Wie die KI-Intelligenz von Rexera die Qualitätskontrolle mit LangGraph vorantreibt

Erfahren Sie, wie Rexera auf LangGraph migriert hat, um eine leistungsfähige Qualitätskontrolle für Geschäftsprozesse im Immobilienbereich zu schaffen und die Genauigkeit ihrer Large Language Model (LLM)-Antworten deutlich zu verbessern.

Rexera revolutioniert die 50-Milliarden-Dollar-Immobilientransaktionsbranche, indem es manuelle Prozesse mit KI automatisiert. Durch den Einsatz intelligenter KI-Intelligenz rationalisiert Rexera die Geschäftsprozesse im Immobilienbereich und beschleunigt Transaktionen, während gleichzeitig Kosten und Fehlerquoten deutlich reduziert werden.

Mit LangChain und LangGraph und seinen Large Language Models (LLMs) entwickelt Rexera hochentwickelte KI-Intelligenzen. Diese KI-Intelligenzen sind in der Lage, komplexe kognitive Aufgaben auszuführen, wie z.B.:

• Auftrag Zahlung Abrechnung Erklärung
• Extrahieren von Schlüsselinformationen aus Dokumenten
• Durchführung von Qualitätskontrollen

Im Folgenden erfahren Sie, wie Rexera eine leistungsstarke Anwendung zur Qualitätskontrolle (QC) entwickelt hat, die Geschäftsprozesse im Immobilienbereich so genau wie ein menschlicher Mitarbeiter überprüfen und Probleme proaktiv erkennen kann, um Verzögerungen zu vermeiden. Wir werden untersuchen, wie sich das System von einem anfänglichen Single-Prompt-Ansatz zu einer kontrollierteren und genaueren Lösung mit LangGraph entwickelt hat.

Ursprünglicher Ansatz: LLM-Prüfung in einem Schritt und ihre Grenzen

Die Qualitätskontrolle ist bei Immobilientransaktionen von entscheidender Bedeutung, und Rexera hat eine spezielle QC-Anwendung entwickelt, die täglich Tausende von Arbeitsabläufen überprüft. Die Anwendung prüft auf mögliche Fehler in allen Phasen einer Immobilientransaktion, einschließlich der Datenverarbeitung, der Kundenkommunikation und der Interaktion mit Hauseigentümervereinigungen (HOAs), Bezirksämtern, Versorgungsunternehmen und anderen interessierten Parteien.

Um die Qualität von Immobilientransaktionen zu gewährleisten, führte Rexera zunächst mehrere LLM-Prüfungen in einem Schritt durch. Diese Prüfungen dienten der Validierung:

• Genauigkeit der Dokumente
• Erfüllung der Erwartungen der Kunden
• Rechtzeitigkeit des Arbeitsablaufs (SLA-Einhaltung)
• Kostenkontrolle

Dieser Ansatz hat jedoch auch seine Grenzen. LLMs, die nur eine einzige Eingabeaufforderung enthalten, werden der Komplexität des Immobilientransaktionsprozesses aus einer Reihe von Gründen nicht gerecht, u. a. weil sie den gesamten Arbeitsablauf nicht vollständig erfassen, nur über einen begrenzten Kontext verfügen und mehrdimensionale Szenarien nicht korrekt behandeln.

Rexera bewertet die Effektivität von LLM-Inspektionen anhand der folgenden drei Schlüsselkennzahlen, die in Tausenden von Arbeitsabläufen getestet wurden:

1. GenauigkeitKorrektheitspunkte für die Problemerkennung
2. EffizienzGeschwindigkeit der Ausführung pro Transaktion
3. KostenwirksamkeitKosten im Zusammenhang mit dem LLM

Dieser Ansatz vereinfachte die Qualitätskontrolle, indem er potenzielle Probleme aufzeigte und den Bedarf an manueller Überprüfung reduzierte. Rexera erkannte jedoch den Bedarf an einer fortschrittlicheren Lösung, um die Komplexität des Immobilien-Workflows effektiv zu bewältigen.

Auf dem Weg zur KI-Intelligenz: CrewAI ausprobieren

Rexera erkannte die Grenzen von Single-Prompt-LLMs und experimentierte mit dem Multi-Intelligence-Body-Ansatz von CrewAI, bei dem jede KI-Intelligenz für einen anderen Teil des Transaktionsprozesses zuständig ist. Eine Intelligenz könnte zum Beispiel wie folgt definiert sein:

• Rolle: "Senior Content Quality Check Analyst"
• AUFGABE: "Überprüfen Sie, ob alle HOA-Dokumente wie vom Kunden gewünscht bestellt wurden, und vergewissern Sie sich, dass die entsprechenden ETA- und Kosteninformationen an den Kunden gesendet wurden."

Dieser Ansatz bringt eine Reihe von Verbesserungen gegenüber dem LLM mit nur einem Anhaltspunkt:

• Fehlinformationen(fälschlicherweise als Nicht-Problem bezeichnet) von 35% auf 8% gesunken.
• Auslassung(Versäumnis, ein echtes Problem zu kennzeichnen) sank von 10% auf 5%.

Allerdings steht der CrewAI-Ansatz auch vor einer großen Herausforderung. Trotz ihrer Leistungsfähigkeit können KI-Intelligenzen bei ihren Entscheidungen manchmal den falschen Weg einschlagen, ähnlich wie ein GPS-System, das eine längere Route wählt. Dieser Mangel an präziser Kontrolle bedeutet, dass die Intelligenzen in komplexen Szenarien vom Weg abkommen können, was zu falschen oder fehlenden Alarmen führt.

Umstellung auf LangGraph für Präzision und Kontrolle

Um die Beschränkungen des CrewAI-Ansatzes zu überwinden, wandte sich Rexera an LangGraph, um Entscheidungspfade für eine Vielzahl von Szenarien zu entwerfen, was sich besonders bei der Arbeit mit komplexen Fällen als vorteilhaft erwies.LangGraph ist ein Framework für kontrollierte Intelligenzen, das vom LangChain-Team entwickelt wurde und Rexera zusätzliche Vorteile bietet, einschließlich der Integration von Arbeitsabläufen mit menschlicher Beteiligung, Zustandsmanagement und mehr. LangGraph

Um die Effektivität des neuen LangGraph-basierten Ansatzes zu verdeutlichen, nehmen wir das Beispiel eines Eilauftrags. Dies ist eine häufige Komplikation in Immobiliengeschäftsprozessen, die eine schnellere Abwicklung von Transaktionen als den Standardzeitplan erfordern.

Mit Hilfe von LangGraph hat Rexera ein baumartiges System für Qualitätskontrollanwendungen (QC) entwickelt, das Schleifen und Verzweigungen unterstützt. Diese Struktur ermöglicht es den QC-Anwendungen, verschiedene Pfade je nach Anforderungen an die Beschleunigung zu durchlaufen.

Wenn die Anwendung einen Eilauftrag erkennt, folgt sie dem Zweig "Eilauftrag" in der Baumstruktur. Bei Standardaufträgen folgt die Anwendung einem anderen Zweig und konzentriert sich auf die regulären Verarbeitungsprüfungen.

Diese LangGraph-fähige Baumstruktur verbessert die Genauigkeit und Integrität des QC-Prozesses von Rexera erheblich, indem sie einen deterministischeren Entscheidungsprozess einführt und die Zufälligkeit, die mit einer falschen Pfadauswahl verbunden ist, reduziert. Diese Änderung gewährleistet konsistente Ergebnisse und ermöglicht es, Arbeitsabläufe genau und effizient abzuschließen.

Durch die Anwendung von LangGraph auf bestehende CrewAI-Verbesserungen wurden die folgenden Optimierungen erreicht:

• Die Falsch-Positiv-Rate stieg von 8% Ermäßigt auf 2%
• Falsch-negativ-Rate stieg von 5% Ermäßigt auf 2%

In den folgenden Beispielen werden die QC-Ergebnisse für das gleiche Eilauftragsszenario unter jeder neuen Architektur analysiert:

Large Language Model (LLM) Ausgabe für einzelne Prompts:

• Gefundene Probleme: "Wahr"
• Erläuterung: "Wir haben in unserer Kommunikation mit dem Kunden nicht ausdrücklich auf den Eilantrag hingewiesen.
• Analyse: falsch positiv --Obwohl der Eilantrag tatsächlich bestätigt und ausgeführt wurde, hat der LLM dies aufgrund seiner begrenzten Fähigkeit, komplexe mehrstufige Interaktionen zu bearbeiten, nicht erkannt und das Problem fälschlicherweise als solches gekennzeichnet.

CrewAI Ausgabe:

• Gefundene Probleme: "Falsch"
• Erläuterung: "Der Kunde hat eine Eilbestellung angefordert und das Team hat die Anfrage bestätigt und bearbeitet."
• Analyse: teilweise korrekt --CrewAI ermittelte das korrekte Ergebnis, dass der Eilauftrag ausgeführt worden war, stellte aber keine Unterschiede in der Art des Auftrags fest, z. B. ob er im System korrekt als Eilauftrag gekennzeichnet und verarbeitet wurde.

LangGraph-Ausgabe:

• Gefundene Probleme: "Wahr"
• Erläuterung: "In den Auftragsdetails wird 'Eilauftrag: nein' angezeigt, obwohl der Kunde einen Eilauftrag angefordert hat und wir den Eilauftrag bestätigt und ausgeführt haben."
• Analyse: Völlig korrekt -LangGraph bestätigte nicht nur, dass die Eilaufträge bestätigt und ausgeführt wurden, sondern erkannte auch Unstimmigkeiten in den Datensätzen der Auftragsart. Durch die Verfolgung eines maßgeschneiderten Entscheidungspfads wurde sichergestellt, dass sowohl die Bestätigung des Eilauftrags als auch die korrekte Verarbeitung der Auftragsart validiert wurden, wodurch mögliche Verzögerungen oder Probleme vermieden wurden.

ein Urteil fällen

Durch die Nutzung der LangGraph-Funktionen für Schleifen und Verzweigungen hat Rexera eine intelligentere und anpassungsfähigere QC-Anwendung geschaffen, die sicherstellt, dass die KI-Agenten für jedes spezifische Szenario die richtige Inspektion durchführen können, was die Effizienz und Genauigkeit bei Immobilientransaktionen verbessert.

Der Leitfaden für Laien zum Einstieg in die KI

Hilft Ihnen, die Nutzung von KI-Tools kostengünstig und von Null an zu erlernen.KI ist, wie Bürosoftware, eine wesentliche Fähigkeit für jeden. Die Beherrschung von KI verschafft Ihnen einen Vorteil bei der Stellensuche und die Hälfte des Aufwands bei Ihrer zukünftigen Arbeit und Ihrem Studium.

Details ansehen>