Historische E-Mail-Archive in eine Wissensbasis mit generativer KI verwandeln

Die Herausforderung

Über viele Jahre sammelte der Kunde große Mengen an Kunden-E-Mails in PST-Archiven und weiteren Legacy-Systemen, die nur schwer zugänglich waren. Diese unstrukturierten Daten enthielten Informationen zu Kundenbedürfnissen, wiederkehrenden Anfragen und Nachfragetrends. Die klassische Suche war jedoch langsam und lieferte häufig irrelevante Ergebnisse.

Die größten Herausforderungen:

• Ineffizienter Kundensupport: lange Suchzeiten bei historischer Kommunikation.
• Verpasste Geschäftschancen: Muster in historischen Daten wurden nicht genutzt.
• Operative Engpässe: die manuelle Verarbeitung von PST-Dateien war aufwendig.
• Verlust von Wissen: das organisatorische Gedächtnis war an einzelne Personen statt an ein System gebunden.
• Wettbewerbsdruck: Datenprozesse mussten beschleunigt werden, um mit dem Wettbewerb Schritt zu halten.

Die Lösung

Gemeinsam mit einem Implementierungspartner wurde ein Generative AI Smart Assistant für die semantische Suche in E-Mail-Archiven und die Extraktion geschäftlich relevanter Muster konzipiert und bereitgestellt. Zentrale Komponenten:

• Foundation Models über Amazon Bedrock für NLU und Antwortgenerierung.
• Amazon OpenSearch Service (Vector Engine) als Index und Vektordatenbank für semantische Suche.
• Amazon S3 für Staging und Speicherung der Roharchive.
• API Gateway und AWS Lambda für die Orchestrierung von Anfragen.
• Amazon DynamoDB für die Verwaltung von Gesprächszuständen und Metadaten.

Funktionsumfang der Lösung:

• Semantische Suche, bei der Bedeutung wichtiger ist als einzelne Keywords, in Zehntausenden historischen Nachrichten.
• Generierung kontextbezogener Antworten und Zusammenfassungen für Support-Agents.
• Identifikation geschäftlicher Muster wie wiederholte Bestellungen, wiederkehrende Fragen und potenzielle Produktnachfrage.

Architektur in Kürze

• Ingest-Pipeline: PST → Parser (extern) → Amazon S3 (Staging) → Textbereinigung → Vectorizer → OpenSearch (Vektorindizes).
• KI-Pipeline: API Gateway → AWS Lambda → Amazon Bedrock (Modell) + OpenSearch (Retrieval) → DynamoDB (Session State) → UI.
• Sicherheit und Observability: VPC-Endpoints, CloudTrail, CloudWatch, GuardDuty, Verschlüsselung in Amazon S3 und TLS für APIs.
• CI/CD und Model Lifecycle: Repository in Git, CodePipeline/CD oder eine vergleichbare CI-Lösung sowie manuelle Prüfungen bei Prompt-Änderungen.

Umsetzung

Umsetzung

Projektphasen:

1. Analyse und Design: Datenflüsse, Sicherheitsrichtlinien und Multi-Account-Architektur auf AWS.
2. Ingestion und Bereinigung: externes PST-Parsing, Textnormalisierung und Upload in Amazon S3.
3. Vektorisierung und Indexierung: Erstellung von Embeddings und Befüllung von OpenSearch.
4. KI-Orchestrierung: Integration von Amazon Bedrock + AWS Lambda + OpenSearch, Konfiguration der Prompts und Human-in-the-Loop-Tests.
5. UI und Adoption: einfache Oberfläche für Agents und Schulungen.
6. Sicherheit und Monitoring: VPC, IAM nach dem Least-Privilege-Prinzip, CloudWatch, CloudTrail und GuardDuty.

Die Bereitstellung in den Produktivbetrieb erfolgte iterativ: Pilot (Support-Team) → Erweiterung → Stabilisierung. Zeitrahmen vom ersten Sprint bis zum Pilot: ~4 Monate bei einem iterativen Ansatz.

Ergebnisse und Nutzen

Die Bereitstellung brachte messbare Verbesserungen bei Effizienz und Qualität der Anfragenbearbeitung. Zentrale Kennzahlen bestätigten eine deutliche Verkürzung der Ticket-Lösungszeit und eine höhere Genauigkeit bei der Informationssuche. Neben den unmittelbaren Ergebnissen entstand ein langfristiger Nutzen für das Wissensmanagement sowie eine Grundlage für fortgeschrittene Analysefunktionen.

1. Time to Resolution (Support)
   • Vor der Bereitstellung: 10–15 Minuten bei manueller Suche in historischer Kommunikation.
   • Nach der Bereitstellung: 2–3 Minuten (≈70 % Reduzierung).
2. Search Success Rate (Relevanz der Ergebnisse)
   • Vorher: ~55 % relevante Treffer bei Keyword Search.
   • Nachher: >90 % relevante Ergebnisse bei vektorbasierter semantischer Suche.

Weitere Vorteile:

• Weniger manueller Aufwand bei der Verarbeitung von Archiven.
• Bessere Kontinuität des Wissens in der Organisation.
• Grundlage für weitere Funktionen: Verarbeitung von Anhängen mit OCR, Predictive Analytics und Sales Insights.

„Das Projekt hat archivierte Kommunikation in ein praktisches Tool verwandelt, das die Qualität unserer Antworten an Kunden jeden Tag verbessert.“ Kunde

Fazit

Das Projekt bestätigte, dass auch große, langfristig ungenutzte Archive unmittelbaren geschäftlichen Nutzen schaffen können, wenn sie mit modernen KI-Tools verbunden werden. Der Wechsel von manueller Verarbeitung zu intelligenter Suche reduzierte operative Ineffizienzen, beschleunigte Entscheidungen und schuf eine verlässliche Grundlage für datengetriebene Innovation.

Die Lösung zeigt, dass die Transformation von Wissen nicht mit hohen Risiken oder hohen Kosten verbunden sein muss, wenn sie auf einer skalierbaren und sicheren Cloud-Architektur basiert.