Implementierung von Generativer KI für die Skill-Management-Plattform Solvedio

Die Integration der Generativen KI-Lösung in die Solvedio-Plattform transformierte das traditionelle Skill-Management in ein intelligentes, automatisiertes und kontextbewusstes System. Die auf AWS Bedrock basierende Lösung optimierte die Dokumentenverarbeitung, die Erstellung von Kompetenzmatrizen und die Teambildung und brachte messbare geschäftliche Vorteile für HR- und Projektmanagement.

03. apríl 2025 ┃ 6 minút čítania

Kunde

Solvedio ist eine Digitalization-as-a-Service-(DaaS)-Plattform, die auf die umfassende Digitalisierung von Unternehmen durch einen menschenzentrierten No-Code-Ansatz ausgerichtet ist. Die Solvedio-Lösungen sind auf die Bedürfnisse der Fertigungsindustrie, des HR- und des öffentlichen Sektors zugeschnitten und zielen darauf ab, eine schnelle und zugängliche digitale Transformation zu ermöglichen. Dank Geschwindigkeit, Flexibilität und niedrigen Kosten ist Solvedio zu einem wichtigen Partner für Unternehmen geworden, die ihre Prozesse modernisieren und ihre Produktivität steigern möchten.

Kontext und Herausforderungen

In den letzten Jahren hat der Markt für Digitalisierungs- und HR-Technologien einen tiefgreifenden Wandel erfahren. Organisationen legen zunehmend den Fokus auf intelligente Systeme, die Fähigkeiten automatisch bewerten, Arbeitsteams optimieren und Schulungsbedarfe vorhersagen können. Dieser Trend führt zu einer massiven Einführung von Cloud- und KI-Lösungen.

Die zentrale geschäftliche Herausforderung für die Solvedio-Plattform bestand in den Einschränkungen bei der automatischen Verarbeitung und dem Verständnis unstrukturierter Daten zur Befüllung und Pflege ihrer Kompetenzmatrizen. Die Kunden benötigten eine Lösung, die über die manuelle Dateneingabe und die grundlegende Nachverfolgung von Fähigkeiten hinausgeht. Die Plattform erforderte eine erhebliche technologische Weiterentwicklung, um:

Automatisch eine umfassende Kompetenzmatrix direkt aus verschiedenen Mitarbeiterdokumenten wie Lebensläufen und Zertifikaten generieren. Das System musste mehrere Formate wie PDF, DOCX, TXT und verschiedene Bildtypen verarbeiten.
Intelligent Empfehlungen für neue Fähigkeiten basierend auf dem bestehenden Profil und den Dokumenten des Benutzers bereitstellen.
Die Zuweisung qualifizierter Benutzer zu bestimmten Kompetenzgruppen oder Projekten automatisieren, um die Teamzusammenstellung zu optimieren.
Eine konversationelle Interaktion mit dem System zur Suche nach Fähigkeiten und Wissen über ein KI-Chatmodell ermöglichen.

Ohne die Erweiterung der Plattform um generative künstliche Intelligenz stand Solvedio vor mehreren langfristigen geschäftlichen Risiken:

Stagnierendes Produktangebot: Der Plattform würde die wettbewerbliche Differenzierung fehlen, die KI-gestützte Funktionen bieten, wodurch Marktanteile an innovativere Lösungen verloren gehen könnten.
Begrenzter Kundennutzen: Die Belastung durch manuelle Dateneingabe und Analyse bliebe beim Kunden, was den Mehrwert der Plattform verringern und potenziell zur Kundenabwanderung führen würde.
Die Grenzen der Skalierbarkeit: Die Unfähigkeit zur Automatisierung der Extraktion von Fähigkeiten sollte der Kunde verhindert war effektiv zu verwalten, die Fähigkeiten eines großen und dynamischen Arbeitskräften, so dass die Attraktivität der Solvedio auf Unternehmensebene.
Betriebliche Ineffizienz für Endnutzer: Kunden würden weiterhin mit ineffizienter Projektbesetzung, langsamer Identifizierung von Fachwissen und mangelnder strategischer Transparenz über ihre kollektive Kompetenzbasis kämpfen.

Ziel

Business Ziele:

Automatisieren Sie die Generierung und Aktualisierung der Matrizen der Fähigkeiten, die direkt aus den Dokumenten der Mitarbeiter.
Zur Optimierung der Zusammenstellung der teams durch den Einsatz von KI-Empfehlung entsprechend der Fähigkeiten und der Verfügbarkeit.

Technische Ziele:

Build smart, API-gesteuerte Plattform mit generatívnou AI zu Prozess verschiedene Formate von Dokumenten.
Implementieren Sie eine Reihe von sicheren, asynchrone API für die langfristige Bearbeitung von Aufgaben.

Die Lösung

Die Lösung basiert auf einer serverlosen Architektur, wodurch AWS das Skalieren und die Verfügbarkeit automatisch verwaltet. Die Architektur ist so konzipiert, dass sie robust und effizient in der Verarbeitung langfristiger Aufgaben ist, die von den ursprünglichen Benutzeranforderungen getrennt sind. Dieser Ansatz stellt sicher, dass der Ausfall eines einzelnen Prozesses nicht zum Ausfall der gesamten API-Anfrage führt.

Übersicht über die Architektur

Amazon SQS trennt Datenaufnahme und -verarbeitung, wodurch das System in der Lage ist, hohe Lastspitzen bei eingehenden Anfragen zu bewältigen.
Aurora Serverless (PostgreSQL) und S3 dienen als Datenspeicher, wobei Aurora als Vektordatenbank fungiert, die über die Bedrock Knowledge Base verwaltet wird – mit automatischer Skalierung und Multi-AZ-Bereitstellung.
Dank des vollständig serverlosen Ansatzes wurden Single Points of Failure eliminiert – Komponenten wie API Gateway, Lambda und DynamoDB arbeiten und skalieren unabhängig voneinander.
Asynchrone job-system sorgt dafür, dass auch mit dem scheitern der teilweisen Aufgabe bleibt die API zur Verfügung und stabil.

Die Verarbeitung und management-Aufgaben

Für jede Anfrage wird ein separater Job erstellt, der in DynamoDB erfasst wird. Die Tabelle speichert die Verarbeitungszustände (pending, streaming, failed, completed). Nach Abschluss wird das Ergebnis in den Datensatz zurückgeschrieben. Auf diese Weise können auch langfristige KI-Anfragen effizient verarbeitet werden, ohne das System zu überlasten.

Komponenten und Ihre Rolle

Amazon Bedrock Knowledge Base bietet eine vollständig verwaltete Retrieval-Augmented-Generation-(RAG)-Pipeline, die die Vektorisierung der Quelldokumente mit Titan Text Embeddings v2, deren Speicherung in Aurora Serverless und die Abfrageverwaltung umfasst. Eine eigene RAG-Implementierung wäre zeit- und technisch deutlich aufwändiger.
Aurora Serverless (PostgreSQL) wurde aufgrund der automatischen Skalierung und der optimierten Kosten im Vergleich zu OpenSearch Serverless gewählt. Sie wird auch für einen breiteren Funktionsumfang genutzt, der in Zukunft geplant ist.
DynamoDB sorgt für die asynchrone Verarbeitung von KI-Anfragen, da eine relationale Datenbank hier unnötige Betriebskosten verursachen würde.
SQS unterstützt die stapelweise Verarbeitung neuer Datensätze, die geladen, vorverarbeitet und vektorisiert werden müssen – was die Systemresilienz erhöht. Alternativen wie RabbitMQ auf EC2 wurden aufgrund des höheren Betriebsaufwands verworfen.
AWS Lambda fungiert als Rechenschicht für die gesamte Geschäftslogik – ihre ereignisgesteuerte Natur ermöglicht Reaktionen sowohl auf API-Aufrufe als auch auf Nachrichten aus Warteschlangen.
EventBridge steuert das periodische Auslösen von Lambda-Funktionen zur Synchronisierung der Wissensdatenbank.
CloudWatch überwacht Leistung, Fehler und Latenzen des Systems zu Optimierungszwecken.

Integration und Datenflüsse

SQS → Lambda-Triggers – für die asynchrone Stapelverarbeitung von Datensätzen.
DynamoDB → Lambda-Triggers – für die Verarbeitung neuer KI-Anfragen.
Bedrock Knowledge Base ↔ Aurora Serverless – Speicherung der mit Titan Text Embeddings v2 generierten Vektoren.
EventBridge → Lambda – periodisches Auslösen der Synchronisierung der Wissensdatenbank.

Dieses design sorgt für eine robuste, skalierbare und Kosten-effektive Betrieb ohne die Notwendigkeit message-Server, und alle Komponenten sind voneinander getrennt und unabhängig.

Jeden AWS-service ausgewählt wurde, auf der Grundlage der Analyse der alternativen:

Bedrock Knowledge Base – bietet vollständig verwaltete RAG Prozess; die benutzerdefinierte Anwendung erhöht die Komplexität und die Zeit der Lieferung.
Aurora Serverless (PostgreSQL) – gewählt wegen automatischer Skalierung und geringerer Kosten im Vergleich zu OpenSearch Serverless, unter Nutzung der bestehenden Expertise des Teams.
DynamoDB – wird zur Verwaltung langfristiger KI-Jobs und zur Statusverfolgung eingesetzt, anstelle einer relationalen Datenbank, um Leistung und Einfachheit zu gewährleisten.
SQS – sorgt für das Entkoppeln der Batch-Verarbeitung; Alternativen wie RabbitMQ wurden aufgrund des höheren Betriebsaufwands abgelehnt.
Lambda – ereignisgesteuerte Rechenschicht ohne Notwendigkeit einer Serververwaltung.
EventBridge – dient zur Planung periodischer Aufgaben zur Synchronisierung der Wissensdatenbank.

Integration:

Trigger the Lambda von SQS für die batch-Verarbeitung Datensätze.
Trigger the Lambda von DynamoDB (INSERT) für die AI-Anforderungen.
Link Bedrock KB – Aurora Serverless für die Speicherung von Vektoren.
EventBridge Auslöser für die Synchronisation der knowledge base.

Ergebnisse und Vorteile

Lösung herbeigeführt messbaren geschäftlichen und technologischen Vorteile, und beweisen optimalita in Bezug auf Wert, die Kosten und die Komplexität. Die Lösung ist optimal in drei Hauptbereiche:

Maximierter Geschäftswert: Durch den Einsatz verwalteter Dienste wie Amazon Bedrock Knowledge Base entfiel die Notwendigkeit, eine eigene RAG-Pipeline von Grund auf zu entwickeln, was die Entwicklung und Bereitstellung neuer KI-Funktionen für Kunden erheblich beschleunigte.
Minimierte Kosten: Die serverlose Architektur auf Basis von AWS Lambda, Amazon SQS und Amazon DynamoDB ermöglicht eine Abrechnung ausschließlich für tatsächlich genutzte Ressourcen – ohne Kosten für inaktive Server.
Reduzierte Komplexität: Die ereignisgesteuerte Architektur vereinfacht das gesamte system, ermöglicht die Entwicklung, das debugging und die Wartung. Bedrock Knowledge Base zur gleichen Zeit, minimiert die Komplexität der Implementierung, Optimierung und Verwaltung von sicheren und effizienten RAG Lösungen.

Lösung führte zu einer messbaren Mehrwert in den beiden wichtigsten Indikatoren, die direkt auf das operative Stabilität und Effizienz des teams:

Verbesserung der Projektdurchführung durch skillbasiertes Matching: Vor der Implementierung waren etwa 23 % der Projekte aufgrund falscher Personenzuweisung verzögert. Nach der Einführung der Solvedio-Plattform mit KI-gestützten Empfehlungen sank die Verzögerungsrate innerhalb von sechs Monaten auf 10 % – eine Verbesserung um mehr als 50 %. Die Messung erfolgte anhand der Projektabschlussprotokolle durch Vergleich des Anteils termingerecht abgeschlossener Projekte vor und nach der Implementierung.
Ausgeglichene Arbeitslast und höhere Mitarbeiterzufriedenheit: Vor der Einführung lag die Zufriedenheit mit der Arbeitsbelastung bei 60 von 100 Punkten. Nach sechs Monaten Nutzung der Kapazitäts- und Skill-Analyse-Tools stieg sie auf 80 Punkte und übertraf damit das Ziel von 75. Die Daten basierten auf wiederkehrenden Mitarbeiterbefragungen und Kapazitätsanalysen (z. B. Anteil der Mitarbeiter mit optimaler Auslastung). Das Ergebnis war eine bessere Arbeitsverteilung, höhere Team-Moral und ein positiver Einfluss auf die Mitarbeiterbindung.

Fazit

Diese Fallstudie beschreibt, wie durch den Einsatz von Generativer KI und Cloud-Technologien die Art und Weise, wie Organisationen an Digitalisierung, Automatisierung und Datennutzung herangehen, grundlegend verändert werden kann. Die Integration fortschrittlicher KI-Dienste in bestehende Prozesse schuf eine Lösung, die nicht nur die Datenverarbeitung effizienter macht, sondern auch schnellere Entscheidungen und ein strategischeres Ressourcenmanagement ermöglicht.

Der Wert der Plattform überschreitet den Bereich von HR. Es geht um eine demonstration, wie kann die Generative AI Beschleunigung der digitalen transformation in den verschiedenen Segmenten von der Produktion über eine öffentliche Nachricht an das management von wissen und interne innovation. Plattform Solvedio bestätigt, dass die Verbindung von cloud-Infrastruktur, die asynchrone Verarbeitung und smart learning zu erstellen, die eine flexible Lösung bereit, die für die künftige Entwicklung im Bereich der Daten analytik, vorausschauende Planung und autonome Entscheidungsfindung.

Die-Plattform ist ein Beweis, dass die Generative KI ist zu einem wichtigen Werkzeug für die digitale transformation von Organisationen und bietet Geschwindigkeit, Genauigkeit und Skalierbarkeit notwendig, um komplexe Daten-ökosystemen.

Abonnieren Sie und verpassen Sie keinen Artikel