Dutch 
English 
French 
Moderne postkamers gebruiken een hele reeks technieken om ervoor te zorgen dat alle inkomende communicatie op de juiste manier wordt gesorteerd, gearchiveerd en naar de juiste ontvangers wordt gestuurd - op basis van een reeks metadata die van deze inkomende correspondentie worden vastgelegd.
En meestal werkt dit prima, maar er zijn nog steeds gevallen waarin deze technieken tekortschieten. Machine learning (ML) kan uitkomst bieden, en het toevoegen ervan aan uw systeem kan eenvoudiger zijn dan u denkt.
We nemen drie scenario's met u door waarin ML communicatie kan extraheren en classificeren, en uw postkamerheld kan worden.
Scenario 1: uw postkamerregels definiëren
Digitale postkamers sorteren documenten en inkomende communicatie met klanten meestal volgens een reeks regels. Eerst definieert het bedrijf een reeks documenttypes, variërend van klachten en contracten tot complexere bestanden zoals medische documenten en Europese Ongevallenverklaringen.
Vervolgens wordt de business gevraagd om typische zinnen of woorden te bedenken die het bestandstype zouden kunnen identificeren, en op basis van deze gebruikersinvoer worden regels gedefinieerd.
Maar dit handmatige proces is niet alleen tijdrovend; het blijkt ook niet zo eenvoudig te zijn voor gebruikers om deze typische woorden en zinnen ter plekke te bedenken - vooral omdat er zoveel variatie in taal is. Naarmate het aantal documenttypes toeneemt, wordt het bovendien moeilijker om handmatig trefwoorden te selecteren.
Machine learning kan helpen door dit proces volledig over te nemen. Classificatiealgoritmen doorzoeken stapels bestanden om de eerste categorieën te vinden en de kenmerken die deze identificeren.
Business en IT kunnen deze documenten dan labelen en beoordelen of de sortering nauwkeurig is, zodat de algoritmen verder kunnen worden getraind met aanvullende gegevens in een proces van supervised learning - waarbij gebruikers de keuzes van de AI valideren, zodat het algoritme weet of het op de goede weg is of moet worden aangepast.
Door gebruik te maken van machine learning verbetert de nauwkeurigheid van uw classificatie- en extractieprocessen na verloop van tijd, terwijl de nauwkeurigheid juist afneemt als u vasthoudt aan de handmatige aanpak.
Scenario 2: meerdere postkamers consolideren
Wanneer bedrijven fuseren tot één bedrijf, moeten ook de administratieve processen en postkamers geconsolideerd worden. Elk van deze digitale postkamers heeft meestal een aantal gedefinieerde documenttypes en een set regels om deze te labelen.
Door ze allemaal op één hoop te gooien, zouden er overtollige, elkaar overlappende categorieën ontstaan, en handmatig zeven en aanpassen is vrijwel onmogelijk. Voor machinaal leren is dit echter gewoon business as normal.
Een verwarring- of foutenmatrix is bij uitstek geschikt om complexiteit en dubbelzinnigheid in uw postkamer te verminderen.
Het begint met het visualiseren van de uitvoer van uw classificatie- en extractiealgoritme, en de resultaten van deze matrix kunnen vervolgens worden gebruikt om vergelijkbare classificaties, een gebrek aan gegevens en andere mogelijke problemen te identificeren. In wezen geeft het u inzichten in uw classificatie die u met een handmatig proces niet zou kunnen verkrijgen.
Op basis van de conclusies die u uit de matrix trekt, kunt u vervolgens de sortering verder verfijnen, documenttypes combineren en uiteindelijk uw categorieën beperken, zodat u uiteindelijk minder verschillende documenttypes overhoudt en een gestroomlijnde postkamer krijgt.
Scenario 3: sorteerregels verfijnen
Een laatste scenario is een combinatie van de eerste twee. Naarmate bedrijven groeien, komen er producten bij en veranderen de communicatie en voorwaarden.
Na verloop van tijd voldoen uw oorspronkelijke postkamerregels niet meer. Ze moeten daarom voortdurend worden aangepast, met nieuwe documenttypes die worden toegevoegd om de veranderende business bij te houden.
Dit resulteert er vaak in dat een bedrijf meer categorieën heeft dan het nodig heeft, en elke maand veel werk om de sorteercriteria aan te passen.
Classificatie en extractie met machine learning kunnen hier twee vliegen in één klap slaan. Zoals eerder vermeld, wordt een verwarringmatrix gebruikt om documentklassen te analyseren en potentiële problemen te identificeren.
Het kan dan worden gebruikt om den het aantal documenttypes door te zoeken naar categorieën waar er geen duidelijk onderscheid is.
Sorteeralgoritmen zijn zelflerend en kan achter de schermen voortdurend worden bijgewerkt met minimale inspanningen om rekening te houden met kleine verschuivingen in communicatie en producten.
Dankzij machine learning bespaart u tijd, moeite en uiteindelijk kosten, terwijl u een hoge sorteernauwkeurigheid garandeert.
Machine learning toevoegenn geen gedoe zijn:
Veel bedrijven hebben al een digitale postkamer, maar vaak zonder kunstmatige intelligentie. Bij Docbyte geloven we echter dat het toevoegen van deze classificatie- en extractiealgoritmen niet hoeft te betekenen dat er een volledig nieuwe postkamer moet worden geïmplementeerd - een kostbare en tijdrovende aangelegenheid.
Daarom hebben we de AI in onze eigen postkamersoftware opgenomen en verpakt in een module die u gemakkelijk aan uw huidige oplossing kunt toevoegen met behulp van REST API's.
Met onze module voegt u innovatieve kunstmatige intelligentietechnieken zoals natuurlijke taalverwerking toe aan uw postkamer, zorgt u voor hoge nauwkeurigheid, versnelt u uw bedrijf digitaal en nog veel meer - en dat alles in een handomdraai.
Wilt u weten wat onze classificatie- en extractiemodule voor uw organisatie kan betekenen? Neem dan nu contact op met onze experts. Wij helpen u graag!
