{"id":68571,"date":"2024-03-14T10:56:00","date_gmt":"2024-03-14T10:56:00","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=cases&p=68571"},"modified":"2024-09-24T11:40:25","modified_gmt":"2024-09-24T10:40:25","slug":"orange-visual-recognition-ai-solution-improves-orange-france-call-out-service-quality","status":"publish","type":"cases","link":"https:\/\/www.artefact.com\/de\/cases\/orange-visual-recognition-ai-solution-improves-orange-france-call-out-service-quality\/","title":{"rendered":" ORANGE Frankreich<\/span> KI-L\u00f6sung zur visuellen Erkennung im Dienste der technischen Interventionsqualit\u00e4t von Orange France"},"content":{"rendered":"

KI-basierte Anwendung erm\u00f6glicht Glasfaserinstallateuren die einfache \u00dcberpr\u00fcfung der Einhaltung von Interventionen<\/h2><\/div>

Orange, ein f\u00fchrendes Telekommunikationsunternehmen in Frankreich und Europa, hat im Jahr 2020 eine auf k\u00fcnstlicher Intelligenz basierende Umgestaltung vorgenommen. Diese neue Vision f\u00fcr data und KI zielt darauf ab, den Tausenden von Technikern, Ingenieuren und anderen Berufsgruppen, die der Konzern besch\u00e4ftigt, bei Aufgaben zu helfen, die f\u00fcr Menschen allein zu komplex sind. Gleichzeitig wurde auch eine \u00dcberarbeitung der data-Produktvorschriften in Angriff genommen.<\/p>\n

Bei der Umsetzung der neuen Strategie wurde Orange von der data-Serviceberatungsfirma Artefact begleitet. Gemeinsam haben die beiden Unternehmen zahlreiche Anwendungsf\u00e4lle entwickelt, um die Gesch\u00e4ftsbereiche des Konzerns zu unterst\u00fctzen, die technische Entscheidungsfindung zu erleichtern und das Unternehmen durch die Nutzung des Potenzials von data und KI zu ver\u00e4ndern.<\/p>\n

Zu diesen gemeinsam entwickelten Anwendungsf\u00e4llen geh\u00f6rt eine KI-L\u00f6sung, die die Techniker von Orange beim Anschluss von Kunden an das Glasfasernetz unterst\u00fctzen soll. Diese L\u00f6sung, die in die Anwendung des Technikers integriert ist, stellt sicher, dass keiner ihrer Eingriffe an der Netzwerkausr\u00fcstung \u201cDefekte\u201d oder \u201cNichtkonformit\u00e4ten\u201d erzeugt, die h\u00e4ufig die Ursache f\u00fcr die zunehmende Verschlechterung des Glasfasernetzes in Frankreich sind.<\/p>\n<\/div>

\n
\u201cIm Jahr 2022 haben wir die Anzahl der Verbindungen um 23% im Vergleich zu 2021 erh\u00f6ht. Dieses anhaltende Wachstum hat zu einem Anstieg der gemeldeten St\u00f6rungen gef\u00fchrt. Das ist der Grund ARCEP<\/a>\u00a0hat es im Sommer 2021 zur Pflicht gemacht, vor und nach jedem Eingriff Fotos zu machen.<\/div>\n
Diese Bilder haben ein dreifaches Ziel: die \u00dcberwachung, das schnellstm\u00f6gliche Eingreifen im Falle eines Problems und die Bestrafung der Betreiber, die einen Fehler gemacht haben.<\/div>\n
F\u00fcr Orange erfordert diese Verordnung die Analyse von 20.000 Fotos t\u00e4glich. Eine Aufgabe, die ohne KI-Unterst\u00fctzung nicht schnell und fehlerfrei erledigt werden kann.\u201d<\/div>\n
M\u00e9d\u00e9ric Chomel, VP Data, AI & Automation bei Orange Frankreich<\/div>\n<\/blockquote>\n<\/div>

Eine KI-L\u00f6sung auf Basis von Bilderkennung<\/h2><\/div>

Techniker zu bitten, zahlreiche Kontrollpunkte vor Ort zu \u00fcberpr\u00fcfen, oder gen\u00fcgend Personal f\u00fcr die Analyse der t\u00e4glich anfallenden 20.000 Bilder bereitzustellen, ist keine praktikable L\u00f6sung. Dies w\u00e4re zu zeitaufw\u00e4ndig, zu kostspielig und nicht fehlerfrei. Dar\u00fcber hinaus sind Stichproben keine Option, da jeder einzelne Eingriff \u00fcberpr\u00fcft werden muss.<\/p>\n

Um diese Zehntausende von Fotos t\u00e4glich zu \u00fcberpr\u00fcfen (10.000 Eingriffe x 2 - 10 Fotos), haben Orange und Artefact ein algorithmisches Modell entwickelt, das auf Bilderkennung (Computer Vision) beruht. Die Techniker senden ihre Fotos \u00fcber ihre mobile App an eine artificial intelligence-Engine, die nahezu in Echtzeit \u00fcberpr\u00fcft, ob ihre Arbeit konform ist. Wenn der Techniker mit den Empfehlungen der Maschine nicht einverstanden ist, kann er sie einfach ignorieren. Die KI ist perfekt in den Arbeitsablauf des Technikers integriert.<\/p>\n<\/div>

Erfolgsfaktoren: Qualit\u00e4t data, multidisziplin\u00e4re Teams, Transfer-Lernmodell<\/h2><\/div>

Das Projekt wurde von einem multidisziplin\u00e4ren Team mit einer Mischung aus Profilen von Orange und Artefact geleitet. Es wurde ein Feature-Team gebildet, das sich aus dem Product Owner, data-Wissenschaftlern, Ingenieuren, Benutzern und Experten anderer Berufsgruppen zusammensetzte, um an der Bereitstellung der L\u00f6sung zu arbeiten.<\/p>\n

Die Zeit war das erste Problem, mit dem das f\u00fcr das Projekt verantwortliche Team konfrontiert wurde. Orange hatte nur neun Monate Zeit, um die erste Version ihrer L\u00f6sung einzuf\u00fchren. Deshalb entschied man sich, einen Teil des Projekts auf \u201cTransfer Learning\u201d zu st\u00fctzen, eine Methode, bei der bereits vorhandene Modelle verwendet werden, die entweder bereits im Unternehmen eingesetzt werden oder als Open Source verf\u00fcgbar sind. Die Teams von Artefact haben diese Modelle dann durch Neutraining, Kennzeichnung und Vorverarbeitung \u00fcberarbeitet, um die Lieferzeit zu verk\u00fcrzen, und auch einige andere von Grund auf neu entwickelt.<\/p>\n

Das Team untersuchte dann die Reaktionszeiten verschiedener Computer Vision L\u00f6sungen. Einige L\u00f6sungen auf dem Markt verarbeiteten Bilder in sieben oder sogar acht Minuten, w\u00e4hrend die Zielzeit bei drei Sekunden lag. Die Anwendung sollte gestartet werden, wenn der Techniker im Begriff ist, den Ort zu verlassen. Es ist unpraktisch, ihn zu bitten, 10 Minuten zu warten, um die Konformit\u00e4t seiner Installation zu \u00fcberpr\u00fcfen. Um die Latenzzeit so weit wie m\u00f6glich zu reduzieren, werden die Berechnungen parallelisiert. So werden mehrere Modelle gleichzeitig ausgef\u00fchrt, um Ergebnisse quasi in Echtzeit zu erhalten.<\/p>\n

Die dritte Herausforderung, aber sicherlich nicht die letzte, war die Genauigkeit der Analyse. Um eine maximale Genauigkeit zu gew\u00e4hrleisten, musste der Algorithmus mit einer riesigen Menge an konformen und nicht-konformen Fotos versorgt werden. Die Kennzeichnung dieser Bilder wurde von einem Partnerunternehmen namens Isahit durchgef\u00fchrt, das in der Lage war, 80.000 Fotos in drei Monaten Entwicklungszeit zu verarbeiten und dabei die Vertraulichkeit von data zu wahren.<\/p>\n<\/div>

\n
\u201cDieses Projekt ist Teil der langfristigen KI-Transformationsstrategie von Orange. Wir haben den Code so verpackt, dass er in zuk\u00fcnftigen Anwendungsf\u00e4llen, in denen Bilderkennung ben\u00f6tigt wird, wiederverwendet werden kann. Dieses KI-Produkt wurde bereits zur Unterst\u00fctzung von Glasfasertechnikern in einem anderen Bereich wiederverwendet.\u201d<\/div>\n
Vincent Luciani, Mitbegr\u00fcnder und CEO der Artefact Gruppe.<\/div>\n<\/blockquote>\n<\/div>

Change Management: F\u00f6rderung der Akzeptanz der Anwendung durch die Endbenutzer<\/h2><\/div>

Um ihre Arbeitsweise zu verstehen, wurden die Techniker von Anfang an in das Projekt einbezogen. Dadurch konnte das Entwicklungsteam mehrere Punkte erkennen, von denen einer von entscheidender Bedeutung ist: Die Anwendung sollte nicht als Mittel zur Kontrolle der Arbeit der Techniker verstanden werden, sondern als ein Werkzeug, das ihre t\u00e4gliche Arbeit erleichtert.<\/p>\n

Um also sicherzustellen, dass die Endbenutzer mit der Anwendung zufrieden sind und dass sie ethisch einwandfrei gestaltet wurde, hat das Team an zwei Aspekten gearbeitet.<\/p>\n

Erstens m\u00fcssen die Techniker in der Lage sein, die Kontrolle \u00fcber die Maschine zu behalten und gegen ihre Empfehlungen zu versto\u00dfen. Aus diesem Grund war die Erkl\u00e4rbarkeit der vom Modell gelieferten Ergebnisse ein zentraler Wert. Wenn das Modell eine oder mehrere Abweichungen feststellt, muss die KI angeben, welcher Bereich oder welche Bereiche betroffen sind.<\/p>\n

Sobald eine erste Version der Anwendung fertig war, lie\u00df das Team sie von 50 freiwilligen Technikern testen. So konnte das Team relevantes Feedback sammeln, um die Modelle zu verbessern. Zum Beispiel k\u00f6nnen die Bedingungen, unter denen die Fotos aufgenommen werden, zu einer Verwechslung zwischen orangefarbenen Kabeln (von Orange) und roten Kabeln (der Konkurrenz) f\u00fchren. Das Wiederauftreten dieses Fehlers veranlasste das Feature-Team, die Akzeptanz des Algorithmus zu verbessern. Die Leistung des Modells wurde reduziert, um zu vermeiden, dass es dem widerspricht, was der Mensch sieht.<\/p>\n<\/div>

F\u00fcr Vincent Luciani, Mitbegr\u00fcnder und CEO der Artefact-Gruppe<\/strong>,<\/p>\n

\n
\u201cAlle unsere KI-Projekte sind so konzipiert, dass sie die sieben Grundprinzipien f\u00fcr den ethischen Einsatz von KI respektieren, die von einer Gruppe von Experten der Europ\u00e4ischen Kommission aufgestellt wurden. Der erste dieser Werte ist die menschliche Kontrolle. Wir haben die Techniker in den Mittelpunkt des Projekts gestellt, um sicherzustellen, dass diese neue L\u00f6sung ihr t\u00e4gliches Leben erleichtert und ihre Autonomie nicht einschr\u00e4nkt. Dies war auch ausschlaggebend f\u00fcr die Akzeptanz der L\u00f6sung durch alle Orange Installateure.\u201d<\/div>\n<\/blockquote>\n<\/div>

Ein Erfolg, der Teil einer globalen Transformationsstrategie durch KI ist<\/h2><\/div>

In nur neun Monaten wurde diese neue Anwendung entwickelt, getestet, korrigiert und in gro\u00dfem Ma\u00dfstab industrialisiert. Das war eine echte technische und menschliche Meisterleistung, denn das Tool wird nun von den 10.000 Technikern, die t\u00e4glich in Frankreich im Einsatz sind, angenommen.<\/p>\n

Diese Anwendung ist nur einer von 150 Anwendungsf\u00e4llen, die Orange in den letzten zwei Jahren im Rahmen seiner Transformation durch KI entwickelt hat. Seitdem hat Orange - zusammen mit Artefact<\/a> - hat 15 neue Modelle in Produktion genommen, die andere Funktionen wie den Vertrieb oder den Kundendienst unterst\u00fctzen.<\/p>\n<\/div>

\n
\u201cDie Vorschriften f\u00fcr artificial intelligence werden derzeit entwickelt. Unsere Transformation mit data und KI soll die Privatsph\u00e4re respektieren, den Menschen und ihrer Umwelt n\u00fctzen und unvoreingenommen sein. Aus diesem Grund nimmt diese Strategie k\u00fcnftige regulatorische \u00c4nderungen so weit wie m\u00f6glich vorweg. Wir d\u00fcrfen nicht vergessen, dass diese Art von Projekten nicht nur eine technische Angelegenheit ist; der Mensch ist der gr\u00f6\u00dfte Faktor f\u00fcr ihren Erfolg.\u201d<\/div>\n
M\u00e9d\u00e9ric Chomel, VP Data, AI & Automation bei Orange Frankreich.<\/div>\n<\/blockquote>\n<\/div><\/div><\/div><\/div><\/article>