Projekte — Simon Vögele

Interner Produkt-Chatbot mit RAG-Architektur

Vollständige RAG-Pipeline für ca. 170.000 Produkte aufgebaut. Vertriebsmitarbeiter können sekundenschnell Fragen zu technischen Produktdaten stellen und erhalten kontextgenaue Antworten – direkt über Slack integriert und heute noch produktiv im Einsatz.

Problem

Mitarbeiter mussten bei Kundenanfragen manuell in hunderten PDF-Datenblättern suchen – zeitaufwändig, fehleranfällig und im Tagesgeschäft kaum praktikabel.

Ergebnis

Sekundenschnelle Antworten zu technischen Produktdaten direkt im Slack-Workflow – ohne Suche in PDFs, ohne Unterbrechung des Kundengespräches.

Architektur — RAG-Pipeline

PDF-Datenblätter

›

Text-Extraktion

›

Chunking

›

OpenAI Embeddings

›

ChromaDB (HNSW)

›

Semantische Suche

›

GPT-3.5-turbo (RAG)

›

Slack Bot Antwort

~170.000 Produkte indexiert

text-embedding-ada-002 Embedding-Modell

ChromaDB mit DuckDB+Parquet Backend

EAN-basierte + semantische Suche kombiniert

Keyword-Filter für Produktrelevanz

Slack API Integration

~2 Monate Entwicklungszeit

Heute noch produktiv im Einsatz

Technische Besonderheiten

Eigene OpenAI Embedding-Klasse entwickelt (OpenAIEmbeddingFunction)
Intelligente Keyword-Filterung für die Baubranche verhindert Off-Topic Anfragen
EAN-Lookup aus CSV kombiniert mit Vektorsuche
Fallback-Logik wenn kein passendes Produkt gefunden
Prompt Engineering für präzise, seriöse Antworten
temperature=0 für minimale Halluzinationen

Python OpenAI API ChromaDB RAG Embeddings GPT-3.5-turbo Slack API DuckDB Parquet Pandas JSON Vektordatenbank

Automatisierte Artikelvarianten-Gruppierung

Python-Tool zur automatischen Erkennung und Gruppierung zusammengehöriger Produktvarianten in großen Datensätzen. Entwickelt als IHK-Prüfungsprojekt – heute noch produktiv im Einsatz und inzwischen in eine Web-App weiterentwickelt.

Problem

Mitarbeiter mussten Datensätze mit bis zu 50.000 Produkten Zeile für Zeile manuell prüfen und zusammengehörige Varianten per Hand mit einer Master-ID kennzeichnen – ein Prozess der Wochen dauerte und stark fehleranfällig war.

Ergebnis

Bearbeitungszeit von mehreren Wochen auf unter 2 Stunden reduziert. Menschliche Fehler nahezu eliminiert. Das Projekt überzeugte die Geschäftsleitung zu einem 100.000 € KI-Budget für das Folgejahr.

Architektur — Verarbeitungs-Pipeline

Excel / ERP Export

›

Text-Preprocessing

›

RapidFuzz (80 % Schwelle)

›

Master-ID Vergabe

›

Excel Export

›

SQL Import (ERP)

›

Dropdown im Online-Shop

Bearbeitungszeit: Wochen → 2 Stunden

>95 % Zeitersparnis

Bis zu 50.000 Produkte pro Durchlauf

Menschliche Fehler nahezu eliminiert

5× schneller durch RapidFuzz vs. fuzzywuzzy

100.000 € KI-Budget durch Geschäftsleitung freigegeben

IHK-Prüfungsprojekt – erfolgreich bestanden

Heute in Web-App weiterentwickelt

Technische Besonderheiten

Eigenständiger Technologiewechsel: VBA war im Firmennetzwerk blockiert → Lösung in Python entwickelt
Google Colab als Ausführungsumgebung damit Mitarbeiter ohne Programmierkenntnisse das Tool nutzen können
Wechsel von fuzzywuzzy auf RapidFuzz: 5-fache Geschwindigkeitsverbesserung
Vollständige ERP-Integration via SQL-Schnittstelle
Ergebnis sichtbar im Online-Shop: Produktvarianten erscheinen als Dropdown-Menü
Projektüberzeugung führte zu 100.000 € KI-Budget für das Folgejahr

Python Google Colab RapidFuzz Pandas OpenPyXL SQL Excel ERP-Integration Textverarbeitung Fuzzy Matching

Weitere Projekte

KI Pilot Web App

Wird demnächst vorgestellt.

Cloudflare Workers AI JavaScript

Semantische Produktsuche

Wird demnächst vorgestellt.

Embeddings Vektordatenbank

Diese Bewerbungswebseite

Wird demnächst vorgestellt.

Cloudflare GitHub Claude Code