Anwendungsfall · Individuelle KI
Freitexte automatisch klassifizieren.
Ein individuelles KI-Modell ordnet Texte den Kategorien Ihres Klassenschemas zu. Für wiederkehrende Datenarbeit, nachvollziehbare Ergebnisse und gezielte fachliche Prüfung.
Das Wichtigste in Kürze
- Ein eigenes Modell ordnet Freitexte konsistent den Klassen Ihres Schemas zu – auch bei Hunderten oder Tausenden von Klassen.
- 100.000 Texte sind in etwa einer Minute klassifiziert; manuell wären es rund 200 Arbeitstage.
- Ein Pilotprojekt beginnt in der Regel bei 5.000 Euro netto. Das Einsparpotenzial lässt sich vorab abschätzen.
- Seit über zehn Jahren entwickle ich neuronale Netze und Klassifikationsmodelle für den produktiven Einsatz.
In vielen Unternehmen und Instituten fallen Texte an, die erst ausgewertet werden können, wenn sie einheitlichen Kategorien zugeordnet sind: offene Antworten, Berufsangaben, Kundenfeedback oder eingehende Nachrichten. Diese Klassifizierung – in der Forschung oft Codierung oder Vercodung genannt – ist wiederkehrende, zeitaufwendige Arbeit.
Typische Anwendungsfälle:
- Markt- und Sozialforschung: Freitextantworten automatisch Themen und Codes zuordnen
- Berufs- und Produktklassifikation: Bezeichnungen in etablierte oder interne Klassifikationssysteme einordnen
- Postfach-Routing: Nachrichten nach Thema, Dringlichkeit oder zuständiger Abteilung verteilen
- Kundenfeedback: Bewertungen, Beschwerden und Verbesserungsvorschläge strukturiert auswerten
- Dokumentenverarbeitung: Dokumente nach Typ, Inhalt oder Bearbeitungsbedarf klassifizieren
Allgemeines LLM oder eigenes Modell?
Große Sprachmodelle wie die von OpenAI oder Anthropic sind vielseitig. Für einfache, allgemeine Kategorien reichen sie oft aus, und die Anbindung an einen solchen Anbieter ist deutlich günstiger als ein eigenes Modell. Auch dabei unterstütze ich gern.
An Grenzen stoßen sie, wenn ein Klassenschema Hunderte oder Tausende Klassen umfasst, wenn es sich um ein internes Schema handelt oder wenn ein Prozess immer gleich und nachprüfbar ablaufen muss. Dann ist ein eigens trainiertes Modell die bessere Grundlage: Es liefert für dieselbe Eingabe dieselbe Ausgabe, kennt nur gültige Klassen und lässt sich gegen manuell codierte Daten messen.
Genauigkeit, Kosten und Geschwindigkeit
Eine Genauigkeit von 100 Prozent erreicht auch ein gutes Modell nicht. Bei ausreichend vielen und sauber codierten Trainingsdaten kommt es jedoch in der Regel an die manuelle Bearbeitung heran und ist dabei oft konsistenter. Unsichere Fälle lassen sich gezielt markieren und fachlich prüfen.
Der eigentliche Vorteil liegt in Kosten und Geschwindigkeit: 100.000 Texte sind in etwa einer Minute klassifiziert, manuell wären es rund 200 Arbeitstage. Ob und wie schnell sich die Entwicklung amortisiert, lässt sich vorab anhand Ihrer Datenmengen abschätzen.
Erfahrung mit Klassifikationsmodellen
Neuronale Netze und Klassifikationsmodelle entwickle ich seit über zehn Jahren. Von 2018 bis 2026 war ich Senior Software-/AI-Engineer bei der Inspirient GmbH und habe dort unter anderem das automatisierte Training neuronaler Netze entwickelt. Mit VerbaCoder betreibe ich eine eigene Anwendung, die Berufsangaben nach KldB, ESCO und ISCO klassifiziert.
Ablauf und Kosten eines Pilotprojekts
- In einem kostenlosen Erstgespräch prüfen wir, ob sich Ihr Anwendungsfall eignet, und betrachten Klassenschema, Datenmenge und gewünschte Qualität.
- Sie senden einen repräsentativen Ausschnitt bereits codierter Daten.
- Sie erhalten ein Angebot mit Leistungsumfang, Zeitrahmen und Bereitstellungsform.
- Ich bereite die Trainingsdaten auf, entwickle und trainiere das Modell und messe die Qualität.
- Wir besprechen die Ergebnisse und entscheiden, ob weitere Optimierungen sinnvoll sind.
- Das Modell wird als Modelldatei, API oder integriert in eine Webanwendung bereitgestellt.
Je nach Komplexität und Datenlage dauert das wenige Tage bis einige Wochen.
Ein Pilotprojekt zur Entwicklung und Bewertung eines individuellen Klassifikationsmodells beginnt in der Regel bei 5.000 Euro netto. Die Kosten einer produktiven Integration hängen unter anderem von der Datenaufbereitung, der Bereitstellungsform und der vorhandenen Systemlandschaft ab.