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.

(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.

Das könnte Sie auch interessieren

Quantencomputer versprechen enorme Rechenleistung und bieten großes Potenzial für Gesellschaft und Wirtschaft. Sie könnten etwa dazu eingesetzt werden, neue medikamentöse Wirkstoffe zu finden. Doch wie ist der aktuelle Stand der Technologie? Dr. Marco Roth vom Fraunhofer IPA gibt einen Überblick.‣ weiterlesen

Capgemini hat die TechnoVision 2023 mit dem Titel 'Right the Technology, Write the Future' veröffentlicht. Der Report hebt Technologietrends hervor, die Führungskräften bei der technologiebasierten Transformation ihres Unternehmens helfen sollen.‣ weiterlesen

Im aktuellen Global CEO Survey von des Beratungsunternehmens PwC geben mehr als 80 Prozent der befragten deutschen CEOs an, dass sie mit einem Rückgang des Weltwirtschaftswachstums rechnen. Inflation, makroökonomische Volatilität und geopolitische Konflikte werden von den Befragten als die größten Gefahren für das Geschäft genannt.‣ weiterlesen

Unternehmen suchen zunehmend nach Konnektivität für eine Vielzahl von Anlagen. Eine größere Vielfalt an Konnektivitätstypen, mehr Sensorfunktionen und Formfaktoren sowie eine größere Softwareintelligenz ermöglichen es dem Markt für Condition-Based Monitoring (CBM), neue Anwendungsfälle zu erschließen und einen größeren Wert für Anwender zu generieren. Einem neuen Bericht des Technologieunternehmens ABI Research zufolge sollen die zustandsorientierten Überwachungssensoren bis 2026 277 Millionen Anschlüsse erreichen.‣ weiterlesen

In sechs neuen Projekten des Spitzencluster it's OWL entwickeln 18 Unternehmen und fünf Forschungseinrichtungen gemeinsam Ansätze und Lösungen, um konkrete Herausforderungen der Industrie anzugehen.‣ weiterlesen

Maschinen mit IIoT-Funktionalitäten werden meist mit Sensorik ausgeliefert, die aktuelle Fertigungsdaten erhebt und verarbeitet. Um diese IIoT-Daten jedoch übergreifend zu nutzen, braucht es eine weitere Software-Instanz zur Verarbeitung: das Manufacturing Execution System (MES) .‣ weiterlesen