Verbundvorhaben FedXtract - Föderierte KI-Lösung zur Verarbeitung komplexer Dokumente

Abstract

Jährlich werden Milliarden von Dokumenten, wie beispielsweise bei der Schadensregulierung in Versicherungen, noch immer aufwendig per Hand bearbeitet. Bisher ließen sich diese Dokumente aufgrund ihrer vielfältigen Layouts und variierenden Scan-Qualitäten nur eingeschränkt mit herkömmlichen Methoden zur Texterkennung und -interpretation verarbeiten. Die aufkommenden KI-basierten Technologien zur Dokumentenerkennung eröffnen nun die Möglichkeit zur automatisierten Verarbeitung. Der Einsatz dieser Technologien scheitert bei kleineren Organisationen wie KMUs jedoch oft daran, dass für das Training der KI-Modelle umfangreiche Datenmengen erforderlich sind. Eine gemeinschaftliche Entwicklung der Modelle durch mehrere Unternehmen gestaltet sich schwierig, da dies die Datensouveränität der Beteiligten beeinträchtigen könnte. Zudem mangelt es vielen Organisationen an dem erforderlichen Know-how, um KI-Modelle selbstständig zu trainieren und zu implementieren. Vor diesem Hintergrund hat FedXtract eine Plattform geschaffen, die es KMUs ermöglicht, ohne tiefgreifendes KI-Wissen ein föderiertes Training von KI-Modellen durchzuführen, bei dem die Datenhoheit gewahrt bleibt. Diese Lösung nutzt das Konzept des Föderierten Lernens (FL), um eine branchenübergreifende, kontinuierliche Verbesserung eines globalen KI-Modells durch mehrere verteilten Nutzer zu ermöglichen. Dabei werden lediglich die inkrementellen Verbesserungen der Modelle ausgetauscht, sodass die sensiblen Daten lokal gesichert bleiben. Anschließend kann jeder Nutzer ein benutzerspezifisches KI-Modell entwickeln, indem er das globale Modell mittels Transfer Learning (TL) für seine spezifischen Anforderungen optimiert.