Qualitatives Labeln — KI justiert automatisch Entscheidungs- und Optimierungsalgorithmen

Qualitatives Labeln als KI-Methode verbindet Entscheidungs- und Optimierungsalgorithmen (EOA) mit maschinellem Lernen. Anhand von Geschäftsprozessdaten kann die eingesetzte Künstliche Intelligenz EOA-Verfahren automatisch selbst justieren. Von menschlichen Analysten (Data Scientists) gelabelte Daten werden damit nicht mehr benötigt, wie Dr. Rudolf Felix, Geschäftsführer der PSI FLS Fuzzy Logik & Neuro Systeme GmbH, in diesem Gastbeitrag erklärt.

Beim HANDELSBLATT KI SUMMIT im März 2019 in München treffen Sie C-Level Executives und fachliche Führung im Unternehmen:
VP/Director R&D, AI Lab, Business Development, Digital Solutions, Innovation sowie Start-ups und Ideengeber aus allen Branchen mit dem Ziel,
über Best Practices und Benchmarks voneinander zu lernen, sich zu inspirieren und neue Partner zu finden.

Qualitatives Labeln von Geschäftsprozessdaten für Maschinelles Lernen zur selbsttätigen Justage
von KI-Entscheidungs- und Optimierungsalgorithmen für eine neue Industrielle Intelligenz

Qualitatives Labeln als KI-Methode verbindet Entscheidungs- und Optimierungsalgorithmen mit maschinellem Lernen. Die zugehörige Software (Deep Qualicision) erlernt das Einstellen von Parametern von Entscheidungs- und Optimierungsalgorithmen (EOA) auf effiziente Weise, so dass nahezu beliebige EOA-Verfahren, die auf Geschäftsprozessdaten arbeiten, sich automatisch selbst justieren können. 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 zu labeln ist.
Direkt durch menschliche Analysten (Data Scientists) gelabelte Daten werden damit nicht benötigt. Die manuelle Zuordnung (manuelles Labeln), ob die vorliegenden Daten zu guten oder zu schlechten KPI-Ergebnissen im Prozess geführt haben, wird durch die Analyse von qualitativen Optimierungen automatisiert übernommen. Der bisherige Flaschenhals der Datenaufbereitung für KI-Verfahren wird zum hohen Anteil aufgehoben. Die qualitativ gelabelten Daten können direkt weiterverarbeitet werden und in der Deep Qualicision GUI basierend auf dem PSI Java Framework (PJF) visualisiert werden (siehe Abbildung 1).

KI Qualitatives Labeln
Deep Qualicision GUI basierend auf dem PSI Java Framework (PJF)

 

Das Qualitative Labeln schafft neue Perspektiven für die Anwendung von Deep Learning in Geschäftsprozessen. Es entstehen qualitativ gelabelte Situationsdaten, die durch kontinuierliche Fuzzy-Clusterung der sich laufend ändernden situativ dynamischen Prozesszustände automatisch generiert werden. Diese schließen die Lücke zwischen der Dynamik von Geschäftsprozessdaten und der Notwendigkeit des Vorliegens gelabelter Daten. Damit wird die Voraussetzung zum Einsatz von künstlichen neuronalen Netzen zur Optimierung von Geschäftsprozessen automatisiert geschaffen. Aus gelabelten Geschäftsprozessdaten und KI-Verfahren entsteht Industrielle Intelligenz, welche KI in die Geschäftsprozessoptimierung verankert.

Einfacher Einstieg in Deep Qualicision

Aus Kundenperspektive ist der Einstieg in ein solches Szenario der Industriellen Intelligenz 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:
– Bewertungen der Produktvarianz,
– die Gleichmäßigkeit des Ressourceneinsatzes oder
– die Streuung der Auftragsstruktur über die Produktvarianz,
– Prozessstabilität,
– Kennzahlen der Ergonomie und der Mitarbeiterzufriedenheit sowie
– die Einbeziehung von Fertigungsplanzeiten und
– die Entwicklung der genannten KPIs über die Zeit

auch im Sinne der Nutzbarkeit von historisierten Geschäftsprozessdaten.

Rohe Geschäftsprozessdaten und KPI-Festlegungen als Eingabe

Sind die KPIs einmal beschrieben und liegen die Rohdaten des Geschäftsprozesses vor, kann die Software durch die Anwendung von Entscheidungs- und Optimierungsalgorithmen und einer speziellen Fuzzy-Zielkonfliktanalyse zwischen positiven und negativen Effekten der Zielkonflikt-Balancierung
– die Geschäftsprozessdaten labeln,
– die Abläufe optimieren und
– die gelernten Labels zum maschinellen Lernen der positiven und negativen Gesetzmäßigkeiten des
jeweiligen Geschäftsprozesses nutzen.

Das Gelernte dann in einem neuronalen Netz abzuspeichern, ist unter Nutzung des automatisierten Labelns direkt möglich. Der Vorteil ist dabei, dass der Vorgang des Labelns selbsttätig durch die Entscheidungs- und Optimierungslogik gesteuert abläuft und im Wesentlichen bis auf die Definition der KPIs keinen zusätzlichen manuellen Aufwand erzeugt.

Zwei Beispiele aus der Praxis zur bereits im Einsatz befindlichen Industriellen Intelligenz durch die Deep Qualicision-KI:

Praxisbeispiel 1: Sequenzierung in der Automobilproduktion

Eine der ersten Kundenanwendungen, bei der das Verfahren in seinen Grundzügen zum Einsatz kommt, ist die Optimierung von Produktionssequenzen in der Automobilproduktion basierend auf den sogenannten Planzeiten. Die hier festgelegten KPIs leiten sich aus den Arbeitszeiten von Tätigkeiten und Abläufen in jeder der Arbeitsstationen entlang einer Montagelinie ab. Die zu produzierenden Fahrzeuge sind so in Sequenz zu stellen, dass keine der Arbeitszeiten-KPIs ihre Kapazitätsobergrenzen überschreitet. Kann eine Überschreitung punktuell nicht vermieden werden, so muss unmittelbar im Anschluss eine Arbeitszeitentlastung sichergestellt werden, indem in der Sequenz auf Fahrzeuge mit komplexen Tätigkeiten Fahrzeuge mit weniger komplexen Arbeitsinhalten folgen.

Praxisbeispiel 2: Instandhaltungsmanagement bei Netzbetreibern

Ein weiterer Anwendungsfall ist der Einsatz von Deep Qualicision zum Lernen der Einstellparameter der Field-/Workforce-Optimierung bei der Wartung und Entstörung von Stromnetzen. Die hier zugrundeliegenden 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 ein zur Qualicision-Optimierung zuschaltbares maschinelles Lernverfahren eingesetzt und ist Bestandteil der Gesamtlösung PSIcommand.

Fazit

– Industrielle Prozesse zeichnen sich durch eine besondere Dynamik der geschäftsprozessbezogenen Inputdaten und durch variable Prozessregeln aus, die ein konsistentes selbsttätiges algorithmisches Labeln erforderlich machen, damit die Daten von KI-Verfahren genutzt werden können.
– Maschinelle Lernverfahren benötigen konsistent gelabelte Geschäftsprozessdaten, um verlässliche Trainingsdaten für verlässliche Ergebnisse zu liefern und KI-Verfahren für eine Industrielle Intelligenz in realen Geschäftsprozessen zu verankern.
– Der Deep Qualicision-Labeling- und Lernprozess ist dabei unabhängig von dem zugrundeliegenden Geschäftsprozess, wobei der direkte Prozessbezug durch KPIs des Geschäftsprozesses hergestellt wird und sowohl auf historisierten als auch auf aktuellen Geschäftsprozessdaten aufbaut.
– Produktiv im Einsatz befindliche KI-Lösungen der Industriellen Intelligenz für Anwendungen in den Bereichen der Sequenzierung und des Scheduling in Produktionsprozessen und des Field-/Workforce-Managements belegen die Praxisrelevanz des Vorgehens.
– Dabei schafft das Qualitative Labeln neue Perspektiven für die Anwendung von maschinellen Lernverfahren und KI-Algorithmen basierend auf Geschäftsprozessdaten, ohne dass vorab eine sehr aufwändige explizite manuelle Datenaufbereitung erforderlich ist.
– Es entstehen KI-Anwendungen der Industriellen Intelligenz, die die Steuerung industrieller Geschäftsprozesse optimieren.

 

Autor

Rudolf Felix Qualitatives LabelnDr. Rudolf Felix,
Geschäftsführer PSI FLS Fuzzy Logik & Neuro Systeme GmbH