Tutorial: Erfolgreicher KI-Intake – Warum Bildqualität und Erkennung über den Erfolg entscheiden

Melden

Beim sogenannten „Intake“ (der digitalen Erfassung und Einspeisung von Dokumenten oder Bildern in ein System) setzen immer mehr Workflows auf Künstliche Intelligenz. Ob Belegerfassung, Schadensdokumentation oder Identitätsprüfung: Die KI kann Prozesse massiv beschleunigen.

Doch die Leistungsfähigkeit der KI steht und fällt mit der Qualität der Eingangsdaten. Gilt das Prinzip „Garbage in, Garbage out“, scheitert die Automatisierung. In diesem Tutorial lernen Sie, wie Bildqualität und Erkennung zusammenhängen und wie Sie Ihren Intake-Prozess für KI-Funktionen optimieren.


1. Das Grundproblem verstehen: Die Abhängigkeitskette

Ein KI-gestützter Intake-Prozess funktioniert in der Regel als Kette:

  1. Aufnahme/Upload: Das Bild wird erfasst (z. B. Foto per Smartphone, Scan).
  2. Vorverarbeitung: Das System bereitet das Bild auf (Zuschnitt, Kontrasterhöhung).
  3. Erkennung (KI): OCR (Texterkennung) oder Computer Vision identifizieren Daten.
  4. Weiterverarbeitung: Die extrahierten Daten fließen in Folgesysteme (ERP, CRM etc.).

Der Flaschenhals: Schritt 3 (die KI) kann nur interpretieren, was in Schritt 1 und 2 geliefert wird. Ist das Bild unscharf, sinkt die Erkennungsrate drastisch. Folglich bricht der automatisierte Intake ab und erfordert teure manuelle Nacharbeit.


2. Die wichtigsten Faktoren der Bildqualität

Damit Algorithmen Zeichen und Objekte präzise erkennen können, müssen folgende Faktoren stimmen:

  • Auflösung & Schärfe: Zu niedrige Auflösungen (unter 300 DPI bei Dokumenten) oder Bewegungsunschärfe lassen Buchstaben ineinander verlaufen.
  • Beleuchtung & Kontrast: Zu dunkle Aufnahmen, harte Schattenwürfe oder grelles Blitzlicht (Überblendung) machen Bildbereiche unlesbar.
  • Perspektive & Verzerrung: Schräg fotografierte Dokumente (Trapezeffekt) erschweren der KI das Erfassen von Tabellenstrukturen und Zeilenabständen.
  • Physische Störungen: Knicke, Flecken, handschriftliche Durchstreichungen oder verdeckte Ränder führen zu Fehlinterpretationen.

3. Schritt-für-Schritt-Anleitung: Den Intake-Prozess optimieren

Schritt 1: Standardisierung bei der Erfassung (Input-Quelle)

Definieren Sie klare Richtlinien für die Erfassung oder bauen Sie Hilfestellungen in Ihre Aufnahme-App ein:

  • Führungslinien nutzen: Zeigen Sie dem Nutzer im Kamerasucher einen Rahmen an, in den das Objekt/Dokument eingepasst werden muss.
  • Hintergrund beachten: Dokumente sollten immer auf einem kontrastreichen, neutralen Hintergrund liegen (z. B. weißes Papier auf dunklem Tisch).

Schritt 2: Automatisierte Qualitätsprüfung (Pre-Flight Check)

Integrieren Sie eine Vorab-Prüfung, bevor die eigentliche KI-Extraktion startet:

  • Nutzen Sie einfache Algorithmen, um Unschärfe (Blur Detection) oder schlechte Beleuchtung sofort beim Upload zu erkennen.
  • Feedback-Schleife: Wenn das Bild zu schlecht ist, fordern Sie den Nutzer direkt auf: „Das Bild ist zu unscharf. Bitte erneut fotografieren.“ Das spart Serverkosten und Frust.

Schritt 3: Bildoptimierung vorschalten (Preprocessing)

Verbessern Sie das Rohmaterial automatisiert, um der Erkennungs-KI die Arbeit zu erleichtern:

  • Entzerrung (Deskewing): Begradigen von schiefen Aufnahmen.
  • Binarisierung: Umwandlung von Farbbildern in kontrastreiches Schwarz-Weiß (besonders effektiv für OCR).
  • Zuschnitt (Auto-Cropping): Entfernen von überflüssigen Bildrändern.

Schritt 4: Erkennung und Schwellenwerte (Confidence Scores) festlegen

Jede moderne KI liefert neben dem Ergebnis einen Konfidenzwert (Wahrscheinlichkeit von 0 bis 100 %, wie sicher sich die KI ist).

  • Definieren Sie klare Schwellenwerte:
    • > 90 % Sicherheit: Vollautomatische Dunkelverarbeitung (kein Mensch greift ein).
    • 70 – 90 % Sicherheit: Weiterleitung an einen Prüfer mit markierten Problemfeldern.
    • < 70 % Sicherheit: Ablehnung oder manuelle Gesamterfassung.

4. Best Practices: Der „Human-in-the-Loop“-Ansatz

Da eine 100-prozentige Erkennungsquote in der Realität unrealistisch ist (durch unvorhersehbare Bildqualität), gehört zu einem robusten Intake-System immer eine Schnittstelle für Menschen:

  • Schnittstelle für Ausnahmen: Bieten Sie Mitarbeitern eine Maske, in der das Originalbild direkt neben den erkannten Feldern liegt.
  • Aktives Lernen (Feedback Loop): Korrekturen, die der Mensch vornimmt, sollten gesammelt werden, um die KI-Modelle künftig auf schwierige Bildbedingungen nachzutrainieren.

Fazit & Checkliste für Ihren KI-Intake

Ein erfolgreicher KI-Intake wird nicht allein durch das beste KI-Modell entschieden, sondern durch das Management der Bildqualität an der Quelle.

Kurz-Checkliste:

  • [ ] Werden Nutzer bei der Aufnahme visuell angeleitet?
  • [ ] Werden Bilder mit schlechter Auflösung/Belichtung vor der KI-Verarbeitung abgefangen?
  • [ ] Werden automatisierte Vorverarbeitungen (Entzerren, Kontrast) angewendet?
  • [ ] Gibt es klar definierte Konfidenz-Schwellenwerte für die Erkennung?
  • [ ] Existiert ein schneller Freigabeprozess für unsichere Erkennungsergebnisse?
0