Maschinelles Lernen in Geschäftsapplikationen

Handschrifterkennung war einer der ersten Anwendungen für lernende Maschinen. Mittlerweile sind Maschinen so gut wie Menschen – oder sogar besser. Um das volle Potenzial dieser neuen, zeitsparenden Technologien auszuschöpfen, müssen sie nahtlos in die Geschäftsapplikationen integriert werden. Wie mühelos die Integration eines neuronalen Netzwerks in eine Geschäftsapplikation geht, zeigt unser Proof of Concept.

Eine weitverbreitete Herausforderung ist die Digitalisierung handgeschriebener Einzahlungsscheine und deren Übergabe ans Kernbankensystem. Wie sich das mit einem neuronalen Netzwerk lösen lässt, wollten wir in unserem Proof of Concept zeigen. Für die Benutzeroberfläche des Einzahlungsschein-Lesers verwendeten wir das Open Source Framework Eclipse Scout. Um die Handschrifterkennung zu bauen, zu trainineren und anzuwenden, verwendeten wir Deeplearning4j, die derzeit umfassendste und fortgeschrittenste Deep Learning Library. Da es sich um eine Java Library handelt, war die Integration mit Ecplipse Scout so reibungslos, wie erwartet.

Die Benutzeroberfläche basierend auf Eclipse Scout zeigt das Original des Einzahlungsscheins (oben)
und die ermittelte Zahl von Deeplearning4j mit der entsprechenden Wahrscheinlichkeit (unten).

Training des neuronalen Netzwerks

Um das Netzwerk zu trainieren, sammelten wir Schreibproben in der alltäglichen Handschrift unterschiedlicher Personen.

Nachdem wir das GUI (graphical user interface) und das neuronale Netzwerk in die Scout-Applikation implementiert hatten, mussten wir das Netzwerk nur noch trainieren. Dazu sammelten wir Schreibproben in der alltäglichen Handschrift unterschiedlicher Personen. Diese fütterten wir unserem neuronalen Netzwerk.

«Das neuronale Netzwerk liess sich mühelos in Eclipse Scout integrieren.»

Christoph Bräunlich, Softwareentwickler bei BSI

Mühelose Integration

Christoph Bräunlich, Softwareentwickler bei BSI

Der Proof of Concept zeigte, wie einfach sich ein neuronales Netzwerk in eine Geschäftsapplikation integrieren lässt. Da die beschriebene Integration Domain-unabhängig ist, kann sie auf alle Geschäftsapplikationen angewendet werden – auch für BSI CRM oder ein beliebiges Kundenprojekt. Einzahlungsscheine mögen zwar schon bald der Vergangenheit angehören, aber maschinelles Lernen wird voraussichtlich in allen Branchen wachsen. Bereits heute gibt es viele Anwendungsmöglichkeiten: Textanalyse (z.B. Sentimentanalyse oder das automatische Zuweisen von Kundenkommunikationen zu Prozessen oder Mitarbeitenden) und Bildverarbeitung (z.B. Erkennung von handschriftlichen und maschinellen Dokumenten, Bildbearbeitung) sind nur einige Beispiele, die uns auch in Zukunft beschäftigen werden.

Möchten Sie es selbst ausprobieren?

Die detaillierte technische Beschreibung unseres Anwendungsbeispiels finden Sie auf unserem Scout Blog (in Englisch). Dort finden Sie auch den Link zum kompletten Quellcode und zur Demoapplikation «Anagnostes» auf Github.