Qualitatives Labeln

Geschäftsprozessdaten mit maschinellem Lernen aufbereiten

Industriellen KI-Verfahren gehört die Zukunft. Die Herausforderung: Vorhandene Daten müssen für entsprechende Funktionalitäten zunächst aufbereitet - gelabelt - werden. Das trifft z.B. auf die Anwendung von KI-Methoden auf Geschäftsprozessdaten zu. Denn anders als in der Bilderkennung oder Sprachverarbeitung, bei denen die Bedeutung einmal gelabelter Datenmuster semantisch weitestgehend unverändert bleibt, sind die zu labelnden Muster in Geschäftsprozessdaten dynamisch und immer wieder anders strukturiert, etwa durch kontinuierlich wechselnde Auftragsmixe und Prozesszustände. Ein Labeln auf Basis manueller Datenanalyse ist in diesem Kontext extrem aufwändig und daher ungeeignet. Gesucht sind automatisierte Lösungsansätze, die auf bestehende Strukturen aufsetzen und die vorhandenen Daten passgenau aufbereiten.
Ebenenmodell der GeschäftsprozessDatenanalyse mit Deep Qualicision KI
Ebenenmodell der GeschäftsprozessDatenanalyse mit Deep Qualicision KI Bild: PSI FLS Fuzzy Logik & Neuro Systeme GmbH

Ein solches maschinelles Lernverfahren ist das Qualitative Labeln, das Bestandteil des Frameworks der Deep Qualicision KI ist. Dieses Lernverfahren kann auf der Behandlung von Key Performance Indicators (KPIs) beruhende Software um selbstlernende Labeling-Fähigkeiten erweitern. Zwischen den nicht aufbereiteten, rohen Geschäftsprozessdaten und Methoden der künstlichen Intelligenz schlägt das Verfahren auf diese Weise automatisiert eine algorithmische Brücke. Die Auswertung von Datenströmen bereitet rohe Geschäftsprozessdaten für Prozessverantwortliche in verständlicher Form auf. Daten aus diesen Prozessen werden mit KPIs qualitativ bewertet und Zusammenhänge daraus erlernt. So werden Geschäftsprozessdaten laufend qualitativ gelabelt und für den Einsatz weiterer KI-Methoden aufbereitet.

Einfacher Start

Der Start in die Anwendung von KI-Methoden ist damit denkbar einfach, denn die KPI-Zusammenhangsanalyse hilft, Geschäftsprozessdaten so einzuordnen, dass die Software aus rohen Daten Zusammenhänge lernt. Das qualitative Labeln der Geschäftsprozessdaten erfolgt mittels KPIs. Dabei besteht die Eingabe für die Software aus zwei Hauptkomponenten: Zum einen aus der Mitschrift von Datenströmen des zu analysierenden Geschäftsprozesses sowie deren automatischer Umwandlung in Zeitreihen mit Hilfe von Zeitstempeln. Zum anderen aus der Abstimmung zu den KPIs mit den für den Geschäftsprozess Verantwortlichen (POWN), anhand derer der betreffende Geschäftsprozess analysiert werden soll. Zusätzlich gilt es, die Wertebereiche der KPIs in gewünschte und nicht gewünschte einzuteilen.

KPI Anlagenauslastung

Ein KPI kann beispielsweise die Auslastung einer Anlage in einem produzierenden Betrieb sein. Erstrebenswert wäre dabei eine Auslastung größer 85 Prozent. Werte darunter sind dagegen negativ und können, je größer die Abweichung, als zunehmend ungünstig angesehen werden. Auch für Rüstzeiten sind ähnliche Vorgaben möglich: Ein Anteil der Rüstzeit mit unter zehn Prozent ist positiv, ein Anteil darüber negativ zu bewerten. @Zwischenüberschrift:Positive und negative Zusammenhänge

Die auswertbaren Zeitreihen entstehen, indem die Software die Datenströme sowie die zugehörigen KPIs mit Zeitstempeln versieht. Daraus erlernt das System positive und negative Zusammenhänge zwischen den KPIs. Diese Bewertung von anzustrebenden und von nicht anzustrebenden Bereichen kann ein Verantwortlicher auch ohne tiefergehende KI-Kenntnisse durchführen, da diese seiner alltäglichen Steuerung der Prozessabläufe entsprechen.

Weitere KI-Methoden

Das automatisierte Ableiten von qualitativen Erkenntnissen durch Lernen von Zusammenhängen aus rohen Geschäftsprozessdaten – angereichert mit Informationen über KPIs des Geschäftsprozesses – ist zudem nicht nur für die Erkenntnisgewinnung über den jeweiligen Geschäftsprozess nützlich. Vielmehr bereitet das Verfahren Unternehmen auf die anschließende Anwendung weiterer KI-Methoden zur Optimierung der Geschäftsprozesse vor. Jeder neu gewonnene Zusammenhang ist potenziell die Grundlage für eine weitere Kennzahl, die als KPI in die Deep-Qualicision-Analyse als Rückkopplung einfließen kann. So können Unternehmen Ihre Geschäftsprozesse nicht nur gezielt steuern, sondern diese nach und nach in de facto sich selbst optimierende Regelkreise überführen. Auf diese Art und Weise entsteht ein Weg in Richtung einer besseren Erklärbarkeit von Ergebnissen und Lösungsfindungsprozessen im Kontext des Maschinellen Lernens.

Wartung von Stromnetzen

In einem weiteren Use-Case kommt das qualitative Labeln zur selbstlernenden Ermittlung von Einstellparametern in einer Field-Force-Optimierung bei der Wartung und Entstörung von Stromnetzen zum Einsatz. Die diesbezüglichen KPIs beschreiben die Effizienz der Zuordnung von Mitarbeiterteams zu Maintenance-Einsätzen. Die Anzahl der KPIs, die für das Qualitative Labeln der Geschäftsprozessdaten zum Einsatz kommen, liegt bei circa dreißig. Pro Jahr sind mehr als einhunderttausend Wartungs- und Entstörungseinsätze auf Hunderte von Mitarbeitern zu verteilen. Das manuelle Labeln der Daten wäre mit zu hohem Aufwand verbunden. Das qualitative Labeln als erweiternde Funktionalität eines zuschaltbaren maschinellen Lernverfahrens im Rahmen einer Qualicision-basierten multikriteriellen Optimierung stattet in diesem Use-Case eine bereits laufende Anwendung mit lernenden Selbstjustierungen aus. Hierdurch kann die Optimierung selbst auf relevante Veränderungen in den Geschäftsprozessdaten reagieren und verlangt dies nicht etwa dem Anwender ab. Diese methodische Vorgehensweise lässt sich über alle Ebenen der Geschäftsprozesse einführen (vgl. Abbildung). Somit entsteht nach und nach eine KI-gerechte Architektur einer Analyse- und Nutzlogik, die beginnend mit den rohen Geschäftsprozessdaten über die Qualifizierung der Daten mittels KPIs und durch maschinelles Lernen das Aufdecken von Prozesszusammenhängen bereitstellt.

Neue Qualität der Datenauswertung

Über unterschiedliche Verdichtungen der Geschäftsprozessdaten entsteht eine neue Qualität der Datenauswertung für die Wertschöpfung im eigenen Unternehmen. Geschäftsprozessdaten werden hier zu Informationen und zum tatsächlich gelebten Rohstoff der Zukunft. Damit lässt sich ausgehend von Geschäftsprozessdaten deutlich besser der zunehmenden Dynamik der Geschäftsprozesse gerecht werden. Zudem erzeugen die nun auch für den Menschen verständlichen Informationen einen zusätzlichen Blick auf maschinell Gelerntes. es wird eine Brücke geschlagen zwischen KI-spezifischem Verfahrenswissen und dem Geschäftsprozesswissen – die Erklärbarkeit der Ergebnisse von ML-Verfahren auf Geschäftsprozessebene wird unterstützt.

PSI FLS Fuzzy Logik & Neuro Systeme GmbH

Das könnte Sie auch Interessieren

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.