Ergebnisse aus der Arcplace-Fallstudie

Die Masterarbeit von Johannes Egli untersucht, ob sich die automatische Dokumentklassifizierung durch generative KI-Modelle in Kombination mit Retrieval-Augmented Generation (RAG) verbessern lässt. Dazu wurde ein Prototyp entwickelt und mit echten Dokumenten aus dem Digital Mailroom von Arcplace getestet. Grundlage bildete die Design-Science-Research-Methodologie.

Zentrale Ergebnisse

• Eine Standard-RAG-Anwendung mit zufälliger Wissensbasis konnte nicht mit klassischen hochspezialisierten Machine-Learning-Verfahren mithalten.
• In bestimmten Fällen, z.B. bei sehr ähnlichen Dokumenten verschiedener Krankenkassen, steigerte RAG jedoch die Klassifizierungsgenauigkeit.
• Das Potenzial von RAG liegt in den Optimierungsmöglichkeiten einzelner Komponenten und der Einbindung zukünftiger Technologien.

Technische Herausforderungen

• Wissensbasis: muss aktuell, kuratiert und spezifisch aufgebaut sein
• Infrastruktur: benötigt Stabilität, Rechenleistung und Compliance-Sicherheit.
• Integration: reibungslose Schnittstellen sind entscheidend für den Praxiseinsatz.
• Transparenz: unverzichtbar, um Qualitätsschwankungen frühzeitig zu erkennen.

Fazit

RAG ist kein Ersatz für bestehende Technologien – noch nicht. Aber es zeigt, wie sich die Effizienz im Digital Mailroom gezielt steigern lässt und welche Entwicklungsschritte in Zukunft entscheidend sein werden: von der Feinjustierung einzelner Komponenten bis hin zu multimodalen Systemen.