Geschäfts- und Entscheidungsprozesse mit Künstlicher Intelligenz optimieren

artificial intelligence-25apr-0151pm

Die Digitalisierung von Geschäftsprozessen führt in Unternehmen, Organisationen und Behörden zum Aufbau von immer umfangreicheren Daten- und Dokumentenbeständen. Viele dieser Datensätze enthalten Informationen, welche bei entsprechender Analyse zur Optimierung von Prozessen, Produkten und Services beitragen könnten.

Digitale Geschäfts- und Fertigungsprozesse, intelligente Sensoren, Transaktionsdaten und die Berichterstattung in Web und Social Media produzieren umfangreiche Datenmengen, welche manuell nicht mehr wirtschaftlich bewältigbar sind. Die Automatisierung von Analyse- und Rechercheprozessen mittels maschineller Lernverfahren und Künstlicher Intelligenz ermöglicht die Erschliessung dieser Datenbestände, mit dem Ziel diese für innovative Produkte und Services sowie zur Optimierung von Geschäftsprozessen zu nutzen.

So können zum Beispiel unternehmensinterne Daten wie Protokolle von Produktions- und Fertigungsprozessen verwendet werden, um Fehlerquellen sowie defekte Chargen frühzeitig zu identifizieren. Daten, die bei der Nutzung von Geräten anfallen, können dazu beitragen, Fehler besser zu prognostizieren, Wartungsintervalle zu optimieren und Produkte und Services anhand des Nutzungsverhaltens besser an die Bedürfnisse des Kunden anzupassen.

Aber auch bestehende Unternehmensprozesse können von diesen Informationstechnologien profitieren. So lassen sich repetitive Arbeitsprozesse, wie zum Beispiel das Ausfüllen von Fragebögen im Rahmen von Compliance-Management-Systemen oder im Redakteurswesen die manuelle Annotation von digitalen Gütern wie zum Beispiel Zeitungsartikeln, Fotografien und Videos mit Metadaten, automatisieren oder zumindest maschinell unterstützen. Besonders im Bereich von Metadaten und semantischer Suche existiert ein enormes Optimierungspotential, welches sich durch die Kombination von Künstlicher Intelligenz mit Hintergrundwissen aus maschinell lesbaren Datenquellen realisieren lässt. Die entsprechenden Technologien können in einem weiteren Schritt auch für die Suche und Darstellung von annotierten Inhalten verwendet werden, wodurch semantische Suchen und automatisch erstellte Zusammenstellungen von Inhalten möglich werden. Ebenfalls möglich ist der Aufbau von Expertensystemen, in welchen digitale Assistenten Benutzer bei der Bedienung von komplexen Systemen oder auch bei der Fehlersuche unterstützen.

Externe Datenquellen nutzbar machen

Auch externe Datenquellen im Word Wide Web und in Social Media lassen sich mit entsprechender Expertise kommerziell nutzen und können Organisationen wertvolle Information zu deren Umwelt, Kunden und Mitbewerbern liefern.
So ermöglicht zum Beispiel die maschinelle Analyse von online verfügbaren Datenbanken zu Medikamentenstudien Rückschlüsse auf die Performance der entsprechenden Unternehmen.
Die automatische Suche nach potentiellen Mitarbeitern anhand von Ausbildung, Erfahrung und Skills wiederum erlaubt es Recruitment Aktivitäten zu optimieren und der Vergleich von aktuellen und benötigten Mitarbeiterprofilen ermöglicht es Weiterbildungsaktivitäten zielgerichteter und effizienter anzubieten.

Auch im Produktdesing spielen unternehmensexterne Datenquellen wie Produktrezensionen und Social Media eine wichtige Rolle. Maschinelle Verfahren erlauben es Stärken und Schwächen der eigenen Produkte zu identifizieren und basierend auf Erfahrungsberichten und Kundenrezensionen Produkte und Services zu optimieren. In der Pharmazie werden diese Technologien für die patientenzentrierte Entwicklung von Medikamenten eingesetzt. Dabei werden gezielt Diskussionen zu Wirkungen und Nebenwirkungen von Medikamenten in Social Media und Online Foren untersucht, um basierend auf diesen Rückmeldungen Ihre Produkte zu optimieren.


Limitationen von Künstlicher Intelligenz umgehen

Eine bekannte Limitation von Künstlicher Intelligenz ist das Fehlen von Hintergrundinformationen und Domänenwissen. Während Menschen in der Regel Probleme mit bescheidener Geschwindigkeit, dafür aber unter Zuhilfenahme eines umfangreichen Hintergrundwissens – welches sie im Laufe ihres Lebens erworben haben - holistisch lösen, bearbeiten Maschinen einfache Probleme schnell, dafür aber unter Berücksichtigung von vergleichsweise wenig oder sogar keinerlei Kontextinformation.

Dies führt dazu, dass Zusammenhänge, welche für den Menschen vielfach trivial sind, für Maschinen nur schwer erfassbar sind. Das Data Analytics Forschungsteam der HTW Chur kombiniert daher maschinelle Lernverfahren mit Information aus sogenannten Linked Open Data Quellen. Dabei handelt es sich um speziell aufbereitete Informationsquellen, welche maschinell ausgewertet werden können und zum Beispiel Hintergrundwissen aus Wikipedia (DBpedia), zu Orten (GeoNames), zu statistischen Zusammenhängen und Regierungsinformationen (data.europa.eu) oder auch zu trivialen Sachverhalten liefern.
Diese Vorgangsweise ermöglicht es, gezielt relevante Kontextinformation in den Bewertungsprozess einzubeziehen, was wiederum die Qualität der Ergebnisse signifikant steigert.

 

lod-cloud

Öffentlich verfügbare Linked Open Data Quellen von Andrejs Abele, John P. McCrae, Paul Buitelaar, Anja Jentzsch und Richard Cyganiak. Verfügbar unter: http://lod-cloud.net/versions/2017-08-22/lod.svg

 

Künstliche Intelligenz in der Praxis

An der HTW Chur konnten im Forschungsfeld «Data Analytics» KTI/Innosuisse Projekte mit Partnern aus den Anwendungsdomänen Journalismus und Fotographie, Recruitment, Bewertungsdienstleistungen im Life Science Bereich und Pharmazie lanciert werden.

So hat sich zum Beispiel das IMAGINE Projekt, welches gemeinsam mit der KEYSTONE AG durchgeführt wurde, mit der automatischen Annotation von Fotografien beschäftigt und Möglichkeiten entwickelt, um digitale Artefakte – wie zum Beispiel Grafiken, Fotos und Videoclips – besser vermarkten zu können.


Das DISCOVER Projekt entwickelt Systeme, welche Informationen zu Medikamententests automatisch aggregieren und in die von der Firma Venture Valuation entwickelte Plattform zur Bewertung von Life Science Unternehmen integriert.


In Kooperation mit der Matchix AG werden im Rahmen des Job-Cockpit Projektes Technologien entwickelt, welche Recruitment- und Human Resources Prozesse optimieren.

Das gemeinsam mit der Uni Zürich und F. Hoffmann-La Roche lancierte MedMon Projekt beschäftigt sich unter anderem mit intelligenten Technologien zur Unterstützung der patientenzentrierten Entwicklung von Medikamenten.

 

Links zu den Projekten:

IMAGINE | DISCOVER | Job-Cockpit | MedMon

Kontakt

Prof. dr. habil. Albert Weichselbraun

Phone: +41 81 286 37 27
Website: http://weichselbraun.net/
E-mail: albert.weichselbraun@htwchur.ch

Einzelansicht

Weichselbraun