Fehlervermeidung bei manueller Dateneingabe

KI-gestützte Autovervollständigung und Datenvalidierung

Die Qualität der Daten ist entscheidend für die Effizienz operativer Prozesse und für die Zuverlässigkeit von Berichten. Manuelle Dateneingabe birgt jedoch hohes Fehlerpotenzial und Vielfach bewährte, regelbasierte Eingabehilfen und Datenvalidierungen stoßen im Hinblick auf eine zunehmende Dynamisierung von Geschäftsprozessdaten oftmals an ihre Grenzen. Die Integration KI-gestützter, datenbasierter Lösungsansätze schafft Abhilfe.
Bild: ©rawf8@Shutterstock / PSI FLS

Branchenübergreifend ist die Erfassung von Daten über Eingabemasken ein zentraler Bestandteil vieler Softwarelösungen, z.B. in ERP- und anderen Verwaltungssystemen. Typisch für industrielle Anwendungen ist dabei unter anderem die große Anzahl verfügbarer Eingabefelder sowie Freiheiten bei der manuellen Dateneingabe. Die händische Bearbeitung kostet Zeit. Das kann dazu führen, dass Anwender vermehrt optionale Felder nicht oder nur teilweise ausfüllen. Hinzu kommt, dass durch die Freiheiten bei der Eingabe – z.B. die Verwendung von Abkürzungen – verschiedene Nutzer für die gleiche Semantik unterschiedliche Schreibweisen verwenden. Die daraus resultierenden Prozessverzögerungen, Dateninkonsistenzen und -fehler führen nicht nur zu einer signifikanten Verschlechterung des Berichtwesens. Da mit der Qualität der eingegebenen Daten sowohl die Effizienz des Prozesses selbst als auch seiner Nachfolger steht und fällt, können sie Folgefehler nach sich ziehen, die wiederum Nacharbeiten erfordern.

Eingabhilfen als Mittel der Wahl?

Eingabehilfen sollen dieses Problem lösen. Die bisherigen Ansätze können dies aber nur teilweise und können vor allem bei semantisch variierenden, multiplen Abhängigkeiten in den Daten an ihre Grenzen stoßen. Die Mehrheit der bekannten Eingabehilfen basiert auf fest definierten Regeln, die aus der kontextabhängigen Syntax und Semantik abgeleitet sind. Der Vorteil: Sie bilden die jeweiligen Geschäftsprozesse präzise ab. Als solche sind sie eine gute Lösung für gut strukturierte und über die Zeit beständige Vorgänge, etwa bei klar definierten Datenabhängigkeiten oder eingeschränkter Auswahl per Drop-Down. Ihr Nachteil: Für die Eingabeüberprüfung bedienen sie sich aufwändiger Logiken. Je detaillierter die Abbildung von Prozessen also ist, desto komplexer ist das Regelsystem. Hinzu kommt, dass Änderungen immer Anpassungen der Codebasis erfordern. Ungeeignet sind regelbasierte Lösungsansätze in diesem Kontext für die Eingabeunterstützung von Daten, die in multiplen Abhängigkeiten stehen und teilweise semantisch variieren. Das trifft z.B. auf die Datenerfassung in Bestell- und Lieferprozessen zu und damit auf einen wachsenden Anteil relevanter Einsatzszenarien.

Autovervollständigung per KI

Abhilfe kann eine KI-gestützte, datenbasierte Auto-Vervollständigung bieten. Dieser Lösungsansatz macht sich die Tatsache zunutze, dass für nahezu alle Geschäftsabläufe mit einem Datenerfassungsprozess historisierte Daten zur Verfügung stehen. Unter Zuhilfenahme von Qualitativem Labeln und maschinellem Lernen trainieren und aktualisieren KI-Tools wie Deep Qualicision auf dieser Datenbasis kontinuierlich das relevante Nutzerverhalten. Automatisch werden folglich auch neue Daten einbezogen und die Wissensbasis kontinuierlich angepasst. Das KI-System kann so konfiguriert werden, dass es fortwährend typische Eingabemuster aus Vergangenheitsdaten erlernt – und zwar entweder allgemeingültig oder benutzerabhängig. Als Entscheidungsunterstützung für ein solches System dient ein einfaches Präferieren individuell definierbarer Bewertungskennzahlen (Key Performance Indicators, KPI). Dadurch lassen sich Abweichungen von Vorhersagen bewerten und Eingabedatensätze automatisiert validieren. So kann z.B. eine anormale Abweichung einer Bestellmenge bereits bei der Dateneingabe erkannt werden, die gegebenenfalls bei einem Schwellenwertverfahren durch das Erkennungsraster fallen würde. Das Ergebnis: Das System vervollständigt die Eingabe von Daten automatisch und individuell angepasst an jeden Geschäftsprozess. Damit ist dieser Ansatz auch für die Abbildung der beschriebenen, semantisch variierenden und multipel abhängigen Daten geeignet.

Ideales Zusammenspiel

Als ideal ist letztlich das Zusammenspiel zwischen regel- und datenbasierter Eingabehilfe zu betrachten. Das zeigt sich unter anderem bei der Dynamisierung von Formularen: Soll ein System kontextabhängig irrelevante Eingabefelder automatisch ausblenden, sind strikte Regeln sinnvoll. Für ihren Einsatz sprechen nicht zuletzt auch feste Abhängigkeiten zwischen Attributen. Bei einem Handelsvertrag hängen die auswählbaren Positionen z.B. immer davon ab, ob es sich um Kauf oder Verkauf handelt.

Seiten: 1 2Auf einer Seite lesen

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.