Produktbeschreibungen:
Hapag-Lloyd ist ein weltweit führendes Unternehmen für effiziente, zuverlässige und nachhaltige Transportdienstleistungen. Trotz der globalen Präsenz sah sich das Seeschifffahrtsunternehmen mit erheblichen Herausforderungen in seinen Unternehmensprüfungen konfrontiert, von manuellen Prozessen, Ineffizienzen und Inkonsistenzen geprägt waren. Durch die Integration von Databricks Mosaic AI-Lösungen für GenAI hat Hapag-Lloyd zwei Prototypen entwickelt und implementiert, mit denen sich der Aufwand für die Zusammenfassung von Erkenntnissen erheblich reduzieren ließ. Diese Transformation ermöglicht es Hapag-Lloyd, genauere und aktuellere Prüfungsberichte zu liefern und so die Entscheidungsfindung zu verbessern. Dank der Automatisierung konnte die Überprüfungszeit pro Befund um 66 % und die Review-Dauer für Executive Summaries um 77 % gesenkt werden. Diese Erfolge haben den Weg für zukünftige Fortschritte in der Prüfungsautomatisierung und -effizienz geebnet und positionieren Hapag-Lloyd so, dass sie KI weiterhin zur Verbesserung der Prozessqualität in der internen Revision nutzen können.
Manuelle Prozesse bremsen Effizienz und Genauigkeit
Hapag-Lloyd ist ein weltweit führendes Linienreedereiunternehmen mit einer langen Geschichte und dem Anspruch, effiziente, zuverlässige und nachhaltige Transportlösungen zu bieten. Mit einem globalen Netzwerk von über 400 Büros in 140 Ländern betreibt Hapag-Lloyd eine moderne Flotte aus 280 Schiffen, die jährlich 11,9 Millionen TEUs (Twenty-Foot Equivalent Units, Zwanzig-Fuß-Standardcontainer) transportieren. Das Unternehmen setzt modernste Technologien ein, um einen konsequent kundenorientierten Ansatz zu verfolgen. So liefert Hapag-Lloyd durch die Ausstattung von 1,6 Millionen Containern mit Echtzeit-Tracking wertvolle Daten, die Kunden für Empfehlungen und Geschäftsentscheidungen nutzen können.
Im Streben nach kontinuierlicher betrieblicher Exzellenz erkannte Hapag-Lloyd die Notwendigkeit, die internen Prüfprozesse effizienter zu gestalten. „Seit einigen Jahren verfolgen wir das Ziel, den Zeitaufwand für Dokumentation und Berichtserstellung deutlich zu senken“, erklärte Ulrich Daniel, Director Corporate Audit Analytics. „Da der Prozess mehrere manuelle Schritte umfasste, bestand die Herausforderung darin, die Qualität auf ein sehr hohes Niveau zu bringen.“
Zu den primären Anwendungsfällen für generative KI zählte die Verbesserung von Effizienz und Genauigkeit bei der Erstellung von Prüfungsergebnissen und Executive Summaries. Durch die Automatisierung der Ergebnisgenerierung und die Optimierung des Dokumentationsprozesses wollte Hapag-Lloyd den manuellen Aufwand für Auditoren verringern, damit diese mehr Zeit für fundierte Analysen und Entscheidungen haben.
Die Integration von generativer KI zielte darauf ab, die Art und Weise zu revolutionieren, wie Auditoren mit großen Datenmengen interagieren. Kernstück war die Entwicklung eines Chatbots zur Prozessdokumentation, der es den Auditoren ermöglichte, schnell spezifische Informationen aus zahlreichen Dateien abzufragen. Das Ziel war es, eine einfache, natürlichsprachliche Schnittstelle bereitzustellen, die präzise Informationen aus verschiedenen Dokumenten abrufen kann und so Produktivität und Genauigkeit in verschiedenen Prüfbereichen deutlich steigert.
Vor der Einführung von Databricks sah sich Hapag-Lloyd mit verschiedenen Herausforderungen in der Prüfungs- und Dokumentationspraxis konfrontiert. Wie Daniel erklärte, waren die herkömmlichen Methoden zur Erstellung von Prüfberichten zeitintensiv und mit zahlreichen manuellen Schritten verbunden, was zu Ineffizienzen und möglichen Inkonsistenzen in der Dokumentation führte. „Unsere bestehende Infrastruktur – darunter auch Tools wie Vektordatenbanken – ermöglichte weder den schnellen Aufbau noch die effiziente Bereitstellung der KI-Modelle, die wir für die Optimierung unserer Prüfprozesse benötigten. Auch die einfache Bereitstellung von Instanzen stellte eine Herausforderung dar. Wir hatten ein AWS SysOps-Konto, aber es war sehr aufwendig, Instanzen schnell bereitzustellen“, erklärte Daniel.
Es war offensichtlich, dass es eine leistungsfähige, zuverlässige und skalierbare Lösung brauchte. Deshalb starteten sie ihre generativen KI-Initiativen auf der Databricks Data Intelligence Platform. Laut Daniel wurden „all diese Herausforderungen vom Databricks-Team gelöst. Im Vergleich zu unserem AWS SysOps-Konto konnten wir unsere Instanz mit Databricks wesentlich schlanker einrichten. Auf der Kostenseite gab es eine stufenweise Verbesserung.“
Schneller Aufbau von GenAI-Prototypen mit Databricks Mosaic AI
Databricks erleichterte die Bereitstellung von fortschrittlichen KI-Modellen, die auf die spezifischen Anforderungen von Hapag-Lloyd zugeschnitten waren. Mosaic AI machte es ihnen leicht, verschiedene Modelle zu bewerten und basierend auf Preis-Leistungs-Merkmalen das passende Modell für ihren Anwendungsfall auszuwählen. „Anfangs testeten wir Modelle wie Llama 2 70b und Mixtral getestet – letztlich haben wir uns jedoch für das Databricks DBRX-Modell entschieden. DBRX liefert weitaus bessere Ergebnisse als die zuvor getesteten Modelle“, erklärte Daniel. Als Transformer-basiertes Decoder-only LLM mit Vortraining auf umfangreichen Datensätzen war das Modell ideal geeignet, um hochwertige Prüfungsergebnisse und Zusammenfassungen zu generieren. Daniels Team nannte diesen Prototyp das Finding Generation Interface.
Die Ingenieure von Hapag-Lloyd haben anschließend das Open-Source-DBRX-Modell von Databricks mit 12 Billionen Tokens sorgfältig kuratierter Daten feinabgestimmt. Die Lösungsarchitektur umfasste eine Reihe von Schritten – von der Datenaufnahme, -aufbereitung und dem Prompt-Engineering bis hin zur Modellbewertung und -bereitstellung. Die Architektur ermöglichte eine nahtlose Integration mit bestehenden Datenpipelines und bot ein robustes Framework für kontinuierliche Verbesserungen. Der Prozess umfasste die Erzeugung von Ergebnissen, deren Zusammenfassung und die Speicherung in einer Delta-Tabelle für einen einfachen Zugriff und Abruf.
Mit Databricks MLflow konnte Hapag-Lloyd die Auswertung von Aufforderungen und Modellen automatisieren. Dadurch entfiel der bisher zeitintensive manuelle Aufwand zur Erzeugung und Überprüfung von Prüfungsergebnissen. Die Fähigkeiten der Plattform, den gesamten ML-Lebenszyklus – von der Datenaufnahme bis zur Modellbereitstellung – abzudecken, spielte eine entscheidende Rolle bei der Optimierung des Prüfprozesses. „Databricks bietet über den gesamten Lebenszyklus hinweg eine hervorragende Unterstützung“, fügte Daniel hinzu.
Um die Effizienz weiter zu steigern, wurde eine Chatbot-Schnittstelle mit Gradio entwickelt und mit Mosaic AI Model Serving integriert. Dieser Chatbot ermöglichte es den Auditoren, mithilfe natürlicher Sprache gezielt Informationen aus Dokumenten abzufragen – und reduzierte so den Zeitaufwand für die Datensuche erheblich. Der Chatbot nutzte Retrieval Augmented Generation (RAG), um genaue und kontextrelevante Antworten zu liefern und trug damit zur weiteren Optimierung des Prüfprozesses bei.
Databricks umfassendes Angebot an GenAI-Tools und -Diensten erleichterte die Zusammenarbeit zwischen den Teams und vereinfachte den Zugriff auf sowie die Verwaltung von Prüfdaten. Gerade in einem global agierenden Unternehmen wie Hapag-Lloyd sind effizientes Datenmanagement und reibungslose Zusammenarbeit von entscheidender Bedeutung. „Es hat den Prozess definitiv beschleunigt“, bestätigte Daniel. „Ohne Databricks hätten wir deutlich länger gebraucht, um die nötige Expertise aufzubauen.“
Steigerung der Prüfungseffizienz mit GenAI
Die GenAI-Fähigkeiten von Databricks ermöglichten es Hapag-Lloyd, seine Prüfungseffizienz erheblich zu steigern und einen skalierbaren und hochwertigen Rahmen für Prüfungs- und Dokumentationsprozesse zu bieten. Auditoren verbringen jetzt nur noch 5 Minuten mit der Erstellung eines neuen Ergebnisses auf Basis von Stichpunkten – zuvor waren es 15. Das entspricht einer Reduktion der Überprüfungszeit pro Ergebnis um 66 % – ein erheblicher Zeitgewinn, da eine Prüfung im Schnitt sieben Ergebnisse umfasst. Die für die Überprüfung jeder Executive Summary benötigte Zeit hat sich um 77 % verringert – von 30 Minuten auf nur noch 7.
Der Aufbau des Finding Generation Interface und des Chatbots durch Databricks hat nicht nur die Abläufe vereinfacht, sondern auch den Weg für zukünftige Fortschritte in der Prüfungsautomatisierung und -effizienz geebnet. Hapag-Lloyd plant, die aktuelle Lösung auf weitere Aspekte des Prüfungsprozesses auszuweiten. Dazu gehört die Feinabstimmung von großen Sprachmodellen, um Prüfungsberichte besser zu strukturieren und zu organisieren und so den Zeit- und Arbeitsaufwand für Auditoren weiter zu senken. Das Unternehmen plant, den Bewertungsprozess mit dem Mosaic AI Agent Evaluation Framework zu verbessern und zu automatisieren. Dies wird die Bewertung von Audit-Ergebnissen rationalisieren und eine gleichbleibende Qualität über alle Berichte hinweg gewährleisten.
"In Zukunft wird die generative KI eine bedeutende Rolle dabei spielen, Kollegen von administrativen Aufgaben zu befreien. Databricks ist der Partner der Wahl dafür“, schloss Daniel.