Auto-Vervollständigung mit KI - Dreifachboost für Datenkonsistenz und Anwenderfreundlichkeit (1/3)

Die Erfassung von Daten über Eingabemasken ist heutzutage ein fester Bestandteil vieler Tätigkeiten, sowohl kontextabhängig als auch branchenübergreifend. Die große Anzahl verfügbarer Felder und Freiheiten bei der Eingabe führen allerdings häufig zu Prozessverlängerungen und Dateninkonsistenzen. Mittels Qualitativem Labeln und maschinellem Lernen lässt sich aus historisierten Daten ein KI-Gesamtsystem entwerfen, das zur aktiven Unterstützung bei der Datenerfassung einsetzbar ist. Die Auto-Vervollständigung auf Basis des Deep Qualicison KI Frameworks ist der erste Schritt zu einer messbaren Verbesserung der Datenkonsistenz sowie der Anwenderfreundlichkeit und schafft zugleich die Basis für ein entsprechendes KI-Gesamtsystem.

Wo finden sich Anwendungsbereiche?

Durch die Digitalisierung in allen Branchen gehört die Erfassung von Daten in verschiedensten Anwendungen etwa in ERP- und anderen Verwaltungssystemen zu den alltäglichen Tätigkeiten der meisten Geschäftsprozesse. Dabei sind die einzelnen Felder eines Formulars in ihrer Systematik und Semantik überwiegend vom jeweiligen Kontext abhängig, von der Personal- und Vertragsverwaltung über das Kunden- und Auftragsmanagement bis hin zur Qualitätsdokumentation. Häufig sind dann viele Eingabefelder verfügbar, von denen einige Pflichteingaben beinhalten, andere hingegen optional sind.

Wo liegen die Herausforderungen?

Durch diese Vielzahl von Eingabefeldern geht bei der manuellen Eingabe messbar Zeit verloren. Insbesondere optionale Felder werden daher vermehrt nicht oder nur teilweise ausgefüllt und verschlechtern somit das Berichtswesen. Zudem gibt es häufig Freiheiten bei der Eingabe, wie beispielsweise die Verwendung von Abkürzungen.

Da Benutzer zumeist eine individuelle Art der Dateneingabe haben, kann es durch unterschiedliche Schreibweisen für die gleiche Semantik so zu Inkonsistenzen in den Daten kommen. Darüber hinaus erschwert der Einsatz mobiler Geräte eine flüssige Eingabe zusätzlich.

Was sind mögliche Lösungsansätze?

Um den auftretenden Herausforderungen bei der Datenerfassung zu begegnen, könnten in einem ersten Schritt alle Eingabefelder Pflichtfelder werden. Dies sichert zwar die Vollständigkeit des Berichtswesens, wirkt jedoch nicht positiv auf Zeitersparnis und Datenkonsistenz.

Zur Steigerung der Anwenderfreundlichkeit eines Eingabeformulars werden häufig Regeln aus der kontextabhängigen Systematik und Semantik abgeleitet.

Diese Regeln stellen dann die Grundlage für eine zielgerechte Unterstützung der Anwender bei der Datenerfassung dar. Solche strikten Regelsysteme bilden die jeweiligen Geschäftsprozesse zwar sehr präzise ab, beinhalten jedoch häufig aufwändige Logiken zur Überprüfung der Eingaben.

Welcher Ansatz unterstützt bei sich ändernden Prozessen?

Bei sich ändernden Prozessen setzt dies eine kontinuierliche Anpassung der Codebasis durch entsprechend qualifizierte Entwickler voraus.

Für klar strukturierte und über die Zeit beständige Vorgänge sind strikte Regelsysteme eine gute Lösung.

Allerdings steigt ihre Komplexität mit einer detaillierten Abbildung der Prozesse schnell an und erschwert die Pflege zusätzlich. Zudem stoßen strikte Regelsysteme bei semantisch variierenden multiplen Abhängigkeiten in den Daten schnell an ihre Grenzen.

Wie hilft das Deep Qualicision KI Framework?

In nahezu allen Geschäftsabläufen mit einem Datenerfassungsprozess kann auf eine breite Basis historisierter Daten zugegriffen werden.

Durch die Nutzung von Qualitativem Labeln und maschinellem Lernen aus dem Deep Qualicision KI Framework lässt sich ein KI-Gesamtsystem konfigurieren, das typische Eingabemuster aus Vergangenheitsdaten erlernt.

Dabei können diese sowohl allgemeingültig als auch benutzerabhängig trainiert werden, um eine ideale Anpassbarkeit an jeden Geschäftsprozess zu garantieren. Insbesondere zur Abbildung multipler Abhängigkeiten in den Daten, die teilweise mit der Semantik variieren, bieten datenbasierte Ansätze zahlreiche Vorteile.

Was steckt hinter dem KI-Gesamtsystem?

Grundlage für ein KI-Gesamtsystem zur Auto-Vervollständigung stellen das Qualitative Labeln sowie die mittels maschinellen Lernens trainierte Wissensbasis aus historisierten Daten dar. Regelsysteme sollten jedoch nicht vollständig außen vor gelassen werden. Für die Dynamisierung von Formularen zur Ausblendung kontextabhängig irrelevanter Eingabefelder sind strikte Regeln sinnvoll. Auch feste Abhängigkeiten zwischen Attributen sprechen für den Einsatz einer Regel.

Durch einfaches Präferieren verschiedener Bewertungs-KPIs wird eine Entscheidungsunterstützung ermöglicht, um starke Abweichungen von Vorhersagen nachvollziehbar bewerten zu können.

Zudem erfolgt eine kontinuierliche Anpassung der Wissensbasis durch vollautomatisches Einbeziehen neuer Daten. Als unmittelbare Konsequenz ermöglicht ein solches KPI-basiertes selbstlernendes KI-Gesamtsystem die automatische Bewertung der Konformität mit historisierten Daten als Indiz für manuelle Überprüfungen in Form einer automatisierten Validierung der Eingabedatensätze.

Wer benutzt die Auto-Vervollständigung?

Ein System zur Auto-Vervollständigung basierend auf dem Deep Qualicison KI Framework hat bereits in der Verwaltung von Einkaufs- und Verkaufskontrakten bei einem Kunden im Handelssektor Einzug gehalten. Hierbei konnten messbare Steigerungen bei der Anwenderfreundlichkeit sowie Datenkonsistenz verzeichnet werden.

Wie kann das KI-Gesamtsystem ausgebaut werden?

Wurde ein Nutzerverhalten aus historisierten Daten sowie während der Dateneingabe gelernt, lassen sich diese Erkenntnisse unmittelbar zur Prüfung von gesamten Datensätzen eines Eingabeformulars einsetzen. Eine auf diese Weise geschaffene Wissensbasis dient somit in einem nächsten Schritt zum Ausbau des KI-Gesamtsystems durch eine automatisierte Dateneingabe-Validierung und sorgt für einen weiteren Boost hinsichtlich Datenkonsistenz und Anwenderfreundlichkeit auf Basis des Deep Qualicision KI Frameworks.

Mehr zum Thema automatisierte Dateneingabe-Validierungerfahren erfahren Sie im zweiten Teil unserer Serie.

Serie: Dreifachboost für Datenkonsistenz und Anwenderfreundlichkeit

• Teil 1: Auto-Vervollständigung mit KI
• Teil 2: Dateneingabe-Validierung mit KI
• Teil 3: Duplikaten-Erkennung mit KI (folgt)