Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS
Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS

IntelliSolutions

Digitalisierung in Wirtschaftsprüfung, Verwaltung, Controlling, Kanzleien und mehr

Dank der fortschreitenden Digitalisierung stehen uns unzählige Datenschätze zur Verfügung, die für die Prozessoptimierung genutzt werden können. Informationen und Daten zu einem Unternehmen sind meist jedoch nicht an einem Ort gespeichert und liegen in unterschiedlicher Form vor – etwa als Texte und Tabellen, Bilder oder Videos. Die Bereitstellung von Informationen ist daher häufig eine zeitraubende, von händischer Routine geprägte Arbeit: Dokumente müssen gefunden, klassifiziert, kategorisiert und ausgewertet werden.

Wir, das Geschäftsfeld Cognitive Business Optimization, digitalisieren und optimieren diesen Prozess unter höchsten Datenschutzanforderungen. Wir haben jahrelange Erfahrung in der Entwicklung von Tools, die auf Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML) basieren. Die Erkenntnisse, die wir durch unsere Tools aus den Datenbeständen gewinnen, helfen Unternehmen dabei, Effizienzsteigerungen zu realisieren.

Ein Großteil unserer Projekte fokussiert sich auf die intelligente und automatisierte Analyse von Geschäftsdokumenten und betriebswirtschaftlichen Prozessen. Entdecken Sie zum Beispiel unsere Success Story zur Software »Automated List Inspector« (ALI), mit der wir bei PwC Prozesse der Wirtschaftsprüfung teilautomatisieren.

 

 

Unverbindlicher Beratungstermin
Alle ausklappen Alle einklappen

 

 

 

Digitalisieren und automatisieren Sie Ihre Geschäftsprozesse mit unserem innovativen, KI-basierten IntelliSolutions Portfolio. Mit IntelliSolutions können Sie Ihre Arbeitsabläufe optimieren und die Effizienz steigern.

IntelliDocumentManagement

Strukturierte Digitalisierung von Dateien

Intelligentes Schnittstellenmanagement zu Datenbanken

IntelliExtract

Informationen, Daten, KPIs aus Dokumenten automatisch extrahieren

IntelliSearch

Dokumentenübergreifende, intelligente Suchfunktion

IntelliAnonymiser

Automatische Anonymisierung von sensiblen Daten in Texten und Tabellen, so dass Dokumente Datenschutz- und NDA-konform verarbeitet werden können

IntelliComparison

KI-basierter Dokumentenvergleich z. B. Übersetzungen, Zahlen, Dokumentenversionen

IntelliDetect

Erkennen von Auffälligkeiten in Texten und Tabellen z. B. Geschäftsberichten

IntelliCheck

Prüfung von Dokumenten basierend auf individuellen Prüfkriterien

Vollständigkeits- und Konsistenzprüfung

z. B. Prüfung von Compliance Regeln, Due Dilligence Prüfung, Wirtschaftsprüfung, Vertragsprüfung

IntelliReporting

Automatisiert Fragen zu Verträgen beantworten

Zusammenfassung von Vertragspassagen

Generieren von Texten mit LLMs (GPT)

Unsere Tools – basierend auf KI und ML

Anonymizer: Datenschutzkonforme Dokumentenanalyse

In der EU und insbesondere in Deutschland sind Datenschutz und Regulatorik oft eine Herausforderung für die Umsetzung von KI- und ML-Projekten. Für das Training unserer Algorithmen benötigen wir jedoch eine große Menge an Daten.

Deshalb haben wir ein Tool entwickelt, dass sensible und personenbezogene Daten identifiziert und diese automatisiert unkenntlich macht (schwärzt). Das Tool ermöglicht so die datenschutzkonforme Dokumentenanalyse sowie das bedenkenlose Trainieren Ihrer KI- und ML-Anwendungen. Die so extrahierten Daten können auch anderweitig verwendet werden.

Unser Anonymizer-Tool macht sensible Daten (hier rot hervorgehoben) automatisch unkenntlich.

KPI Relation Extraction: Filtern, Zuordnen und Abgleichen von Kennzahlen

Unsere KPI Relation Extraction ermöglicht das gezielte und automatische Herausfiltern von relevanten Informationen aus Ihren Dokumenten – seien es numerische Kennzahlen oder Angaben in Textform. Diese Informationen können automatisch anderen Kennzahlen in Tabellen oder Datenbanken zugeordnet und auf Übereinstimmung abgeglichen werden.

 

Konsistenzcheck: Erkennung von Widersprüchen und Auffälligkeiten

Unser Konsistenzcheck-Tool hilft dabei, Widersprüche und Auffälligkeiten zwischen zwei Textpassagen, die sich auf die gleiche Information beziehen, zu erkennen.

In der Wirtschaftsprüfung kommt das Tool beim Abgleich von (Finanz-)Dokumenten und dem da darauf basierenden Geschäftsbericht zum Einsatz. Durch das Erkennen von Widersprüchen und Auffälligkeiten eignet sich das Tool auch sehr gut um Betrugsversuche schneller zu erkennen und vorzubeugen.

© Fraunhofer IAIS
Beim Konsistenzcheck werden Widersprüche zwischen zwei Textpassagen identifiziert.

Recommender-Systeme: Vorschläge relevanter Texte oder Prozessschritte

Recommender-Systeme begegnen uns fast täglich, ohne dass wir es wirklich wahrnehmen: Eine gezielte Auswahl von Artikeln auf Shopping-Seiten, die genau auf die eigenen Präferenzen abgestimmt ist, oder eine generierte Musik-Playlist, die den Musikgeschmack sehr gut trifft – das sind alles Beispiele für Anwendungsmöglichkeiten von Recommender-Systemen.

Auch im Unternehmen können Recommender-Systeme große Vorteile bieten: Zum Beispiel kann bei der Prüfung von Dokumenten ein bestimmter nützlicher Absatz des Texts vorgeschlagen werden. Oder es können passende Dokumente bei einer Dokumentensuche vorgeschlagen werden.

Eine weitere Einsatzmöglichkeit: Unter der Annahme, dass ein Arbeitsprozess (wie die Prüfung eines Dokuments) einer grundlegenden Systematik folgt, kann man einen Algorithmus darauf trainieren, diese Systematik zu verstehen und den Prozess anschließend zu automatisieren. Dafür sind vier Schritte wichtig: das Einlesen der Daten, die Textvorverarbeitung, die Repräsentation der Daten und das zugrundeliegende Modell, welches die Daten nach ihrer Relevanz gewichtet und zuordnet.

So funktioniert's: Recommender-System in vier Schritten erklärt

Recommender-Systeme in vier Schritten erklärt

  1. Einlesen der Daten: Die Daten (PDF, XML etc.) werden in diesem Schritt mit einem Parser eingelesen.
  2. Textvorverarbeitung: Die natürliche Sprache wird für den Algorithmus standardisiert. Übliche Textvorverarbeitungsschritte sind z. B. das Entfernen von Zahlen oder das Erkennen und Unkenntlichmachen von sensiblen Daten.
  3. Repräsentation der Daten: In diesem Schritt werden die Daten maschinenlesbar gemacht, sodass sie von einem Algorithmus weiterverarbeitet werden können. Gängige Methoden sind z. B. die Vektorisierung anhand von Worthäufigkeiten (Bag of Words, Tf-Idf), oder Machine Learning-basierte, kontext-sensitive Textrepräsentationsverfahren wie Word2Vec, ElMo oder BERT.
  4. Ranking der Daten nach Relevanz: In diesem Schritt wird dem Algorithmus die zugrundeliegende Systematik eines Prozesses beigebracht. Dafür braucht man in der Regel von Expert*innen annotierte Daten. Am Beispiel des Wirtschaftsprüfungsprozesses wäre das die Zuordnung von Textpassagen aus Finanzdokumenten zu den jeweilig passenden gesetzlichen Anforderungen.

Einsatzmöglichkeiten im Controlling

Über den Use Case in der Wirtschaftsprüfung hinaus, kann man die Software ALI und unsere Tools für alle Aufgaben verwenden, bei denen eine große Anzahl von Dokumenten verarbeitet werden müssen, um bestimmte Informationen zu finden und diese aufzubereiten – solche Aufgaben findet man typischerweise im Controlling.

Unternehmen stehen vor vielen Herausforderungen

Der Workload für Controlling-Abteilungen wird sich mit der anstehenden Einführung der Berichtserstattung nach ESG-Kriterien perspektivisch stark steigern. Diese dienen als standardisierte und prüfbare Kriterien zur Bewertung der Nachhaltigkeit von Geldanlagen. Sie umfassen die Dimensionen »Environment« (Umwelt), »Social« (Sozial) und »Governance« (Unternehmensführung). Für eine Vielzahl an zusätzlichen Indikatoren müssen belastbare Zahlen geliefert werden, der »Daten-Track« muss nachvollziehbar dokumentiert werden und anschließend müssen die Daten aufbereitet werden. Dazu kommt der anhaltende Fachkräftemangel, der für jedes Unternehmen eine große Herausforderung darstellt. Das Ziel ist es folglich, den Berichterstattungsprozess so effizient und integrativ wie möglich zu gestalten, damit Unternehmen den zusätzlichen Workload stemmen können.

Zukunftssicheres und effizientes Controlling dank maßgeschneiderter KI-Lösungen

Wir sehen in der digitalen Transformation große Chancen für die Verwendung unserer Tools, deren Einsatzgebiet die Automatisierung von zeitaufwendigen, repetitiven Aufgaben ist. Einige Unternehmen haben diese Entwicklung frühzeitig antizipiert und sich mit vielversprechenden Software-Lösungen eingedeckt. Ein übliches Problem scheint jedoch zu sein, dass diese Tools häufig zu Insellösungen werden – die Integration und das unternehmensweite Roll-Out gestalten sich schwierig und kostspielig. Wo Fertig-Lösungen an ihre Grenzen kommen, stehen wir Ihnen zur Seite. Unsere Technologien werden spezifisch an Ihre Bedürfnisse und Ihren Use-Case angepasst.

Einsatzmöglichkeiten in Kanzleien und Rechtsabteilungen

Der Arbeitsalltag von JuristInnen ist häufig noch von händischer, routinierter Arbeit geprägt. Dabei ist ein extrem hohes Maß an Konzentration gefragt, wenn beispielsweise hunderte Seiten von Verträgen gelesen und auf kleinste Fehler überprüft werden müssen.

Doch das muss heutzutage nicht mehr sein – unsere auf künstlicher Intelligenz basierenden IntelliSolutions können Sie heute schon in Ihrer Arbeit unterstützen, indem diese mit höchster Präzision Dokumente analysieren, Fehler finden oder Texte generieren.

Wir haben ein umfangreiches, modulares und datenschutzkonformes Technologieportfolio entwickelt, das auf die Bedürfnisse von JuristInnen und Kanzleien zugeschnitten ist. Wir helfen Ihnen, Ihre Kanzleiprozesse zu digitalisieren und zu automatisieren. „IntelliSolutions“ deckt die unterschiedlichsten Tätigkeitsfelder ab, die täglich Ihre Zeit in Anspruch nehmen. Weitere Details zu den einzelnen Tools können Sie in unserem Produktflyer nachlesen.

Unverbindlicher Beratungstermin

Forschungsarbeit

Alle Dokumente sind Open Access verfügbar.

L. Hillebrand, A. Berger, et al.: »Improving Zero-Shot Text Matching for Financial Auditing with Large Language Models«, to be published in Proc. of the 23rd ACM Symposium on Document Engineering (DocEng), 2023.

D. Biesner, R. Ramamurthy, et al., »Anonymization of German financial documents using neural network-based language models with contextual word representations«, in International Journal of Data Science and Analytics, 2022

L. Hillebrand, T. Deußer, et al., »KPI-BERT: A Joint Named Entity Recognition and Relation Extraction for Financial Reports«, in Proc. IEEE ICPR, 2022

D. Biesner, M. Pielka, et al: »Zero-Shot Text Matching for Automated Auditing using Sentence Transformers«, in Proc. IEEE ICMLA, 2022

M. Pielka, F. Rode, et al: »A Linguistic Investigation of Machine Learning based Contradiction Detection Models: An Empirical Analysis and Future Perspectives«, in Proc. IEEE ICMLA, 2022

T. Deußer, S. M. Ali, et al: »KPI-EDGAR: A Novel Dataset and Accompanying Metric for Relation Extraction from Financial Documents«, in Proc. IEEE ICMLA, 2022

R. Ramamurthy, M. Lübbering, et al., »Automatic Indexing of Financial Documents via Information Extraction«, in Proc. IEEE SSCI, 2021

M. Pielka, R. Sifa, L. Hillebrand, et al., »Tackling contradiction detection in German using machine translation and end-to-end recurrent neural networks«, in Proc. IEEE ICPR, 2020

R. Sifa, A. Ladi, M. Pielka, et al., »Towards automated auditing with machine learning«, in Proc. ACM DocEng, 2019