Prozesse und Daten als Schlüssel zum digitalen Wandel
Unternehmen, die von den Chancen der Digitalisierung profitieren wollen, müssen als Erstes ihre Prozesse in den Blick nehmen. Rupert Hierzer erklärt zeitgemäße Prozessoptimierung von Grund auf und zeigt dir, wie du die Datenflut in Prozessintelligenz verwandelst. Schritt für Schritt stellt er dir die Grundlagen der Dokumentation, Analyse und Veränderung von Geschäftsprozessen vor. Dabei nutzt er viele praktische Beispiele sowie bewährte und neue Tools, um dir die Umsetzung in die Praxis zu erleichtern. Hier liest du exklusiv einen Auszug aus dem neu hinzugefügten 9. Kapitel.
- Veränderungsbereitschaft für notwendige Prozessoptimierungen schaffen
- Prozessoptimierung in der Praxis: von der Datenflut zur Prozessintelligenz
- Von der Analyse zur Lösung: den richtigen Prozessoptimierungsansatz wählen
- Nachhaltigkeit messbar machen: Ergebnisse überwachen, Erfolge sichern
- Neu in der 3. Auflage: Alltagscheck KI – Hier erhältst du erstmals einen Einblick in das neu entstandene 9. Kapitel.
- Welche Technologien für den Einsatz in der Prozessoptimierung geeignet sind
- Herausforderungen und Risiken bei der Integration von KI
- Hybridintelligenz: Zusammenarbeit von KI und Mensch im Prozessmanagement
Rupert Hierzer
ist Gründer und Geschäftsführer der Unternehmensberatung Gemsensprung. In seiner Arbeit als Coach, Trainer und Managementberater schätzt er vor allem das notwendige Brückenbauen: eine Verbindung zwischen Altem und Neuem herzustellen, Veränderung zu initiieren und Menschen auf diesem Weg zu belgeiten.
9.2 Grundlagen: Einführung in die Künstliche Intelligenz
Es war einmal eine Zeit, in der die Vorstellung von Maschinen, die denken und handeln wie Menschen, nicht mehr als Science-Fiction war. Doch heute, im Zeitalter der Künstlichen Intelligenz, scheint dieser Traum greifbarer denn je. Weltweit investieren Unternehmen Milliarden in die Entwicklung und Implementierung von KI-Technologien, in der Hoffnung, ihre Prozesse zu optimieren und ihre Effizienz zu steigern. Doch wie viel von diesem Hype ist tatsächlich gerechtfertigt? Und wie anwendbar ist KI wirklich in der Prozessoptimierung?
Die Künstliche Intelligenz hat sich in den letzten Jahren rasant entwickelt und ist zu einem Aktivposten moderner Prozessoptimierung geworden. Von der Datenanalyse bis hin zur Automatisierung komplexer Aufgaben bietet KI zahlreiche Möglichkeiten, Geschäftsprozesse effizienter und effektiver zu gestalten.
Die Art und Weise, wie diese KI-Technologien und -Methoden arbeiten, ist sehr unterschiedlich und vielschichtig. Innerhalb dieses breitgefächerten Feldes gibt es spezifische Unterkategorien, die verschiedene Ansätze und Techniken zur Erreichung von Maschinenintelligenz verwenden. Zwei der wichtigsten Unterkategorien sind Maschinelles Lernen (ML) und Deep Learning (DL). Abbildung 97 illustriert die verschiedenen Kategorien Künstlicher Intelligenz und deren Zusammenspiel.
In diesem Zusammenhang ist es wichtig, zu betonen, dass nicht jede Form der Automatisierung auf Künstlicher Intelligenz basiert. Es existieren weiterhin regelbasierte Systeme, bei denen der Mensch im Vorfeld klare Anweisungen definiert. Ein Beispiel hierfür wäre: »Alle Servicetickets mit dem Betreff ›Rechnung‹ werden automatisch an das Accounting-Team weitergeleitet.« Solche Systeme sind vergleichsweise einfach zu implementieren, gut nachvollziehbar und äußerst stabil im Betrieb. Sie benötigen keine Trainingsdaten oder Modell-Feintuning, sondern sie tun einfach das, was man ihnen »beibringt«. Nicht jede Automatisierung muss intelligent sein, manchmal reicht es, wenn die Maschine einfach nur folgt, statt zu lernen.
Abb. 97: Übersicht der zentralen Kategorien Künstlicher Intelligenz[1]
Im Nachfolgenden sind nun die wichtigsten Kategorien Künstlicher Intelligenz kurz und einführend beschrieben.
9.2.1 Maschinelles Lernen: Der Motor der Prozessoptimierung
Stellen Sie sich eine Fabrik vor, in der täglich Tausende Produkte hergestellt werden. Die Maschinen laufen auf Hochtouren, jede Minute zählt. Hier kommt Maschinelles Lernen (Machine Learning, ML) ins Spiel.
Maschinelles Lernen ist eine Unterkategorie der KI, die sich auf die Entwicklung von Algorithmen und Modellen konzentriert, die aus Daten lernen und sich selbst verbessern können. Durch die Analyse großer Datenmengen können ML-Algorithmen Muster erkennen und Vorhersagen treffen, die zur Optimierung von Prozessen genutzt werden können.
ML nutzt ausgefeilte Algorithmen, um aus enormen Datenmengen zu lernen. Je größer die Datenmenge, auf die die Algorithmen zugreifen können, desto mehr lernen Sie und desto größer wird Ihr Wissen. Nur durch Fortschritte im Bereich des maschinellen Lernens kann sich eine KI selbst weiterentwickeln.
ML-Systeme sind leistungsorientiert. Ein ML-System wird anhand seiner Leistung und von der von ihm gelieferten Ergebnisse beurteilt. Beispiele für den Einsatz von ML-Systemen sind die personalisierten Produktempfehlungen bei Amazon, die Gesichtserkennung bei Facebook oder die Vorschläge für die schnellste Route bei Google Maps.
Ebenfalls ein bekanntes Beispiel für den Einsatz von ML ist die vorausschauende Wartung (Predictive Maintenance), bei der ML-Modelle den Zustand von Maschinen überwachen und potenzielle Ausfälle frühzeitig erkennen.
Aber auch ML ist nicht immer gleich ML. Drei grundsätzliche Algorithmen werden unterschieden:
- Überwachte Lernalgorithmen (supervised learning) lernen mit beschrifteten Daten (Labels). Bekannte Kategorien sind hierbei Klassifizierung (z. B. »Ist auf dem Bild ein Hund oder eine Katze zu sehen?«) und Regression (z. B. Verspätungsprognosen)
auf - Unüberwachte Lernalgorithmen (unsupervised learning) lernen aus unbeschrifteten Daten, indem der Algorithmus eigenständig Muster erkennt. Das geschieht zum Beispiel durch Clustering (ähnliche Objekte werden gruppiert) oder durch Dimensionsreduktion (wichtigste Einflussfaktoren werden identifiziert).
- Verstärkende Lernalgorithmen (reinforced learning) brauchen im Gegensatz zu den anderen beiden Lernmethoden kein Ausgangsdatenmaterial, um das lernende System zu trainieren. Das Wissen entsteht durch viele verschiedene Simulationsdurchläufe. Dabei werden Lösungen und Strategien auf Basis von erhaltenen Belohnungen generiert. Das verstärkende Lernen ist dem menschlichen Lernen am ähnlichsten.
Doch egal, welche Methode gewählt wird, der Einsatz von ML bringt Unternehmen zahlreiche Vorteile: Es beschleunigt und automatisiert nicht nur die Entscheidungsfindung und es steigert auch die Effizienz von Prozessen, weil die Prognosen exakter
werden und durch automatisierte Aufgaben Kosten gesenkt werden können.
9.2.2 Deep Learning: Die nächste Stufe der Automatisierung
Deep Learning ist eine fortgeschrittene Form des maschinellen Lernens, die neuronale Netzwerke[2] mit vielen Schichten (siehe Abbildung 98) verwendet, um komplexe Muster in Daten zu erkennen.
Abb. 98: Deep Learning – Illustration eines neuronalen Netzes
Diese Technologie hat insbesondere in Bereichen wie Bild- und Spracherkennung große Fortschritte gemacht. Deep-Learning-Modelle sind in der Lage, aus riesigen Datenmengen zu lernen und sehr präzise Vorhersagen zu treffen. [...]
[1] in Anlehnung an https://datasolut.com/was-ist-deep-learning/ (Zugriff: 21.04.2025)
[2] https://datasolut.com/was-ist-deep-learning/ (Zugriff: 21.04.2025)
Neugierig geworden?
Die dritte Auflage des Fachbuchs unseres Geschäftsführers Rupert Hierzer Prozessoptimierung 5.0 – Die KI-Revolution als Chance nutzen kann im Haufe-Shop oder bei Amazon bestellt werden.
