Textanalyse der Zukunft: Qualitätssteigerung durch hybride KI-Technik
Wie TCL.digital mit modernsten KI-Methoden und LLMs mehr aus seinen Textanalysen herausholen konnte
Als Pionier im Bereich der Textoptimierung für Marketing- und Kundenkommunikation verbindet TCL.digital mit Sitz in Hanau über 25 Jahre Kommunikationserfahrung mit modernster KI-Technologie. Das Unternehmen hat mit der Text-Performance®-Methode einen Ansatz geschaffen, der Sprache zu einem messbaren Erfolgsfaktor macht. Mit der SaaS-Plattform TEO V3 unterstützt TCL.digital Unternehmen dabei, Texte strategisch zu analysieren, zu optimieren und markengerecht einzusetzen – für wirkungsvolle Kommunikation und zuverlässige Wettbewerbsvorteile.
Das Projekt auf einen Blick
- Signifikante Effizienzgewinne durch Ablösung regelbasierter Systeme: Implementierung eines hybriden LLM-basierten Ansatzes, der die aufwändige Entwicklung und Pflege komplexer, regelbasierter Parser-Systeme ersetzt und dadurch signifikante Effizienzgewinne ermöglicht.
- Deutlicher Uplift in der Analysequalität: Einsatz moderner Machine-Learning-Algorithmen zur semantischen Textanalyse, wodurch die Genauigkeit und Aussagekraft der Ergebnisse gesteigert wird.
- Höhere Zuverlässigkeit und Risikominimierung: Identifikation komplexer und seltener Textmuster, die in regelbasierten Verfahren nicht abgebildet werden können, führt zu einer verbesserten Analyse und reduziert Fehlerrisiken.
- Business Value durch Kundenzufriedenheit und Marktpositionierung: Präzisere Analysen steigern die Qualität der Textoptimierung für Endkund*innen, erhöhen die Zufriedenheit und stärken die Wettbewerbsfähigkeit des Produkts nachhaltig.
Ausgangssituation
Parser-Technologien bilden seit Jahren das Rückgrat für semantische Textanalysen. In der Praxis stützen sich Unternehmen dabei bislang häufig auf hochkomplexe, regelbasierte Systeme, deren Aufbau und Pflege äußerst zeit- und ressourcenintensiv sind. Insbesondere die Abbildung von komplexen Satzstrukturen stellt dabei eine große Herausforderung dar, da diese überhaupt erst entdeckt werden müssen und nur mit manuellem Aufwand ergänzt werden können. Trotz der hohen Komplexität stoßen solche Systeme an ihre Grenzen, wenn es darum geht, sprachliche Nuancen zuverlässig zu erfassen und präzise Analysen sicherzustellen. Einige sprachliche Feinheiten lassen sich zudem gar nicht über solche Systeme erfassen.
Durch den Einsatz von modernen Machine-Learning-Algorithmen und Large Language Models (LLMs) können semantische Analysen deutlich verbessert und komplexe Muster automatisiert erkannt werden. Damit eröffnet sich die Möglichkeit, bestehende regelbasierte Parser-Modelle nicht nur effizient abzulösen, sondern gleichzeitig die Analysequalität substanziell zu steigern und die Grundlage für zukunftsfähige, skalierbare Textoptimierungsprozesse zu schaffen.
Lösung
Hybrider Ansatz
Performance & Praxistauglichkeit
Hybrider Ansatz
Im Rahmen des Projekts entwickelte codecentric gemeinsam mit TCL.digital ein skalierbares Backend-System, das modernste NLP(1)- und Machine-Learning-Technologien mit generativer KI (LLMs) kombiniert. Dieser hybride Ansatz ermöglicht eine deutlich präzisere semantische Analyse und eröffnet neue Einsatzmöglichkeiten, welche mit klassischen Parser-Technologien nicht realisierbar sind – beispielsweise die differenzierte Erkennung verschiedener Arten von Imperativen.
(1) Natural Language Processing (NLP) ist ein Teilgebiet der künstlichen Intelligenz, das sich mit der automatischen Verarbeitung und Analyse menschlicher Sprachen befasst. Es ermöglicht Computern, geschriebene oder gesprochene Sprache zu verstehen, zu interpretieren und zu erzeugen.
Performance & Praxistauglichkeit
Ein wesentlicher Fokus lag auf der Performance und Praxistauglichkeit des Systems: Ergebnisse werden innerhalb weniger Sekunden bereitgestellt und ermöglichen so eine unmittelbare Weiterverarbeitung. Gleichzeitig wurde die Architektur so konzipiert, dass sie höchsten Ansprüchen an Qualität und Robustheit genügt und zugleich flexibel skalierbar bleibt, um zukünftige Erweiterungen nahtlos integrieren zu können.
Die Entwicklung der neuen Lösung erfolgte in enger Abstimmung mit dem Kunden. So konnte sichergestellt werden, dass Anforderungen genau umgesetzt werden.
Ergebnis
Trotz der technologischen Komplexität hinter den gewünschten Funktionen konnte ein funktionsfähiges Software-Modul binnen wenigen Wochen realisiert werden. In diversen durchgeführten Tests lieferte das neue System sehr gute Ergebnisse. Durch einen klaren Fokus auf pragmatische Umsetzungsschritte gelang gemeinsam mit dem Kunden ein schneller technischer Durchstich, der die Leistungsfähigkeit des Ansatzes unter Beweis stellte und zugleich den Grundstein für die nachhaltige Weiterentwicklung des Systems legte.
Dank der neuen Möglichkeiten durch das hybride ML-/LLM-basierte System kann TCL.digital seinen Kund*innen in Zukunft noch genauere Textoptimierung bieten und hat sich somit ein qualitatives Differenzierungsmerkmal gesichert. Somit kann die Kundenzufriedenheit noch weiter gesteigert und die bereits führende Marktposition gesichert werden. Das neue System soll im weiteren Verlauf ausgebaut werden, um noch komplexere linguistische Herausforderungen lösen zu können. Wir freuen uns auf die weitere gemeinsame Entwicklung.
Dirk Majchrzak
CEO bei TCL.digital
Die technologische Unterstützung durch codecentric hat im Bereich Machine Learning und AI eine relevante Lücke in unserer Entwicklung nachhaltig geschlossen. Besonders beeindruckt hat mich das lösungsorientierte Vorgehen bei NLP-Problemstellungen.
Dirk Majchrzak
CEO bei TCL.digital
Noch Fragen zum Projekt?
Du bist überzeugt davon, dass du deine Produkte mit KI besser machen kannst, weißt jedoch nicht genau, wie? Sprich mich einfach an!
Service Lead GenAI
Weitere Referenzprojekte
Informiere dich über weitere erfolgreiche Projekte, die wir mit unseren Kunden abgeschlossen haben. Vielleicht findest du hier Anregungen für einen Use Case in deinem Unternehmen.
Niklas Haas
Service Lead GenAI