Maschinelles Lernen mit Qualitativem Labeln für alle PSI-Softwaretools

Die Deep Qualicision KI verbindet Optimierungsverfahren mit maschinellem Lernen und neuronalen Netzen. Indem die Optimierung selbsttätig Prozessdaten labelt, entsteht eine Brücke zwischen der Software zur Optimierung von Geschäftsprozessen und Deep Learning sowie weiteren Methoden des Maschinellen Lernens. Diese Brücke ebnet den Weg zur Anwendung der Software für die Industrielle Intelligenz.

Das Herzstück von Deep Qualicision ist ein maschinelles Lernverfahren, das auf der selbsttätigen Erkennung von KPI-Zielkonflikten in den Prozessdaten von Geschäftsprozessen mittels Erweiterter Fuzzy-Logik beruht. Die Zielkonfliktanalyse hilft, die Prozessdaten so zu ordnen, dass der Deep-Qualicision-Algorithmus selbstständig erkennen kann, in welchen Situationen wie vorzugehen ist. So lassen sich Geschäftsprozesse optimal planen und steuern.

Faszinierenderweise kann dabei direkt auf bereits etablierte Optimierungen zurückgegriffen werden. Werden nämlich Geschäftsprozesse durch Algorithmen optimiert, kann der für KI-Lösungen zwingend benötigte Vorgang des Labelns von Prozessdaten mithilfe der etablierten KPI-orientierten Optimierung qualitativ erfolgen. Und zwar durch Qualicision-Algorithmen, also durch die Optimierung selbst.

Durch Menschenhand – Stichwort millionenfach ins Netz gestellte Katzenbilder – gelabelte Daten werden nicht länger benötigt. Die manuelle Zuordnung, ob die vorliegenden Daten zu guten oder zu schlechten KPI-Ergebnissen im vorliegenden Prozess geführt haben, entfällt. Hierdurch wird der bisherige Flaschenhals der Datenaufbereitung für KI-Verfahren beseitigt.

Qualitatives Labeln als selbsttätige KPI-Labeling-Maschine

Auf diese Weise kann jede bereits geschaffene Qualicision-Lösung als KPI-Labeling-Maschine aufgefasst und eingesetzt sowie zur Implementierung von effizienten KI-Lernstrategien genutzt werden.

Das qualitative Labeln schafft neue Perspektiven für die Anwendung von Deep Learning in Geschäftsprozessen. Damit entstehen qualitativ gelabelte Situationsdaten, die durch kontinuierliche Fuzzy-Clusterung der situativ dynamischen Prozesszustände automatisch generiert werden.

Das qualitative Labeln schafft neue Perspektiven für die Anwendung von Deep Learning in Geschäftsprozessen.

Diese schließen die Lücke zwischen der Dynamik der Prozessdaten und der Notwendigkeit des Vorliegens gelabelter Daten. Damit wird erstmalig die Voraussetzung zum Einsatz von künstlichen neuronalen Netzen zur Optimierung von Geschäftsprozessen geschaffen.

Einfacher Einstieg in Deep Qualicision

Aus der Perspektive des Kunden ist der Einstieg in ein solches Szenario denkbar einfach. Soll die Deep Qualicision KI zur Optimierung oder auch zur Analyse eines Geschäftsprozesses eingesetzt werden, so ist abzufragen, nach welchen Kennzahlen und Kriterien (KPIs) die Qualität des Geschäftsprozesses bewertet und optimiert werden soll.

Klassische KPIs in Produktionsprozessen sind Effizienzkriterien, wie Termintreue, Auslastung der Ressourcen oder die Verfügbarkeit von Kapazitäten und von Material. Weitere mögliche Kriterien sind:

• Mitarbeiterzufriedenheit,
• Gleichmäßigkeit des Ressourceneinsatzes oder
• Prozessstabilität.

Hinzu kommen

• Bewertungen der Produktvarianz,
• die Streuung der Auftragsstruktur und
• die Entwicklung der genannten KPIs über die Zeit,

auch im Sinne der Nutzbarkeit von historisierten Daten. Die in dem beschriebenen Sinne zusammenzutragenden Informationen sind lediglich eine organisatorische und keine prinzipielle Herausforderung.

Es ist das Pflichtprogramm eines jeden Vorhabens, die Abläufe in einem Geschäftsprozess zu verbessern. Die Kür kommt dann mit den Automatismen von Deep Qualicision.

Lediglich Geschäftsprozessdaten und KPI-Festlegungen als Eingabe

Sind die KPIs einmal beschrieben und liegen die Rohdaten des Geschäftsprozesses vor, so kann Deep Qualicision durch die Anwendung von Optimierungsalgorithmen

• die Geschäftsprozessdaten labeln,
• die Abläufe optimieren und
• die gelernten Labels zum maschinellen Lernen der positiven und negativen Gesetzmäßigkeiten des jeweiligen Geschäftsprozesses nutzen.

So ist unmittelbar erkennbar, dass Deep Qualicision aus einer originären Optimierungslösung besteht, die auch zusätzlich zum qualitativen Labeln der Prozessdaten benutzt wird. Mittels eines intelligenten zielkonfliktorientierten Clusterverfahrens wird ein KPI-orientiertes Reinforcement-Learning umgesetzt und durch eine Neuronale-Netze-Komponente zum Lernen basierend auf den qualitativ gelabelten Prozessdaten erweitert.

Das Ergebnis sind positiv und negativ gelabelte Prozessdaten und Prozesszustände, die die Basis für das maschinelle Lernen dafür darstellen, in welchen Prozesssituationen in Zukunft die Prozessoptimierung wie agieren soll.

Selbsttätiger Ablauf des Qualitativen Labelns

Der Vorteil ist dabei einerseits, dass der Vorgang des Labelns selbsttätig durch die Optimierung selbst gesteuert abläuft und im Wesentlichen keinen menschlichen Input bis auf die Definition der KPIs benötigt. Andererseits ist ersichtlich, dass das Schema von Deep Qualicision auf jeden mittels Qualicision bereits optimierten Geschäftsprozess anwendbar ist. Letztgenannter Vorteil ist deshalb so wichtig, weil jede bisher existierende Qualicision-Applikation mit dem maschinellen Lernen von Deep Qualicision ausgestattet werden kann.

So können alle mit Qualicision ausgestatteten PSI-Softwareprodukte die maschinelle Lernfähigkeit erhalten. In einigen der Lösungen sind gegebenenfalls weitere KPIs festzulegen, nach denen in Zukunft zusätzlich qualitativ gelabelt und maschinell gelernt werden soll.

Genau dies ist ein weiterer Vorteil. In jedes der PSI- Softwareprodukte können auch weitere KPIs hinzugefügt und über das Deep-Qualicision-Framework zur Verbesserung oder auch zur Abrundung bestehender Funktionalitäten eingesetzt werden.

Sequenzierung in der Automobilproduktion

Instandhaltungsmanagement bei Netzbetreibern

Ein weiterer Anwendungsfall ist der Einsatz von Deep Qualicision zum Lernen der Einstellparameter der Field-Force-Optimierung bei der Wartung und Entstörung von Stromnetzen (PSIcommand). Die hier zugrunde liegenden KPIs beschreiben die Effizienz der Zuordnung von Ressourcen zu Einsätzen.

Auch hier liegt die Anzahl der KPIs zusammen mit etlichen Hilfs-KPIs im Bereich von einhundert. Pro Jahr sind mehr als einhunderttausend Wartungs- und Entstörungseinsätze auf hunderte von Mitarbeitern zu verteilen. Deep Qualicision wird hier als Zusatzfunktionalität eines zuschaltbaren maschinellen Lernverfahrens um eine bereits laufende PSIcommand-Lösung gelegt.