实例探究.
添加案例
我们的案例数据库覆盖了全球物联网生态系统中的 18,927 家解决方案供应商。
您可以通过筛选条件进行快速浏览。
Download Excel
筛选条件
-
(10)
- (8)
- (3)
- (1)
- (2)
- (1)
- (1)
- (1)
- (1)
- 查看全部 6 行业
- (3)
- (3)
- (2)
- (1)
- (1)
- 查看全部 5 功能区
- (4)
- (3)
- (1)
- (1)
- (1)
- 查看全部 7 用例
- (10)
- (10)
Selected Filters
|
一家大型银行如何通过自动化信用协议分析节省数千小时的人工劳动
该银行正在寻找通过自动化提高效率的方法，特别是在信用风险评估领域。批发信贷协议的语言和结构复杂性使得自动化变得困难。这些协议非常复杂，有 100 多页的文档，而且非常定制化，因为银行使用不同的贷款系统。特别是契约使用高度具体的用例相关公式。一些提取很简单，可以“按原样”提取值（无需推理），例如：指定日期、承诺、利率、当事人。其他则更具挑战性，需要在选项或契约之间进行细粒度区分（例如赎回交易选项、终止选项）。在这里，自动化系统必须根据文档结构和提取项目的关系来理解域逻辑。与定价相关的表格包含许多不同的参数（适用保证金、利息支付计划、承诺表），并且很难自动提取定价信息。这就是为什么信贷协议的审查仍然是手动完成的，这给银行带来了大量时间和金钱，更不用说这种平凡任务的高错误率了。
|
|
|
|
四大会计师事务所如何将租赁协议审查时间缩短 80%
由于国际和美国法规的变化，该公司需要帮助其客户在资产负债表上披露所有租赁。该公司的客户大多是大型企业，拥有数千份租赁协议，必须仔细查阅相关信息。这项任务很难实现自动化，因为租赁协议没有标准化，而且同一类型的信息可以用许多不同的术语来表达，导致基于关键字的系统结果不佳。
|
|
|
|
财富 100 强技术制造商如何将支持工程师的搜索工作量减少 70%
该公司的支持工程师处理的支持案例很难解决，而且耗时，因为它们涉及复杂网络环境中的复杂技术问题。客户使用的术语通常与公司内部文档中使用的术语不同，这使得任务更加困难。高效处理支持案例的前提是从过去的案例中寻找解决方案，而不是从头开始解决问题。尝试使用其他基于搜索的解决方案来减少找到有意义结果的时间，但失败了，因为它们无法快速一致地识别类似的支持案例，并且没有提高支持团队的工作效率。
|
|
|
|
Cortical.io 语义搜索如何帮助一家跨国公司实现营销声明验证自动化
确保产品的营销宣传不具有误导性或欺骗性是这家大型消费品公司面临的一大挑战，该公司必须遵守消费者保护法和行业自律准则。为避免诉讼和相关费用，营销宣传必须有可靠的事实研究结果支持，例如临床研究和消费者报告。每年有近 300,000 项新临床研究注册，因此不可能手动跟踪与特定产品相关的新证据。此类研究中使用的科学词汇与营销宣传中使用的术语有很大不同，并且与产品相关的科学信息通常不是用文字表达的，而是包含在化学配方中。这使得验证过程无法自动化，这仍然是一个漫长而繁琐的过程，涉及人工搜索和手动验证证据文件的任务。
|
|
|
|
财富 500 强保险公司如何通过自动化报价工作流程节省 30% 的人工
这家财富 500 强保险公司在手动提取竞争对手先前发布的保险计划的关键信息方面遇到了困难。这个过程繁琐、容易出错，而且由于劳动力成本高昂，成本也很高。该公司每年必须审查数以万计的保单，每份保单都有自己的术语和格式。计划的复杂性（每行有多个条目，员工的承保范围有多个）使这项任务更具挑战性。手动工作经常会忽略重要的条款，导致报价计算不准确，公司利润损失。传统工具无法提取准确的信息，迫使公司依赖昂贵的人工。
|
|
|
|
一家生物制药公司如何评估社交媒体以监控药品说明书外的使用
这家生物制药公司面临着追踪其药品的说明书外使用情况的挑战。说明书外使用是指以 FDA 未指定的方式开具药品，占所有处方的 10% 到 20%。然而，其确切程度很难衡量，因为制药公司没有直接的反馈机制来追踪其产品用于哪些疾病。该公司无法监控其药品的使用情况，因为患者记录受到隐私限制，不允许公司重建哪种药物用于哪种疾病。该公司决定使用社交媒体，尤其是 Reddit，作为有关药物使用情况的知识来源。
|
|
|
|
美国大型出版商如何在获得关键市场洞察的同时加速 RFP 流程
该媒体公司拥有 40 多家出版物，每周收到大约 100 个请求，相当于每年约 5,000 条消息和两倍多的附件。这些提案请求 (RFP) 需要根据垂直市场或目标受众等标准进行分类，然后才能发送给相应的部门。挑战在于 RFP 是高度非结构化的文档，格式多种多样，例如电子邮件正文或 Word 或 Powerpoint 中的附件。提取目标非常多样化，在大多数情况下，可供学习的背景非常少，这使得最先进的机器学习系统很难提供令人满意的结果。
|
|
|
|
国际运输公司如何优化客户中心的大量电子邮件处理
该公司每天收到来自 35 个国家的 10 万到 25 万封客户电子邮件。面对如此大量的电子邮件，最大的挑战是找出真正需要回复的电子邮件（仅占 50%）。到目前为止，客户中心花费了大量时间来筛选不需要处理的电子邮件（例如外出信息、FYI 邮件等），这项任务不必要地加重了团队的负担，并增加了客户中心的成本。由于电子邮件中使用多种语言，这项任务变得更加复杂。
|
|
|
|
一家大型商业财产保险公司如何利用 SemanticPro 在全球范围内实现保单标准化
这家在全球设有办事处的商业财产保险公司拥有约 2,000 名高价值商业客户，每名客户拥有多达 30 份保单。总部制定标准保单，转发给地区办事处并在当地进行调整。由于该公司不使用行业标准表格，当地签发的文件的装订副本在格式和内容上可能与原件不同。审查当地签发的保单的过程是手动完成的，非常耗时。负责这项任务的团队花费大约三分之一的时间寻找源保单和最终版本之间的差异。到目前为止，由于文件类型和格式不同，并且没有工具可以理解语义变化，因此无法实现此审查过程的自动化。然而，该公司寻求一种自动化解决方案，因为大约 70% 的文件在人工审查后仍然包含错误。
|
|
|
|
领先的汽车制造商如何实现需求分析流程的自动化
这家领先的汽车制造商需要处理日益增多的需求（超过 150,000 个），这些需求在多个文档和数据库中进行了描述。目前有数千张规格表，每张表平均包含 500 个需求。但是，并没有关于某项需求是与特定项目还是与多个项目相关的详细信息，也没有简单的方法来比较不同项目的需求。需求工程师必须复制粘贴需求，然后手动进行比较，然后才能将其用于新文档中。以前尝试自动完成这项任务的尝试都失败了，因为无法识别以不同方式表述的类似需求，而且需求文本通常太短，无法向传统搜索引擎传达含义。许多规格表包含复杂的表格，必须从中提取需求，而且规格表没有标准结构，这些事实使得当前的方法更难解决问题。
|
|
