Für einen Kunden haben wir folgendes Szenario implementiert: Die Support-Abteilung eines Kunden muss jeden Tag eine Vielzahl von Emails beantworten und benötigt deswegen Unterstützung. Diese haben wir in Form eines Outlook Add-Ins implementiert, welches die aktuelle Email an unseren Webservice schickt, welcher durch Named-Entity Recognition verschiedenste Entitäten innerhalb der Email erkennt (Customer Reference, Produktnamen usw.) und anhand von Natural Language Processing den Inhalt der Email interpretiert und einen Fundus von sinnvollen, vordefinierten Antworten vorschlägt. Diese werden in Outlook angezeigt und können einfach als Antwort versendet werden. Der Webservice kann zudem mit dem CRM System des Kunden kommunizieren und dadurch den aktuellen Status von Bestellungen, Lagerbestand usw. in die möglichen Antworten einbeziehen.

Zum Trainieren des Machine Learning Models haben wir Azure AutoML verwendet, welches durch automatisches Experimentieren mit Klassifizierungen und Pipeline Parametern den besten Algorithmus und die besten Hyper Parameter findet. Somit braucht man weniger tiefes Fachwissen bzgl. Data Science und kann sich als Entwickler eher auf die Architektur des Systems und dessen Features konzentrieren.

Mehr dazu unter: https://www.linkedin.com/pulse/wie-automl-hilft-machine-learning-effektiv-im-ruben-aster/

Zur Person: Ruben hat seine Wurzeln in der Spieleentwicklung und entwickelte elf Jahre in der Industrie Spiele sowohl für PC, Web und Konsolen, als auch für mobile Geräte wie Tablets und Handys. Um seinen Horizont zu erweitern und komplett die IT-Branche zu wechseln, hat Ruben vor etwa einem Jahr bei QUIBIQ Hamburg angefangen und entwickelt seit dem verschiedenste Integrationslösungen für Kunden auf Basis von Microsoft Produkten. Sein Fokus innerhalb von QUIBIQ liegt dabei auf den Bereichen Data Science und Machine Learning.