Rechnungssuche

Viele KMU-Tischlereien fertigen nicht immer dasselbe Produkt von der Stange, sondern bieten Sonderfertigungen wie z.B. Restaurationsarbeiten oder maßgefertigte Möbel an. Nichtsdestotrotz kommt es nach Jahrzehnten der Sonderanfertigung vor, dass sich die Anforderungen wiederholen. Artverwandte alte Angebote könnten als Vorlage dienen, um aktuelle Anfragen schneller und effizienter zu bearbeiten. Da die Arbeitszeit von Angeboten nicht in Rechnung gestellt werde kann, sollte der Aufwand, der für sie aufgebracht wird, möglichst geringgehalten werden. Der Projektpartner stand jedoch vor dem Problem, unter Tausenden alter Angebote unmöglich in akzeptabler Zeit ähnliche Angebote finden zu können. Erschwerend kommt hinzu, dass innerhalb desselben Angebots mehrere Tätigkeiten beschrieben werden können, die nichts miteinander zu tun haben. Diese sollten zwar üblicherweise per Absatz voneinander getrennt sein, aber auch das nicht immer. Da die Angebote persönliche Daten enthalten, müssten diese vor dem Auslesen durch einen externen Anbieter wie z.B. ein online verfügbares Large Language Model (LLM) vorher anonymisiert werden. Dies ist zeitaufwendig und somit teuer. Die schlussendlich favorisierte Lösung bestand darin, mithilfe einer Textsuche in alten Rechnungen verwandte Fälle zu identifizieren und mithilfe der Angebotsnummer Rechnungen und Angebote miteinander zu verknüpfen. Ausschnitte dieser auf diese Weise gefundenen Angebote können gezielt kopiert und an LLMs übergeben werden. Da persönliche Daten nur in der Kopfzeile des Angebots stehen, wird auf diese Weise aufwendige Anonymisierung vermieden. Grundsätzlich gibt es zwei verbreitete Arten der Textsuche: Volltextsuche und semantische Textsuche. Bei der Volltextsuche wird nur nach Wörtern gesucht, die exakt so im Suchfeld angegeben wurden. Bei der semantischen Suche wird, ähnlich wie bei Suchmaschinen im Internet, auch nach Wörtern mit ähnlicher Bedeutung gesucht (z.B. wird bei der Suche nach „Erneuern“ auch „Restaurieren“ gefunden). Volltextsuche kann i.d.R. durch Operanden verfeinert werden: Anführungszeichen um mehrere Wörter herum bedeuten, dass diese in dieser Reihenfolge gemeinsam gesucht werden müssen, AND und OR zwischen zwei Wörtern oder Wortfolgen in Anführungszeichen sorgen dafür, dass beide gesucht werden müssen bzw. dass mindestens ein Term vorhanden sein muss, ein * am Ende eines Wortstammes (z.B. restau*) hat zur Folge, dass alle Wörter gefunden werden, die mit „restau“ beginnen und dann auf beliebige Weise weitergehen (z.B. „restaurieren“, „Restauration“, „restaurierten“ usf.). Dies macht die Volltextsuche weniger flexibler und umständlicher als semantische Suche. Im Rahmen des Digitalisierungsprojekts wurde zuerst nach Lösungen gesucht, die ohne nennenswerten Aufwand getestet werden konnten. Dabei stellte sich heraus, dass eine frei verfügbare Lösung für Volltextsuche verfügbar ist und eine weitere für semantische Suche verfügbar war, aber nicht mehr zum Download angeboten wird. Im Rahmen eines Experiments erstellte der KI-Trainer des Mittelstand-Digital Zentrums ausschließlich mit ChatGPT Modell 5.4 innerhalb von zwei Tagen einen lauffähigen Prototyp, der PDF-Dokumente indexieren, nach Bereichen parsen, semantisch durchsuchen, nach Relevanz ordnen und Vorschauen liefern kann. Der Projektpartner war mit beiden Software-Lösungen zufrieden. Der ursprüngliche Plan, Angebote mithilfe von Retrieval Augmented Generation (RAG) zu erstellen, wurde nicht weiterverfolgt, da das Kosten-Nutzen-Verhältnis für ungünstig befunden wurde. Bei RAG handelt es sich vereinfachend ausgedrückt um eine Wissensdatenbank auf die LLMs zugreifen können. RAG braucht korrekt vorsortierte Dokumente, einfach alle tausende von Angeboten einzuspeisen wäre nicht sinnvoll gewesen. Stattdessen müssen Texte (idealerweise thematisch) geparst also eingeteilt werden. Dies wäre aufgrund der Angebotsstruktur grundsätzlich machbar gewesen. Da aber in den Angeboten nicht immer Tätigkeiten sauber in einzelne Paragraphen geteilt waren, wäre es nicht ideal gewesen. Das größere Problem wäre jedoch die Anonymisierung einer derart großen Anzahl an PDFs gewesen, für die einzelnes Programm hätte geschrieben werden müssen. Erst nach dieser Vorarbeit hätte eine Pipeline vom PC zum LLM aufgebaut werden können, die zu – geringen – Kosten dem LLM das Wissen der alten Angebote zur Verfügung gestellt hätte. Im Gegensatz dazu laufen die beiden gefundenen bzw. zur Verfügung gestellten Softwarelösungen komplett offline, womit die Daten ideal geschützt sind. Der Code für den Prototyp wurde in Python an zwei Tagen mithilfe einer kommerziellen Version eines bekannten LLMs geschrieben. Der Projektpartner war mit dem Ergebnis so zufrieden, dass er selbst mit Vibe Coding begonnen hat und ohne vorherige IT-Erfahrung bereits erste Erfolge vorweisen kann, die im Unternehmensalltag eingesetzt werden. Das Projekt hatte damit einen doppelten Nutzen.