„Wie kann Künstliche Intelligenz helfen, das perfekte Matching zwischen Projektanforderung und Qualifikationsprofil zu finden – ganz automatisch?“
Veröffentlichung:
Kategorie:
Blog
Die Lösung: Ein KI-gestütztes, modular aufgebautes Matching-System
Im Rahmen meiner Arbeit habe ich ein Retrieval-Augmented-Generation-System (RAG) entwickelt, das mithilfe semantischer Vektorsuche und generativer KI Qualifikationsprofile mit Projektanforderungen abgleicht – automatisiert und kontextsensitiv.
Zentrale Komponente ist der AI Hub, bestehend aus:
- ChromaDB Vektordatenbank für die semantische Ähnlichkeitssuche
- Ollama für Erstellung von Embeddings (+ für den Betrieb als lokale KI)
- DeepSeek (LLM) zur Bewertung der fachlichen Passung und zur Generierung nachvollziehbarer Erklärungen
- einer offenen REST-Schnittstelle (FastAPI), die Anfragen entgegennimmt und Ergebnisse ausgibt
Was das Ganze besonders effizient macht: Der gesamte Prozess startet bereits mit dem Eintreffen einer Projektmail – automatisch.
n8n als Automatisierungsschicht: Von der Mail direkt ins System
Damit keine manuelle Eingabe mehr nötig ist, wurde oberhalb des AI Hubs eine vorgelagerte Automatisierungsschicht auf Basis von n8n realisiert. Dort agieren sogenannte AI-Agenten, die:
- den E-Mail-Posteingang überwachen
- neue Projektanfragen automatisch erkennen und extrahieren
- den Inhalt strukturiert an den AI Hub weiterleiten
Der AI Hub übernimmt anschließend den gesamten Matching-Prozess – von der semantischen Analyse bis zur Ausgabe eines Rankings mit kleinen Begründungen.
Das Ergebnis: Ein vollständig automatisierter Workflow vom E-Mail-Eingang bis zur Entscheidungshilfe – ganz ohne manuelle Zwischenschritte:
Flexible Architektur: Lokal betreibbar oder per API
Der AI Hub wurde so entwickelt, dass er flexibel betrieben werden kann – abhängig von Datenschutzanforderungen, Systemlandschaft und Infrastruktur:
- Lokalbetrieb über Ollama + DeepSeek-r1: Für datensensible Umgebungen oder Unternehmen mit eigener Serverinfrastruktur lässt sich das DeepSeek-Modell lokal einbinden – technisch möglich, aber ressourcenintensiv.
- Direkte Nutzung der offiziellen DeepSeek API: In der Praxis hat sich der Betrieb über die offizielle DeepSeek API als optimal erwiesen – skalierbar, wirtschaftlich und leistungsstark. Modell-Updates sind automatisch verfügbar, der Betrieb ist wartungsarm, und die Integration war unkompliziert.
Ergebnisse & Vorteile im Überblick
Durch die intelligente Kombination aus Automatisierung, semantischer Suche und generativer KI bietet das System zahlreiche Vorteile:
✅Reduzierter manueller Aufwand
✅Höhere Matching-Qualität durch kontextuelle Analyse
✅Transparente Vorschläge mit erklärenden Begründungen
✅Skalierbarkeit auch bei steigender Anfragezahl
✅Flexibler Betrieb – lokal oder über API
Gerade für Beratungsunternehmen wie die advades GmbH, die regelmäßig Projektanfragen erhalten und über eine Vielzahl an internen Qualifikationsprofilen verfügen, kann das System ein echter Produktivitätsbooster sein.
Fazit: KI trifft echten Business-Use-Case
Die Kombination aus einem vorgelagerten n8n-Automatisierungs-Setup, einem leistungsfähigen AI Hub mit semantischer Suche und generativer Analyse über DeepSeek, schafft eine zukunftsfähige Lösung für ein alltägliches Problem in vielen projektbasierten Unternehmen.
Meine Bachelorarbeit zeigt: KI ist längst nicht mehr nur ein Forschungsthema, sondern kann bereits heute helfen, Prozesse intelligenter, schneller und transparenter zu gestalten – wenn man sie richtig einsetzt.
Persönliches Fazit
Rückblickend war die Arbeit an diesem Projekt für mich nicht nur fachlich spannend, sondern auch persönlich extrem bereichernd. Ich konnte moderne KI-Technologien nicht nur theoretisch verstehen, sondern sie in einem realen Anwendungsfall praktisch einsetzen – von der Architektur über die Umsetzung bis zur Evaluation. Besonders motivierend war es, zu sehen, wie aus einer Idee ein funktionierender Prototyp wurde, der echtes Potenzial hat, Prozesse im Unternehmen nachhaltig zu verbessern. Die Kombination aus Automatisierung, semantischer Suche und generativer KI hat mir gezeigt, wie vielseitig und mächtig moderne Technologien mittlerweile sind – wenn man sie richtig miteinander verzahnt. Ein besonderer Dank gilt der advades GmbH für die praxisnahe Unterstützung, das zur Verfügung gestellte Datenmaterial sowie das Vertrauen, das mir während der gesamten Projektphase entgegengebracht wurde. Bereits im Rahmen meines Praktikums wurde ich dort sehr gut aufgenommen – mit einem strukturierten Onboarding-Prozess, einem persönlichen Mentor an meiner Seite und einem Team, das jederzeit offen, hilfsbereit und kollegial war. Diese positive Arbeitsatmosphäre und die enge Verbindung zur Praxis haben entscheidend dazu beigetragen, dass der entwickelte Prototyp nicht nur ein theoretisches Konstrukt bleibt, sondern echtes Potenzial für den Einsatz im Unternehmenskontext zeigt. Insgesamt blicke ich mit großer Zufriedenheit auf diese Bachelorarbeit zurück – sowohl im Hinblick auf die erzielten Ergebnisse als auch auf die wertvollen Erfahrungen, die ich im Zusammenspiel von Theorie und Praxis sammeln konnte.