Geschlecht per KI aus dem Vornamen extrahieren

KIs können eine Menge – dabei auch nützliche Sachen, die z.B. die Qualität in einem CRM verbessern.

Wir bei Launix haben einmal eine Kundenanforderung gehabt, die sehr nach KI schreit: Der Kunde hatte eine Datenbank mit über 31.000 Adressen und wollte beim Anschreiben diese mit dem richtigen Geschlecht (Sehr geehrter Herr …, Sehr geehrte Frau …) ansprechen.

Also haben wir unsere lokalen KI-Modelle, genauer gesagt llama3.2 angeschmissen und folgende Prompt ausgeführt:

Du bekommst eine Liste von Namen. Ordne diese einem Geschlecht zu:
Max
Laura
Petra
Oleg
Anchmaa

Anschließend haben wir über die lokale OLLAMA-API folgende Anfrage ausgelöst:

curl http://127.0.0.1:11434/api/generate -d '{
  "model": "llama3.2",
  "prompt": "Du bekommst eine Liste von Namen. Ordne diese einem Geschlecht zu:\nMax\nLaura\nPetra\nOleg\nAnchmaa",
  "stream": false,
  "format": {
    "type": "object",
    "properties": {
            "people": {
                    "type": "array",
                    "items": {
                            "type": "object",
                            "properties": {
                                    "name": {
                                            "type": "string"
                                    },
                                    "isMale": {
                                            "type": "boolean",
                                            "required": true
                                    }
                            }
                    }
            }
    }
  }
}'|jq .response

Anschließend gab uns die KI folgende Antwort:

{
"people": [
    {
        "name": "Max",
        "isMale": true,
        "isFemale": false
}, {
    "name": "Laura",
    "isMale": false,
    "isFemale": true
} ,
{
    "name": "Petra",
    "isMale": false,
    "isFemale": true
} ,
{
    "name": "Oleg",
    "isMale": true
},
 {
   "name": "Anchmaa",
   "isMale": false,
   "isFemale": true
} ]
}

Ehrlich gesagt, an der Formatierung muss die KI noch etwas feilen – aber die Daten sind perfekt maschinenlesbar und auch inhaltlich korrekt. Wir mussten nur noch die etwas “wackelige” Ausgabe (manchmal ist isFemale nicht gesetzt) etwas bereinigen und schon hatten wir unsere batch-fähige Namens-Geschlechter-Zuweisungs-KI.

Das verwendete KI-Modell hat eine Größe von 2 GiB – manche meinen, es sei Overkill, aber das ist die heutige Zeit.

Letzendlich haben wir das KI-Modell noch in einen Microservice gepackt, das auch noch bereits erkannte Namen cacht und den Microservice-Aufruf in unser CRM integriert. Ab jetzt können alle Kunden mit dem richtigen Geschlecht angesprochen werden.

Beim Durchlauf über alle 30.000 Namen haben wir in etwa 1% Fehlerrate gehabt. Das größte Problem war, dass Namen fälschlicherweise als weiblich markiert wurden. Bei den als männlich markierten Namen hatten wir keine Fehler.

Wollen auch Sie ein CRM, das Aufgaben wie z.B. die Datenextraktion aus dem Impressum oder die Zuordnung von Geschlechtern oder das Zusammenfassen von Notizen per KI erledigt? Kontaktieren Sie uns gerne!