Geschäftsprozess-Optimierung: Daten KI-gerecht aufbereiten

Mit der Optimierung von Geschäftsprozessen rückt der Einsatz KI in den Fokus vieler Unternehmen. Große Potenziale können Verfahren heben, die den ­Verantwortlichen kein KI-spezifisches Know-how abverlangen und dennoch systematisch in den Daten vorhandenen Inhalt erkennen.

Optimierung von Geschäftsprozessen, PSI Bildquelle: © PSI FLS Fuzzy Logik & Neuro Systeme

Jede Künstliche Intelligenz bedarf zunächst gelabelter beziehungsweise aufbereiteter Daten, denen bereits vor dem Lernvorgang eine Bedeutung zugeordnet wurde. Diese Daten kann ein geeignetes KI-Verfahren anschließend mit dem Ziel nutzen, ein Modell dieser Daten zu erstellen, um darauf basierend ähnliche Datenmuster in künftigen Daten selbsttätig erkennen zu können. Gelabelte Daten stellen sozusagen die Brücke zwischen Datenmustern und ihrer Bedeutung in der realen Welt dar. 

In klassischen Anwendungen wie Bildklassifikation oder Spracherkennung wird das Labeln der Daten meist empirisch vorklassifiziert und oft sogar manuell durchgeführt. Man kommt in diesen Anwendungen nur deswegen damit aus, weil die einmal gelabelten Datenmuster sich mit der Zeit nicht substanziell verändern und das gelabelte Datenmaterial langfristig Bestand hat. Eine KI-basierte Spracherkennung beispielsweise kann davon ausgehen, dass die Sprech- und Wortmuster einer Sprache einmal antrainiert prinzipiell unverändert ihre Bedeutung behalten. Das Gesprochene hat über Monate oder gar Jahre Bestand. 

Deep Qualicision KI, PSI Bildquelle: © PSI FLS Fuzzy Logik & Neuro Systeme

Geschäftsprozess-Datenanalyse mit Deep Qualicision KI bei der Sequenzierung von Produktionsaufträgen.

Bei Geschäftsprozessdaten ist aufgrund der kontinuierlichen Neuentstehung von Datenmustern ein automatisiertes Labeln der Daten unabdingbar, sobald die KI-Anwendungen im Bereich der Optimierung von Prozessen und der echtzeitfähigen Entscheidungsunterstützung arbeiten. Insbesondere bei Produktionsprozessen mit höherer Variantenanzahl sind das Bestelverhalten der Kunden und die Ressourcen-situation des Produktionsprozesses täglich anders. Eine KI-geeignete Datenaufbereitung muss hier aus historisierten und aktuellen Daten automatisch Zusammenhänge in Form von qualifizierten, weniger volatilen Klassen von Datenmustern erkennen, sichtbar machen und so selbsttätig die Rohdaten labeln können. Nur auf diese Weise sind ‚rohe‘ Geschäftsprozessdaten für die sich selbst anpassenden und lernenden KI-Algorithmen nutzbar. Der Aufwand für die Bereitstellung von Eingabe-Informationen für ein derartiges Labeln der Daten muss zudem im Verhältnis zum Nutzen wirtschaftlich darstellbar sein.

Hierfür wurden Algorithmen für das sogenannte Qualitative Labeln in Verbindung mit der KI-Software entwickelt. Vereinfacht gesagt, macht sich das Qualitative Labeln die in den Geschäftsprozessen ohnehin erhobenen Messdaten zunutze. Die Rede ist hier von sogenannten Mikro- und Makro-KPIs (Key Performance Indicators), die der Kunde als Kennzahlen im Hinblick auf die Zufriedenheit aus seiner beziehungsweise aus der Perspektive des Prozesses einordnet. Aus  dieser qualitätsorientierten Minimal-Information lassen sich Datenzeitreihen ableiten und die Qualitativen Labels für den betreffenden Geschäftsprozess ohne weiteres Eingangswissen errechnen.

Vereinfacht gesagt, bilden Kennzahlensysteme, die die Unternehmen heranziehen, um die eigenen Prozesse zu bewerten und zu steuern, die initiale Eingabe-Information für das Qualitative Labeln. So werden Rohdaten der Geschäftsprozesse KPI-orientiert gelabelt und den KI-Systemen zugeführt. Dies stellt das Vorliegen gelabelter Geschäftsprozessdaten als Grundvoraussetzung für einen gezielten wertschöpfenden Einsatz von KI-Methoden zur Prozess-Optimierung sicher, ohne die beispielsweise Neuronale Netze nicht einsetzbar wären.