KI-Entwicklung in der Logistik: Analyse von Frachttransportnachrichten

Wir entwickelten eine Lösung zur automatischen Extraktion logistischer Informationen aus Frachttransportanfragen in Telegram-Gruppen mithilfe moderner KI-Technologien.

KI-Entwicklung in der Logistik: Analyse von Frachttransportnachrichten hero background

Herausforderung

Im Rahmen des Projekts mussten mehrere zentrale Herausforderungen gelöst werden:

  • Extraktion relevanter Daten aus unterschiedlichen Nachrichtenformaten
  • Verarbeitung hoher Nachrichtenvolumen bei gleichzeitig hoher Effizienz
  • Kosteneffiziente Nutzung von LLM-Services
Herausforderung

Ansatz

Unser Ansatz umfasste:

  • Aufbau einer vielfältigen Testbasis mit unterschiedlichen Nachrichtentypen
  • Entwicklung optimaler Prompts zur Datenextraktion
  • Implementierung eines warteschlangenbasierten Prototyps
  • Test und Optimierung der LLM-Performance
  • Abwägung von Performance- und Budgetanforderungen
  • Bereitstellung der Produktionsversion
Ansatz

Lösung

Unsere Lösung automatisiert die Extraktion von Frachttransportanfragen aus Telegram-Gruppenchats und überführt sie in strukturierte Datenbankeinträge, die sich einfach durchsuchen lassen. Das System wurde als Telegram-Bot mit Administratorrechten umgesetzt und verarbeitet eingehende Nachrichten effizient.

Der Bot überwacht den Chat kontinuierlich und erkennt neue Transportanfragen. Sobald eine relevante Anfrage identifiziert wird, wird sie in eine Warteschlange gestellt, um einen stabilen Datenfluss und eine zuverlässige Verarbeitung sicherzustellen.

Zur Sicherung der Datenqualität und zur Vermeidung von Duplikaten prüft das System zunächst, ob in den letzten 24 Stunden bereits ähnliche Anfragen in der Datenbank erfasst wurden. Wird kein aktueller Eintrag gefunden, wird die Nachricht zur weiteren Analyse weitergeleitet.

Ein zentraler Bestandteil der Lösung ist ein lokales Large Language Model (LLM), das für den Einsatz auf Nvidia-RTX-Hardware optimiert wurde. Dadurch können relevante Informationen aus Nachrichten extrahiert und als JSON-Ausgaben strukturiert werden, um Transportdetails übersichtlich abzubilden.

Für die Extraktion nutzen wir Multi-Shot-Prompts, die auf eine möglichst vollständige Datenerfassung ausgelegt sind. Diese Prompts werden auf Basis von Logdaten regelmäßig verfeinert, um auch bei komplexen Nachrichten präzise Ergebnisse zu erzielen.

Die Entscheidung für ein lokales LLM statt externer Dienste wie OpenAI ChatGPT oder Anthropic Claude 3 fiel aufgrund der langfristig besseren Kosteneffizienz und der höheren Performance auf eigener Hardware.

Insgesamt kombiniert die Lösung effizientes Nachrichtenhandling mit KI-gestützter Datenextraktion und ermöglicht so die präzise Verarbeitung hoher Nachrichtenvolumen bei gleichzeitig niedrigen Betriebskosten.

Lösung

Hauptfunktionen

  • Verarbeitung von bis zu 4.000 Nachrichten täglich
  • Einsatz einer kosteneffizienten lokalen LLM-Lösung
  • Integration als Telegram-Bot für einen nahtlosen Betrieb
Hauptfunktionen

Illustration

Screenshot-1

Zugehörige Fallbeispiele