Pakketlabels automatisch uitlezen
Elke dag verwerkt Latvian Post tienduizenden pakketten. De overgrote meerderheid komt binnen met volledige labeldata. Maar een betekenisvol deel niet. Die pakketten raken niet door het geautomatiseerde systeem tot iemand aanvult wat ontbreekt. Jarenlang was die iemand een team van 20 mensen dat zich door een nooit aflatende wachtrij van onvolledige zendingen werkte: labels met de hand lezen en data pakket per pakket intikken in het beheersysteem.
Een wachtrij die nooit leeg raakte
Latvian Post is de nationale postoperator van Letland en verwerkt pakketvolumes die meegroeien met de e-commercevraag in de hele Baltische regio. De organisatie had al zin voor innovatie getoond en was bij de eerste Europese postbedrijven die bezorgrobots uittestten. De interne dataverwerking was echter niet mee geëvolueerd.
Pakketten met onvolledige verzender- of ontvangerdata werden doorgestuurd naar een manuele controlewachtrij. Daar inspecteerde een vast team van 20 voltijdse medewerkers elk pakket, identificeerde de ontbrekende velden en voerde de data met de hand in voordat het pakket verder kon door het systeem. Op schaal raakte die wachtrij nooit leeg.
De opdracht kwam via Future Hub, een Scandinavische accelerator die aan zijn tweede golf van het Open Innovation Sustainability-programma toe was. De briefing: vind een technische oplossing voor een duurzaamheidsuitdaging waar de deelnemende organisaties dagelijks mee kampen. Het manuele invoerprobleem van Latvian Post was exact het soort repetitieve, grootschalige last waar automatisering het verschil kan maken.
“Om ontbrekende data zorgvuldig uit de pakketten te halen die we verwerken, zetten we vandaag een team van 20 voltijdse medewerkers in, die echt wel beter te doen hebben.”
Precies, op productiesnelheid
Het doel was precies afgelijnd. Gebruik beeldverwerking op de pakketten zelf om ontbrekende data automatisch te extraheren en valideer wat al in het systeem zat. Stuur elk pakket door een beheerde reviewcyclus, zodat het algoritme het ofwel juist had, ofwel leerde van zijn fouten. Automatisch, op productiesnelheid en binnen de bestaande workflow.
Snelheid woog even zwaar als accuraatheid. Een proof-of-concept die netjes werkte in een labo maar vastliep onder echt volume, zou waardeloos zijn. De oplossing moest overweg met de natuurlijke variatie in labelformaten, lettertypes en printkwaliteit die echte pakketdata kenmerkt. En ze moest op schaal blijven presteren.
Het hele programma duurde tien weken, van eerste handdruk tot demodag.
Azure Form Recognizer, getraind op echte data
Als Microsoft Partner weten we wat Azure kan, in dit geval Azure Form Recognizer. Het is een bouwblok dat nu al jaarlijks miljoenen datapunten uit afbeeldingen haalt. Precies daarom was het het juiste vertrekpunt voor dit probleem. We begonnen meteen met het hertrainen van het model en bouwden er de API naast. Afbeeldingen insturen en propere, gelabelde data terugkrijgen was een even grote uitdaging als de data-extractie zelf.
Dit was het soort werk waar onze data scientists en data engineers het best in zijn. Binnen enkele weken hadden we een testbare oplossing. Dat gaf Latvian Post de ruimte om ons meer beelddata te sturen en ons de tijd om de herkenningssnelheid terug te dringen tot gemiddeld 10 seconden. Bijna acht keer sneller dan dezelfde taak manueel.
Die snelheid haalden we alleen door op Azure Cloud te draaien, waar de GDPR-engagementen van Microsoft ons de nodige compliance-basis gaven.
Resultaten op demodag
Tijd vrijgemaakt, datakwaliteit verbeterd
Meer dan 85% van de pakketten wordt automatisch verwerkt. Het team dat eerder op manuele data-invoer stond, kon doorschuiven naar werk met meer toegevoegde waarde.
Op de roadmap bij het afronden van de opdracht: diepere integratie in de goedkeuringsworkflows van Latvian Post, automatische vrijgave op basis van een betrouwbaarheidsdrempel voor extracties met hoge zekerheid, migratie naar een on-premise deployment en een geplande overdracht aan het interne IT-team om het systeem te beheren en uit te breiden.
