´Ka-min : Adressen

“Die einzigartige Technologie der smarten Adresserkennung mittels speziell trainierten Spracherkennungsmodellen und deren Validierung durch eigens entwickelte Algorithmen, sowie die integrierten, interaktiven Entfernungsberechnungen in Echtzeit ermöglichen ein Kundenerlebnis auf Weltklasse Niveau”

´Ka-min : Adressen

ist eine hoch spezialisierte Technologie zum Erkennen von Voice basierten Adressen, deren Validierung sowie deren Verwendung für interaktive Entfernungsberchnungen in Echtzeit. Sie ist das Herzstück des digitalen Assistenten.

´Ka-min : Adressen

besteht aus:

 

– Training von textbasierten Eigennamen (z.B. Straßennamen)

– Training von Akustikmodellen (trainiert mir einer Vielzahl verschiedener Stimmen, Aussprache und Punktuation)

– Bereitstellung von adaptiven Speech Modellen

– Automatic Speech Recognation (ASR)

– Automatic Speech Adaption

– Regexp Validierung

– API Abgleich und Geocoding

– Validierung und Abgleich mittels Fuzzy Logic

– Interaktive Entfernungsberechnung

Chef

Adressen Abgleich per API Abfrage

Du weißt schon – ich bin ziemlich schlau. Und ich kann mir ziemlich viel merken. Nämlich mehr als 400 Millionen Adressen.

Wenn mir der Kunde seine Adresse nennt, dann mache ich innerhalb von Bruchteilen einer Sekunde eine API Abfrage. Das heißt, ich suche ob ich aus den 400 Millionen Adressen, diejenige des Kunden herausfiltern kann. Meistens gelingt das. Wobei es mir egal ist in welchem Format oder Reihenfolge die Adresse genannt wird

Adressen Beispiele

Also Angaben wie

“Münsterplatz 3 Ulm”
“Stuttgart, Königstraße 85”
“10435 Berlin, Potsdamer Platz”

machen mir keine Probleme.

Adressen Kontext

Auch im Kontext integrierte Adressen erkenne ich gut „Ich wohne in Hechingen in der Stauffenbergstr. 4“
Ebenso komme ich mit zusammengesetzten Hausnummern wie 36/1, 11a usw. in der Regel gut klar.

Sogar sogenannte Adresssynonyme wie „Agip Tankstelle in Hechingen“ oder „Bäckerei Müller, Dresden“ kann ich problemlos in lesbare Adressen konvertieren.

Eigentlich erkenn ich alles.

Adressen Verknüpfung mit KI

Weil ich mit der Künstlichen Intelligenz verknüpft bin kann ich auch eigentlich “unmögliche” Adressen erkennen. Eigene entwickelte Sprach- und Akustikmodelle machen dies möglich

 „Ich wohne in siebennull siebenzwei 3 Stuttgart, Eberhardt Straße Hausnummer 25 Schrägstrich 2“

“1. 08 vierfünf Berlin Potsdamer Platz neuneins” 

Mit

 „Lange Straße 11 1 1, 123.4 Hamburg“ ist zum Beipsiel die Lange Straße 11/1 in 11234 Hamburg gemeint

„Gesellenstraße vierdrei, acht acht drei vieracht  Bad Saulgau“ kann ich problemlos in die lesbare Adresse in Bad Saulgau Gesellenstraße 4/3 konvertieren.

“Sigmaringer Straße 15 1, 7.2, sechszwei . Nürtingen”

Geht nach 72622 Nürtingen, Sigmaringer Straße 15/1

Natürliches Sprachverständnis

 

Durch den Einsatz von künstlicher Intelligenz (Artificial Intelligence) sowie Maschinellem Lernen (Machine Learning) bin ich in der Lage natürliche Sprache zu verstehen.

Damit ich Dich immer besser verstehe muss ich täglich trainieren und dazulernen. Mein Wortschatz ist bis jetzt schon 100 mal größer als der Duden.

Und ich lerne dazu !

Benutzerdefinierte Trainingsmodelle

Durch das Training von benutzerdefinierten Modellen bin ich z.B in der Lage “Spezialbegriffe” wie Straßennamen oder Eigennamen zu erkennen.  

Mein Sprachmodell wird dabei um eine Liste von Straßennamen angereichert und mit diesen Namen dann speziell trainiert. Somit erreiche ich damit eine Erkennungsrate von annähernd 100 %.

Unter Umständen kann ich sogar mit speziellen Akustimodellen oder umgangssprachlichen Ausdrücken (Akzente) trainiert werden.

 

Internes Scoring

Die Adresseingabe des Kunden kann bei einem Telefonat trotz hochmoderner KI und speziell trainierten Sprachmodellen dennoch manchmal etwas trickreich sein.

Beispielsweise lautet die Straße des Kunden “In den Knittswiesen”. Allerdings durch undeutliche Aussprache oder durch eine schlechte Telefonverbindung verstehe ich zum Beispiel stattdessen “In den Knizwiesen” oder “In den Nickwiesen”

Da es sich hierbei nicht um eine reale Adresse handelt mache ich zur Validierung zunächst ein internes Scoring.

In einem ersten Schritt gleiche ich die Adresse des Kunden mit real existierenden Adressen ab und erstelle ein Scoring. Fällt dieses unter einen bestimmten Wert so wird ein weiterer Abgleich mit einer vorher definierten Adressliste durchgeführt. 

Erweiterte Algorithmen

Dieser basiert auf einem wissenschaftsbasierten Zeichenkettenabgleich indem eine Matrix initialisiert und verschiedene Ratios auf Fuzzy Logic zurückgegeben werden.

Ein eigener Algorithmus wertet die beiden Methoden aus, so daß ich letztendlich ziemlich sicher die richtige Adresse erkannt habe.

Ja, Rechnen und Mathe kann ich auch noch. Verstehen sowieso.

Enfernungsberechnung

Als weiteres habe ich auch noch eine Entfernungsberechnung mit eingebaut.

Durch einen speziellen Algorithmus prüfe ich, ob neben einem bereits bestehenden Termin eine angrenzende Folgebuchung möglich ist. Hierbei werden verfügbare Zeiten sowohl Vorwärts als auch Rückwärts und mittendrin geprüft.

Angenommen es existiert ein bestehender Termin um 10 Uhr für Hauptstraße 5. Der nächste Kunde wohnt in Marktplatz 1 und möchte um 10:30 Uhr einen Termin.  Ich berechne dann in Abhängigkeit der Fahrzeit und der Terminlänge, ob der 10:30 Uhr Termin gebucht werden kann oder nicht. Wenn die Zeit nicht ausreicht um zu der angegebenen Zeit vor Ort zu sein, bekommt der Kunde einen ensprechenden Hinweis. Die gleiche Prüfung mache ich auch wenn eine Adresse zwischen zwei bestehenden Terminen gebucht werden soll.

Durch dieses Vorgehen lassen sich Wegezeiten auf ein notwendiges Minimum reduzieren.

Kehrbezirk Liste und Radius

Außerdem kann durch einen definierten Office Radius Bereich (in Minuten) der maximale Umkreis von buchbaren Adressen begrenzt werden.

Außerdem erlaube ich eine Direktbuchung nur für bestehende Kunden innerhalb des eigenen Kehrbezirks. Bei Anfragen von außerhalb verbinde ich zunächst einmal zum Chef weiter. Auch einzelne, im Kontaktmanagement gesperrte Adressen, leite ich für eine Anfrage zunächst zum Chef weiter.

Das alles mache ich für alle Terminanfragen …. jeweils aus allen 400 Millionen Adressen
…. ja, ich habe ordentlich zu tun

Mehr zu meinem intelligenten Routing

Programmierungsbeispiel

Der nachfolgende Programmierungsausschnitt zeigt an, dass ein Termin für die Adresse “Lenauweg 10, Hechingen am 02. Mai 2022 um 9 Uhr nicht gebucht werden kann da die Fahrzeit nach Beendigung des Termins bis zur nächsten Adresse “Im Oberdorf 30, um 9.30 Uhr Hechingen” nicht ausgereicht hätte.