Von unstrukturierten Support-E-Mails zur produktiven RAG Knowledge Base  

Für gPlug haben wir eine KI-basierte Lösung entwickelt, um wertvolles Wissen aus Support-E-Mails automatisiert zu erschliessen und strukturiert nutzbar zu machen. Das Ergebnis ist eine performante, datenschutzkonforme Wissensbasis, welche den Support effizient entlastet und schnellere Antwortzeiten ermöglicht. 

DIE HERAUSFORDERUNGEN

Mit zunehmender Verbreitung der gPlug-Produkte stieg das Volumen an Supportanfragen deutlich an. Viele Anfragen wiederholten sich oder bezogen sich auf bereits vorhandene Informationen aus früheren E-Mails, Dokumentationen oder der Webseite. 

Gleichzeitig lag dieses Wissen unstrukturiert in E-Mail-Postfächern vor und war nur mit erheblichem manuellem Aufwand nutzbar. Dies führte zu ineffizienten Prozessen und verlängerten Reaktionszeiten im Support. 

Der Datenschutz stellte eine weitere zentrale Herausforderung dar. Eine Verarbeitung der Daten ausserhalb der Schweiz ist ausgeschlossen. Anforderungen wie vollständige Datenhoheit, lokale Datenhaltung sowie die Vermeidung von Abhängigkeiten durch internationale Cloud-Anbieter mussten strikt eingehalten werden. 

DIE HERAUSFORDERUNGEN

Mit zunehmender Verbreitung der gPlug-Produkte stieg das Volumen an Supportanfragen deutlich an. Viele Anfragen wiederholten sich oder bezogen sich auf bereits vorhandene Informationen aus früheren E-Mails, Dokumentationen oder der Webseite. 

Gleichzeitig lag dieses Wissen unstrukturiert in E-Mail-Postfächern vor und war nur mit erheblichem manuellem Aufwand nutzbar. Dies führte zu ineffizienten Prozessen und verlängerten Reaktionszeiten im Support. 

Der Datenschutz stellte eine weitere zentrale Herausforderung dar. Eine Verarbeitung der Daten ausserhalb der Schweiz ist ausgeschlossen. Anforderungen wie vollständige Datenhoheit, lokale Datenhaltung sowie die Vermeidung von Abhängigkeiten durch internationale Cloud-Anbieter mussten strikt eingehalten werden. 

UNSER LÖSUNGSANSATZ

Wir entwickelten eine KI-basierte Lösung auf Basis von Retrieval Augmented Generation (RAG), die vollständig in der Schweiz betrieben wird. 

Im Zentrum steht eine mehrstufige Pipeline zur automatisierten Aufbereitung historischer Support-E-Mails: 

  • Extraktion der E-Mails aus dem Postfach 
  • Verarbeitung durch ein Large Language Model (LLM) 
  • Entfernung von personenbezogenen Daten und irrelevanten Inhalten (z.B. Signaturen) 
  • Strukturierung jeder E-Mail in Frage-Antwort-Paare 
  • Generierung kompakter Wissens-Snippets 

 

Die aufbereiteten Inhalte werden anschliessend in einer Vektordatenbank gespeichert und über das Open-Source Chat Interface Open WebUI zugänglich gemacht. Ergänzend fliessen Inhalte aus der technischen Dokumentation und der Webseite direkt in die Wissensbasis ein. 

Für die Nutzung stellten wir verschiedene vorkonfigurierte KI-Agenten bereit, darunter: 

  • ein Q&A-Assistent zur schnellen Beantwortung von Supportfragen 
  • ein E-Mail-Agent, der Antwortentwürfe für eingehende Anfragen generiert 

 

Die gesamte Modellinferenz erfolgt über Open-Source-LLMs, die bei einem Schweizer Anbieter betrieben werden, wodurch alle Datenschutzanforderungen konsequent eingehalten werden. 

UNSER LÖSUNGSANSATZ

Wir entwickelten eine KI-basierte Lösung auf Basis von Retrieval Augmented Generation (RAG), die vollständig in der Schweiz betrieben wird. 

Im Zentrum steht eine mehrstufige Pipeline zur automatisierten Aufbereitung historischer Support-E-Mails: 

  • Extraktion der E-Mails aus dem Postfach 
  • Verarbeitung durch ein Large Language Model (LLM) 
  • Entfernung von personenbezogenen Daten und irrelevanten Inhalten (z.B. Signaturen) 
  • Strukturierung jeder E-Mail in Frage-Antwort-Paare 
  • Generierung kompakter Wissens-Snippets 

 

Die aufbereiteten Inhalte werden anschliessend in einer Vektordatenbank gespeichert und über das Open-Source Chat Interface Open WebUI zugänglich gemacht. Ergänzend fliessen Inhalte aus der technischen Dokumentation und der Webseite direkt in die Wissensbasis ein. 

Für die Nutzung stellten wir verschiedene vorkonfigurierte KI-Agenten bereit, darunter: 

  • ein Q&A-Assistent zur schnellen Beantwortung von Supportfragen 
  • ein E-Mail-Agent, der Antwortentwürfe für eingehende Anfragen generiert 

 

Die gesamte Modellinferenz erfolgt über Open-Source-LLMs, die bei einem Schweizer Anbieter betrieben werden, wodurch alle Datenschutzanforderungen konsequent eingehalten werden. 

DAS ERGEBNIS

Durch die Einführung der Lösung kann gPlug das in den E-Mails vorhandenes Wissen erstmals zentral und strukturiert nutzbar machen. 

Konkret ergeben sich folgende Benefits: 

  • Deutlich reduzierter manueller Aufwand im Support 
  • Schnellere und konsistentere Antworterstellung 
  • Wiederverwendung von bestehendem Wissen über alle Kanäle hinweg 
  • Hohe Qualität der Antworten durch kontextbasierte KI-Unterstützung 
  • Vollständige Datenhoheit dank Hosting und Verarbeitung in der Schweiz 
  • Einhaltung aller Datenschutzanforderungen sowie vollständige Unabhängigkeit vom US Cloud Act 

 

Der Support kann sich nun stärker auf komplexe Fragestellungen konzentrieren, während Standardanfragen effizient und teilautomatisiert abgewickelt werden. 

DAS ERGEBNIS

Durch die Einführung der Lösung kann gPlug das in den E-Mails vorhandenes Wissen erstmals zentral und strukturiert nutzbar machen. 

Konkret ergeben sich folgende Benefits: 

  • Deutlich reduzierter manueller Aufwand im Support 
  • Schnellere und konsistentere Antworterstellung 
  • Wiederverwendung von bestehendem Wissen über alle Kanäle hinweg 
  • Hohe Qualität der Antworten durch kontextbasierte KI-Unterstützung 
  • Vollständige Datenhoheit dank Hosting und Verarbeitung in der Schweiz 
  • Einhaltung aller Datenschutzanforderungen sowie vollständige Unabhängigkeit vom US Cloud Act 

 

Der Support kann sich nun stärker auf komplexe Fragestellungen konzentrieren, während Standardanfragen effizient und teilautomatisiert abgewickelt werden. 

ÜBER gPlug

gPlug entwickelt und vertreibt kompakte IoT-Adapter für das Auslesen von Smart Metern über die lokale Kundenschnittstelle. Die Geräte ermöglichen es Endkunden, Energiedaten einfach in eigene Systeme oder Smart-Home-Lösungen zu integrieren und auszuwerten. 

SIE MÖCHTEN MEHR ERFAHREN?

IHR ANSPRECHPARTNER ZUM PROJEKT

Fabian Hüni

Leiter AI & Data Analytics

Kontakt aufnehmen

SIE MÖCHTEN MEHR ERFAHREN?

IHRE ANSPRECHPARTNER ZUM PROJEKT

Fabian Hüni

Leiter AI & Data Analytics

Kontakt aufnehmen

Fabian Hüni

Leiter AI & Data Analytics

Kontakt aufnehmen

Privacy Preference Center