Produktradar.
Eine vollständig von mir entwickelte KI-Plattform, die aus Artikelnummern recherchierte Produktdaten und veröffentlichungsfertige Texte erzeugt.
Händler erhalten Produktinformationen aus vielen unvollständigen und widersprüchlichen Quellen. Merkmale fehlen, Bezeichnungen weichen voneinander ab und die benötigte Zielstruktur unterscheidet sich je nach Sortiment und Vertriebskanal. Diese Daten manuell zu recherchieren, zu prüfen und in das richtige Format zu bringen ist langsam und skaliert schlecht.
Produktradar automatisierte den gesamten Ablauf. Nutzer gaben EAN, HAN oder andere Artikelnummern einzeln oder als Datei ein und definierten die gewünschten Zielfelder. Das System recherchierte passende Produktseiten, extrahierte die benötigten Merkmale, verglich mehrere Quellen und gab einen konsolidierten Datensatz im gewünschten Schema aus.
Den ersten funktionsfähigen Prototyp konzipierte und implementierte ich 2023 allein. Er verband Websuche, Browserautomatisierung und ein Sprachmodell, um zunächst das richtige Produkt zu identifizieren und anschließend dynamisch vorgegebene Merkmale zu extrahieren. Damit war das Ausgabeschema nicht auf einzelne Produktkategorien festgelegt.
Das Backend suchte geeignete Quellen, lud sie mit Playwright und bereitete das HTML für die weitere Verarbeitung auf. Seitenspezifische Extraktionskonfigurationen konnten wiederverwendet werden. Ein Sprachmodell überführte die relevanten Inhalte in dynamisch erzeugte JSON-Schemas.
Weil einzelne Quellen fehlerhaft oder einem falschen Produkt zugeordnet sein konnten, wurde kein Ergebnis ungeprüft übernommen. Embeddings dienten dazu, unplausible Einzelergebnisse als Ausreißer zu erkennen. Die verbleibenden Angaben wurden über mehrere Quellen hinweg zu einem gemeinsamen Produktdatensatz konsolidiert.
Aus dem Prototyp entstand ein vollständiger Nutzerfluss: Artikelnummern und CSV- oder Excel-Dateien importieren, Rechercheaufträge starten, ihren Fortschritt verfolgen, Ergebnisse prüfen und Daten artikel- oder merkmalsorientiert exportieren. Zusätzlich erzeugte die Anwendung deutsche Produktbeschreibungen und Kurztexte aus vorhandenen Merkmalen.
Recherche, Seitenabruf, Merkmalsextraktion und Textgenerierung liefen als getrennte Worker. RabbitMQ koordinierte die Jobs; Zustände, Ergebnisse und Abbrüche wurden im Python-Backend mit FastAPI, PostgreSQL und SQLAlchemy verwaltet. Diese Architektur erlaubte lange, parallele Rechercheprozesse, ohne die Benutzeroberfläche zu blockieren.
Das Frontend mit Next.js, React und TypeScript umfasste Import, Auftragsverwaltung, paginierte Ergebnisprüfung und frei definierbare Datenfelder. Hinzu kamen Authentifizierung, Credit-Verwaltung und der Kauf von Credits über Stripe.
Ich konzipierte und implementierte die gesamte Anwendung allein — vom ersten KI-Prototyp über Crawling, Datenmodell und Worker-Architektur bis zu Oberfläche, Authentifizierung und Abrechnung. Produktradar zeigt damit meine Fähigkeit, ein komplexes KI-Verfahren in einen vollständigen, bedienbaren Produktfluss zu übersetzen.