Unser S-PRO-Team hat die Nutzung von TravelPlanBooker mit einem KI-basierten Assistenten, der aus nur einer Anfrage eines Benutzers einen detaillierten, personalisierten Reiseplan erstellt, noch reibungsloser und produktiver gestaltet. Das Tool empfiehlt beliebte Reiseziele, berechnet effiziente Routen und erstellt einen detaillierten Reiseplan mit unterschiedlichen Sehenswürdigkeiten, die täglich besucht werden können. Der Benutzer muss nur noch auf „Buchen“ klicken und kann dann eine unvergessliche Reise genießen.
Fortschrittliches Reiseplanungstool


- Geographie Schweiz
- IndustrieHochtechnologie, Reisen
- DienstleistungOptimierung interner Abläufe
Intro

Kurzdarstellung
Unser Kunde analysierte die Hauptkonkurrenten, untersuchte deren Schwachstellen und beschloss, ein System zu entwickeln, das eine komplette Reise plant und bei dem der Benutzer nur auf „Buchen“ klicken muss. Der Benutzer kann Flugtickets kaufen, ein Auto mieten, eine Unterkunft buchen usw., nachdem er seine Erwartungen an die Reise beschrieben hat (Wohin soll es gehen, mit wem, welche Orte sollen besichtigt werden usw.).
Wir haben diese Funktion erfolgreich implementiert. Jetzt verfügt die Plattform über eine spezielle KI-Chatbot-Seite, auf der ein Benutzer Reisedaten, ein Ziel und die Anzahl der Reisenden eingibt und dann eine Reise vorgeschlagen bekommt, die auf diese Präferenzen zugeschnitten ist.
Revolutionierte Reiseplanung mit Kl
- Einführung einer KI-basierten Reiseplanungsfunktion, die das Benutzererlebnis verändert.
- Ermöglicht Benutzern die mühelose Erstellung personalisierter Reiserouten mit nur einer Abfrage.
Umfassendes Reisemanagement
- Entwicklung eines umfassenden Systems zur Reiseplanung, Routenoptimierung, Ticket- und Unterkunftsbuchung.
- Zusammenfassung des gesamten Reiseplanungs- und Buchungsprozesses auf einer einzigen Plattform.
Überwindung technologischer Herausforderungen
- Erfolgreiche Bewältigung von Herausforderungen im Zusammenhang mit der Reaktionsgeschwindigkeit des LLM durch Optimierung der Arbeitsabläufe und Einführung einer Caching-Ebene.
- Nachweis der Fähigkeit, die Leistung der Plattform trotz komplexer technischer Hindernisse zu optimieren und zu verbessern.
Benutzerfreundliche Oberfläche und Anpassungen in Echtzeit
- Implementierung einer benutzerfreundlichen Chatbot-Oberfläche, die es Benutzern ermöglicht, ihre Reisewünsche zu beschreiben und in Echtzeit Anpassungen an den vorgeschlagenen Plänen vorzunehmen.
- Bessere Benutzererfahrung durch Bereitstellung einer interaktiven und dynamischen Plattform.
Wettbewerbsvorteil und Verwirklichung einer Vision
- Die Entwicklung eines Systems, das komplette Reisen mit einem einzigen Klick plant und so die Mängel der Konkurrenz ausgleicht, ist eine Reaktion auf die Bedürfnisse der Kunden.
- Erfolgreiche Umsetzung der Kundenvision einer KI-gesteuerten Plattform, die den gesamten Reiseplanungs- und Buchungsprozess vereinfacht und verbessert.
Funktionen
Die KI-basierte Reiseplanungsfunktion generiert dann einen Entwurf für einen Reiseplan mit einer Liste von Orten und einer Beschreibung der Aktivitäten/Sehenswürdigkeiten, die der Benutzer dort unternehmen/besichtigen kann, und bietet ihn an. Beispiel: „Sie reisen für drei Tage nach London und besuchen das British Museum, die National Gallery und das Victoria and Albert Museum. Sie werden gute Restaurants wie Scully St. James’s, das Ikoyi Restaurant und das Mr. White’s Restaurant besuchen. Außerdem werden Sie an einer Führung durch den Buckingham Palace teilnehmen.“ Der Benutzer kann den vorgeschlagenen Plan im Chat-ähnlichen Fenster anpassen. Das Ganze ähnelt dem GPT Playground, wobei jede Antwort des KI-basierten Reiseassistenten einen umfassenden Reiseplan beinhaltet.
Als wir mit der Arbeit an dieser KI-basierten Funktion begannen, die Reiseplanung, Routenoptimierung sowie Ticket- und Unterkunftsbuchung kombiniert, wurde uns klar, dass es sehr wichtig war, dass die dem Benutzer angebotenen Orte für seine Anfrage relevant und aus logistischer Sicht nachvollziehbar sind. Es musste für Reisende bequem möglich sein, von einem Ort zum anderen zu gelangen, und die vorgeschlagene Route musste eine logische Abfolge aufweisen. Der dialogbasierte Planer basiert auf Claude von Anthropic und greift per Tool-Use auf die Flug-, Bahn-, Bus- und Unterkunftsdaten des Kunden zu; darüber liegt ein von unserem Team geschriebenes algorithmisches Modul, das die generierte Route optimiert.

Projektübersicht
- Reiseplanung
- Routenoptimierung
- Ticketbuchung
- Unterkunftsbuchung
- Python
- MapBox
- Google Colaboratory
- Scipy
- Anthropic Claude (über die Anthropic API)
- Angular
- Langchain
- Gründer
- Produktverantwortlicher
- Lösungsarchitekt
- Backend-Techniker
- Frontend-Techniker
- Lösungsdesign
- Findungsphase
- Frontend-Entwicklung
- Backend-Entwicklung
- LLM-basierte Chatbot-Entwicklung
- Wartung und Support
- 2 Monate
Ergebnisse
Der KI-Planer ist bei TravelPlanBooker im Produktivbetrieb. Eine einzige Anfrage in natürlicher Sprache liefert jetzt in weniger als 30 Sekunden eine vollständige multimodale Reiseroute (Flüge, Züge, Busse und Unterkünfte) und ersetzt einen manuellen Planungsablauf, bei dem bisher jede Etappe einzeln auf separaten Bildschirmen konfiguriert werden musste. In den Sitzungen, in denen er genutzt wird, steigert der KI-Planer die Rate, mit der geplante Reisen zu Buchungen werden, deutlich.
Mit nur einer Abfrage können die Benutzer nun mühelos personalisierte Reiserouten erstellen. Der KI-Chatbot empfiehlt geprüfte Ziele, optimiert die Routen und plant die Sehenswürdigkeiten für jeden Tag. Zu den Funktionen gehören Reiseplanung, Routenoptimierung sowie die Buchung von Tickets und Unterkünften. Benutzer beschreiben ihre Reisewünsche und erhalten Planungsentwürfe mit Empfehlungen für Orte und Aktivitäten. Die interaktive Schnittstelle ermöglicht es ihnen, Anpassungen in Echtzeit vorzunehmen. Unser Team hat diese Funktion von Grund auf neu entwickelt und dabei die Vision des Kunden umgesetzt. Der KI-Assistent und das Planungstool von TravelPlanBooker verbessern das Reiseerlebnis und liefern maßgeschneiderte Pläne, die auf Vorlieben basieren.
Herausforderungen
Die erste war die Reaktionsgeschwindigkeit des LLM. Viele erwarten, dass ein LLM auf alle Benutzeranfragen sofort und fehlerfrei antwortet. In der Praxis sieht das jedoch anders aus, da grosse Modelle Zeit brauchen, um eine vollständige Reiseroute zu erstellen, und die Nachfrage nach der API täglich steigt. Daher dauert es selbst bei einfachen Anfragen, die der Nutzer an unsere Schnittstelle in TravelPlanBooker stellt, fünf bis zehn Sekunden, eine einfache Reise mit ein oder zwei Orten zu bearbeiten. Eine längere und komplexere Reiseanfrage kann bis zu 30 Sekunden dauern. Aus diesem Grund mussten wir viele Diskussionen mit unserem Kunden führen, der schnellere Antworten erwartete. Die Latenz von LLM-basierten Chatbots ist eine ernsthafte Herausforderung, vor der wir und viele andere KI-Teams stehen.
Um dieses Problem zu entschärfen, haben wir unseren Workflow optimiert und Aufrufe unterschiedlicher APIs so weit wie möglich parallelisiert. Außerdem haben wir eine Caching-Schicht für unterschiedliche API-Antworten, die wiederverwendet werden können, eingeführt.
Solche Maßnahmen beschleunigen die Reaktion der Plattform. Der grösste Engpass bleibt jedoch die Reaktionsgeschwindigkeit der LLM-API selbst.
Die zweite Herausforderung war die Qualitätskonsistenz der Antworten des LLM. Bei jedem LLM-basierten Projekt sollte immer das Risiko von Halluzinationen des Modells berücksichtigt werden. Es kann passieren, dass das Modell in einem von 100 Fällen eine nicht existierende Stadt oder einen nicht existierenden Ort vorschlägt. Wir haben dieses Problem behoben, indem wir die vom LLM vorgeschlagenen Orte und Sehenswürdigkeiten überprüfen. Dafür senden wir einen ausgewählten Ort an MapBox (eine API, die Google Maps ähnelt und zur Überprüfung von Objekten, Namen und Standorten dient), um ihn zu prüfen und eine Route dorthin zu erstellen. Wir überprüfen außerdem die Orte in der API des Kunden auf Verfügbarkeit in der Datenbank. Das gibt jedoch immer noch keine hundertprozentige Garantie dafür, dass das Modell beispielsweise nicht auf Französisch mit dem Benutzer kommuniziert, nur weil er nach Frankreich reisen möchte, selbst wenn die Anfrage auf Englisch gestellt wurde. Hier ergreifen wir bestimmte Maßnahmen, um das Auftreten solcher Probleme zu minimieren, aber es besteht immer noch eine geringe Wahrscheinlichkeit für ihr Auftreten.
Dies war ein herausforderndes, aber lohnendes LLM-Projekt für uns, da wir nun die Herausforderungen, die bei solchen Projekten auftreten, besser verstehen und Wege finden können, sie zu überwinden und gleichzeitig die Erwartungen des Kunden zu erfüllen.
Fallstudien
- Finanzen
- Energie
- Gesundheitswesen
- Fertigung








