Abstract
Viele Unternehmen stehen vor der Herausforderung, eingescannte Dokumente manuell verarbeiten zu müssen, was zeitaufwendig und fehleranfällig ist. Anhand eines Praxisbeispiels aus der Versicherungsbranche zeigt der Vortrag, wie KI-Agenten die Schadensbearbeitung effizient unterstützen können. Ein generatives KI-Modell extrahiert relevante Informationen aus Rechnungen, vergleicht sie mit Policen und Gebührenordnungen und leitet entsprechende Zahlungen oder Ablehnungen ein. Im Mittelpunkt steht das Multi-Agenten-System, das die Dokumentenklassifikation, die Bewertung von Schadensansprüchen und die Anbindung an Auszahlungssysteme umfasst. Die Implementierung dieser Technologie führt zu einer erheblichen Reduzierung der Bearbeitungszeiten und bietet eine skalierbare Basis für weitere KI-Anwendungen. Der Vortrag zeigt, wie der gezielte Einsatz von KI-Agenten die Effizienz steigert und einen Mehrwert für Unternehmen und Kunden schafft.
Janko Eggert, esentri
Janko Eggert ist Consultant im Bereich Data Science bei der esentri AG. Er hat einen Masterabschluss in Informatik mit dem Schwerpunkt Data Science & Analytics von der Hochschule Offenburg, den er 2020 abgeschlossen hat. In seiner Masterarbeit beschäftigte er sich mit der Machine-Learning-getriebenen Optimierung von Absatzprognosen mittels Belegdaten und externen Informationsquellen. Zuvor erwarb er einen Bachelorabschluss in Medien und Informationswesen mit dem Schwerpunkt Medieninformatik an derselben Hochschule. Seine Bachelorarbeit behandelte die Evaluation und prototypische Implementierung eines KI-Chatbots zur Optimierung interner Prozesse in der Softwareentwicklung.
Seit 2023 ist Janko Eggert bei der esentri AG tätig, wo er in der Beratung, Konzeption und Implementierung von Datenarchitektur, Data Engineering und Data Science-Projekten arbeitet. Zuvor war er von 2020 bis 2022 als Data Scientist bei EDEKA Südwest tätig, wo er Machine-Learning-Projekte, insbesondere Absatzprognosen, Assoziationsanalysen und Recommender Systems, konzipierte und umsetzte sowie Big-Data-Infrastrukturen entwickelte und als Product Owner fungierte. Seine Expertise erstreckt sich über verschiedene Branchen, darunter Großhandel/Retail, Forschung & Entwicklung, Verkehr und Logistik, Versicherung und Verwaltungsbehörden.
Daniel Müller, esentri
Daniel Müller ist Consultant im Bereich Data Science und Künstliche Intelligenz bei der esentri AG. Er hat einen Masterabschluss in Mathematik mit Nebenfach Informatik von der Universität Augsburg, den er 2023 abgeschlossen hat. Während seines Studiums spezialisierte er sich auf Computer Vision, Deep Learning und numerische Optimierung und schrieb seine Masterarbeit über Deep Learning in der universellen Läsionsdetektion basierend auf Computertomographiedaten. Zuvor erwarb er einen Bachelorabschluss in Mathematik mit Nebenfach Wirtschaft an derselben Universität, wobei er sich auf numerische Optimierung und Graphentheorie konzentrierte und seine Bachelorarbeit über die Fast Explicit Diffusion Methode in der Bildanalyse verfasste.
In seiner aktuellen Position bei der esentri AG, die er seit 2024 innehat, ist Daniel Müller verantwortlich für den Aufbau einer zentralen Datenplattform, die Orchestrierung und Transformation von Daten innerhalb eines Datawarehouses sowie die Entwicklung eines LLM-gestützten Codeanalyse-Tools. Zudem implementierte er ein Multiagentensystem zur Rechnungsverarbeitung. Seine Expertise erstreckt sich über verschiedene Branchen, darunter Finanzen, Leasing, Automobilindustrie, Maschinenbau und Personalwesen.