

Hier helfen komplexe Machine Learning (ML)-Anwendungen, die auf dynamische Situationen reagieren. Sie finden Daten und extrahieren sie, wenn keine statischen Regeln oder Vorlagen angewendet werden können.

Praktisch lernen sie durch die Verbindung der Datensatz-Bearbeitung mit entsprechendem Feedback. Das Gelernte können sie dann auch auf nicht reglementierte Ereignisse anwenden. Je mehr sie mit diesem Modell arbeiten, umso genauer werden sie.

Bei hybriden Anwendungsfällen, in denen Datensätze unterschiedlicher Strukturierung existieren, wird die regel- und modellbasierte Anwendung kombiniert, um eine effektivere Datenextraktion zu gewährleisten. Verschiedene Extraktoren werden hier separat für jedes Dokument eingerichtet.

Schneller Return on Investment

Die Nutzung von KI-gestützter Dokumentenverarbeitung zeitigt innerhalb kurzer Zeit messbare Ergebnisse und einen schnellen Return on Investment. Durch die Implementierung können Personalkosten signifikant reduziert werden. Auch die häufig kritisch gesehenen Schnittstellen zwischen RPA, KI und MitarbeiterInnen lassen sich sehr effektiv gestalten. So hat beispielsweise die Yapa Kredi Bank in ihrem Prüfungsprozess KI, Document Understanding und Bildverarbeitung kombiniert eingeführt. Nicht nur um Prozesse zu automatisieren, sondern auch um den Prüfern „intelligente Assistenten“ an die Seite zu stellen. Der Audit-Prozess wurde so geändert, dass nur komplexe Anträge von den Robotern nicht bearbeitet werden. Die Ausnahmen werden markiert und erst dann manuell überprüft. Dadurch entstand bei den Prüfern eine Zeitersparnis von 15 Prozent.

Beispiele wie diese zeigen, dass der Einsatz von KI-gestütztem Document Understanding Geld und Zeit spart. Banken kann er kurz- bis mittelfristig wichtige Wettbewerbsvorteile sichern − wo früher die Genehmigung eines Kreditantrages Tage dauerte, kann dies heute innerhalb kürzester Zeit geschehen.