Obwohl künstliche Intelligenz in der Welt relativ kürzlich erschien, verwenden die meisten Menschen und Unternehmen sie immer noch hauptsächlich in Form von Fragen und Antworten in ChatGPT. Für viele ist dies das, was mit dem Konzept der "Verwendung von KI" verbunden ist. Daher ist ChatGPT nur einer von zahlreichen AI-Diensten, die geschaffen wurden, um Fragen zu beantworten, Texte zu bearbeiten und Bilder zu generieren. Viele führende Unternehmen weltweit haben begonnen, ihre eigenen KI-Modelle und -Produkte für praktische Anwendungen zu erstellen.Dies hat Unternehmen die Möglichkeit gegeben, künstliche Intelligenz in ihre Prozesse zu integrieren und die operative Effizienz zu steigern.Zum Beispiel senken Unternehmen, die KI in Schlüsselprozesse integriert haben, die Betriebskosten um 20-40% und steigern die Produktivität um 30%. Einige benötigen einen KI-Chatbot, der den Kunden 24/7 antwortet, bis zu 80% der typischen Anfragen abdeckt und das Gespräch nur dann an einen Betreiber überträgt, wenn die Frage zu spezifisch ist. Laut IBM-Statistiken haben Unternehmen, die AI-Chatbots implementiert haben, die Arbeitsbelastung der Betreiber um bis zu 70% reduziert und die Wartezeit der Kunden um 90% reduziert. Es gibt Finanzunternehmen, die regelmäßig Benutzerüberprüfungen durchführen müssen. Es sollte sofort bemerkt werden: Ein vollständiges Verifizierungsmodul ist eine komplexe technologische Lösung, aber Unternehmen können einzelne Teile davon implementieren. Zum Beispiel kann die Dokumentüberprüfung nicht nur in Finanzdienstleistungen integriert werden, sondern auch in die Arbeit von Domainnamenregistrierern oder Dienstleistungsanbietern. Der KYC (Know Your Customer) -Lösungsmarkt erreichte 2024 12,4 Milliarden US-Dollar und wird laut Prognosen jährlich um 22% wachsen. Nun, wenn eine Aktion eine Dokumentüberprüfung erfordert, ist es notwendig, nicht nur die Datei hochzuladen, sondern auch Informationen daraus zu extrahieren und die Daten im Profil des Kunden und in der Datenbank des Unternehmens zu speichern. Früher verlangte dies, dass der Benutzer alle Daten manuell eingibt und das Dokument zusätzlich hochlädt. Jetzt kann dieser Prozess automatisiert werden: Das System extrahiert die notwendigen Informationen von selbst ohne zusätzliche Anfragen an den Kunden. OCR-Technologien und AI-Analysen reduzieren die Zeit für die Dokumentüberprüfung von 5-10 Minuten auf ein paar Sekunden und reduzieren die Anzahl der Fehler um 80%, so Deloitte. Screenshot vom offiziellen Google Document AI-Dienst: https://cloud.google.com/document-ai https://cloud.google.com/document-ai Als nächstes werden wir untersuchen, wie wir eine ähnliche Lösung mithilfe von Google Cloud mit Vertex AI- und Document AI-Diensten implementieren können. Let’s break it down step by step using the example of Google Cloud: Vertex AI and Document AI. Unten ist ein Glossar, um den Zweck jedes Dienstes besser zu verstehen: — verwendet für das automatische Lesen und Erkennen von Daten aus Dokumenten (IDs, Pässe, Rechnungen). Es ermöglicht die Erfassung strukturierter Daten im JSON-Format ohne manuelle Eingabe. Document AI API - entworfen für die Erstellung, Ausbildung und Bereitstellung von Modellen der künstlichen Intelligenz. Es ermöglicht die Verwendung von ML für Analyse, Scoring, Anomalienerkennung und Prognose. Vertex AI API Integration of Document AI and Vertex AI in your project: step by step 1. Erstellen eines Google Cloud-Projekts Wenn das Projekt noch nicht erstellt wurde, fügen Sie es in der Google Cloud hinzu, stellen Sie die Rechnung ein und erstellen Sie ein Service-Konto mit Zugriffsrechten auf die notwendigen Dienste. Der Link: cloud.google.com/document-ai auf cloud.google.com/document-ai Ermöglichen Sie die beiden Hauptdienste: 
 
 
 Dokumentation zum API Vertex mit API Als nächstes müssen Sie die Document AI so konfigurieren, dass das System die Dokumente richtig liest. 
 
 
 
 Erstellen eines Prozessors des Typs ID Document Processor (für die Verarbeitung von Pässe und Führerscheinen geeignet) Wählen Sie die Region aus, in der Sie tätig sind (USA oder EU). Nach der Erstellung erhalten Sie eine Prozessor-ID. Kopieren Sie sie - es wird erforderlich sein, um Anfragen über die API zu machen. Als nächstes kann Ihre Website eine eigene Schnittstelle haben, in der Benutzer Dokumente hochladen. JPEG, PNG, PDF. Der Arbeitsmechanismus sieht so aus: 
 
 
 
 Das Backend Ihrer Website erhält die Datei vom Benutzer. Dann sendet es diese Datei an die Document AI API. Im Anforderungsorgan wird die Datei im Base64-Format übertragen. Beispiel für eine Anfrage: POST https://documentai.googleapis.com/v1/projects/{project_id}/locations/{location}/processors/{processor_id}:process 
 Document AI verarbeitet diese Daten und gibt sie im JSON-Format zurück: 
 
 
 OCR Text (aus dem Dokument erkennbarer Text) Strukturierte Daten: Vorname, Nachname, Geburtsdatum, Dokumentnummer, Ablaufdatum. Beispiel einer JSON-Antwort von Document AI + Entities:
! First Name: John (confidence 0.99)
! Last Name: Doe (confidence 0.98)
! Date of Birth: 1990-01-01 (confidence 0.97)
! Document Number: X1234567 (confidence 0.96)
! Expiry Date: 2030-12-31 (confidence 0.95)
 Was haben wir im JSON gefunden? First Name: John
Last Name: Doe
Date of Birth: 1990-01-01
Document No: X1234567
Expiry: 2030-12-31
 Mit den erhaltenen Daten können Sie bereits arbeiten und sie der Datenbank hinzufügen. Zum Beispiel können Sie sie im Profil des Kunden speichern, sodass Sie sie nicht mehr bitten müssen, diese Informationen einzugeben. Screenshot vom offiziellen Google Document AI-Dienst: https://cloud.google.com/document-ai https://cloud.google.com/document-ai Wir können diese Daten weiter verarbeiten und Verifizierung durchführen. In der Praxis gibt es Fälle, in denen KI bestimmte Elemente nicht erkennt. Zum Beispiel kann die Antwort von Document AI den Nachnamen nicht enthalten, obwohl er im Dokument vorhanden ist. Um eine Situation zu vermeiden, in der es scheint, alles abgeschlossen zu sein, aber die Daten fehlen, ist es notwendig zu überprüfen, ob alle Schlüsselfelder ausgefüllt sind.Nachdem Sie die Entitäten von Document AI erhalten haben (Erstname, Nachname, Geburtsdatum, Dokumentnummer, Ablaufdatum), stellen Sie sicher, dass keines von ihnen leer ist. - required_fields = ["first_name", "last_name", "date_of_birth", "document_number"] 
+ for field in required_fields:  
! if field not in extracted_data or not extracted_data[field]:
# raise ValueError(f"Missing required field: {field}")
 Oder für Ihren Service ist es wichtig, dass der Benutzer mindestens 18 Jahre alt ist. Sie können beispielsweise das Geburtsdatum (im Format YYYY-MM-DD) überprüfen und sicherstellen, dass das Alter > 18 Jahre beträgt (oder eine andere festgelegte Schwelle). - from datetime import datetime
+ dob = datetime.strptime(extracted_data["date_of_birth"], "%Y-%m-%d")
! age = (datetime.now() - dob).days // 365
# if age < 18:
# raise ValueError("Client must be over 18.")
 Bis zu diesem Stadium haben Sie hauptsächlich statische Daten überprüft, die mit Hilfe von AI gewonnen wurden. 2) Using Vertex AI Aber Sie können noch weiter gehen und das Vertex AI-Modul verwenden, da Sie bisher nur mit Document AI für das Scannen und Erkennen von Dokumenten gearbeitet haben. Screenshot vom offiziellen Vertex AI-Dienst: https://cloud.google.com/vertex-ai/generative-ai/docs/learn/overview https://cloud.google.com/vertex-ai/generative-ai/docs/learn/overview Sie haben möglicherweise zusätzliche Daten, wie IP-Adressen oder Länder, aus denen Sie aufgrund interner Richtlinien oder regulatorischer Einschränkungen keine Benutzer registrieren können. Senden von Daten an Vertex AI zum Scoring: - from google.cloud import aiplatform endpoint = aiplatform.
+ Endpoint(endpoint_name="projects/your-project/locations/us-central1/endpoints/123456789") 
! response = endpoint.predict(instances=[{ 
! "document_number": "X1234567", 
! "age": 32, 
! "country": "UK", 
! "upload_time": 2.5 }])
# print(response)
 In diesem Stadium verfügt Vertex AI bereits über alle Daten, die aus der Document AI gewonnen wurden: Data from the document (Document AI Output) 
 
 
 
 
 
 Vorname und Nachname (Anomalienerkennung, Duplicate Accounts) Geburtsdatum (für Altersbeschränkungen und Risikoprofil). Nummer des Dokuments (Einzigartigkeit und Muster). Ablaufdatum (Gültigkeitsprüfung) Emittentenländer (Länder mit hohem Risiko) Aber Sie geben auch Informationen, die Ihr System über den Client sammelt.Unten ist eine begrenzte Menge an Informationen.Es kann viel mehr oder weniger sein, je nach Bedarf. File metadata 
 
 
 
 Ladezeit (z. B. verdächtige Uhrzeit oder Nacht) Dateiformat (JPEG, PNG und PDF) Anzahl der Uploadversuche (Zeichen von Betrug). User behavioral data 
 
 
 
 Form Füllgeschwindigkeit (zu schnell → Verdacht auf einen Bot) IP-Adresse und Geolocation (mit dem Land des Dokuments übereinstimmen) VPN oder Proxy (Zeichen des Versteckens) Das Vertex AI Endpoint-System, das als ML/AI-Modell eingesetzt wird, analysiert die Daten und gibt eine Vorhersage zurück. Zum Beispiel könnte die Antwort so aussehen: risk_score = 0.12.
 Regeln der Entscheidungsfindung: If risk_score < 0.2 → approve.
If 0.2 ≤ risk_score < 0.5 → review.
If risk_score ≥ 0.5 → reject.
 Als nächstes, abhängig von den Einstellungen Ihrer Website oder Anwendung, zeigen Sie das Ergebnis an den Client, und die strukturierten Daten werden in der Datenbank des Unternehmens (PostgreSQL, MySQL, Firestore oder etwas anderes) gespeichert. Sie können auch: 
 
 
 Ändern Sie den Status des Kunden im Profil. Senden Sie Push- oder E-Mail-Benachrichtigungen Dies ist ein Beispiel dafür, wie ein einziges KI-Modell verwendet werden kann, um Geschäftsaufgaben zu lösen und Prozesse für das Unternehmen und seine Kunden zu beschleunigen. AI-Modelle decken noch nicht alle reale Szenarien ab, aber neue Lösungen entstehen jeden Monat. Bleiben Sie auf dem Laufenden für Updates. Was bereits verfügbar ist, kann effektiv in der Arbeit eingesetzt werden. Below are examples of AI models and ways to use them: OpenAI (ChatGPT, GPT-4/4o) 
 
 
 
 ChatGPT API – Integration von AI-Chat in Anwendungen (Support, Automatisierung). Assistants API – Benutzerdefinierte Assistenten für Geschäftsaufgaben. Code Interpreter – Analyse von Daten und Python-Skripts (Finanzanalysen, Dashboards). Google Cloud AI (Vertex AI) 
 
 
 
 Dokument AI – Dokumentparsing (KYC, Verträge, Erklärungen) AutoML – Bauen Sie Modelle ohne Code (Scoring, Prognosen). AI Hub – fertige Modelle (Betrugserkennung, Kredit-Scoreing) AWS AI Services 
 
 
 
 Textract – OCR aus PDFs (Rechnungen, Finanzdokumente). Verstehen – Textanalyse (Bewertungen, Sentiment) SageMaker – Training von maßgeschneiderten Modellen (Risikomanagement, Prognosen). Microsoft Azure AI (Copilot) 
 
 
 Dokumentenintelligenz – Anerkennung von Formularen und Berichten. Azure OpenAI Service – GPT in der Cloud für Unternehmenslösungen. Anthropic (Claude) 
 
 Claude API – Chat, Textgenerierung, Datenanalyse (Rechtsdokumente, Compliance) Fireblocks 
 
 AI Analytics – Transaktionsüberwachung, AML, Betrugsschutz in Krypto. DocuSign AI 
 
 Intelligent Insights – Analyse von Verträgen und Risiken. Salesforce Einstein AI 
 
 Einstein GPT – Verkaufsprognose, CRM Automation. Künstliche Intelligenz ist aufgehört, nur ein Trend zu sein und ist zu einem echten Werkzeug für die Business-Optimierung geworden. Von der Automatisierung der Kundenüberprüfung bis hin zur Risikoprognose und Service-Personalisierung – KI bietet Unternehmen Möglichkeiten, Zeit zu sparen, Kosten zu reduzieren und die Genauigkeit zu verbessern. Beispiele wie Google Cloud mit seinen Vertex AI- und Document AI-Diensten zeigen, dass die Implementierung solcher Lösungen nicht mehr das Privileg von Technologie-Giganten ist – es ist für Unternehmen jeder Größe und Branche verfügbar. Igor Nikolajew, Technischer Produktleiter in Fintech und KI

Read My Stories

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Make resilience your competitive advantage

AI kann Ihre ID in Sekunden überprüfen - so funktioniert es

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

HackerNoon Decoded 2024: Wir feiern die Community unserer Technologieunternehmen!

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our Data Science Community!

HackerNoon Decoded 2024: Wir feiern die Community unserer Technologieunternehmen!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps