Maschinelles und menschliches Lernen
Bewährt ist dieses System auch bei Unternehmen mit geringerem Automatisierungsgrad. Bei solchen Anwendungen greift die Software auf eine manuell steuerbare Vorstufe der Lernlogik zurück. Hierfür werden Kennzahlen (KPIs) für die Abweichungen bestimmt, etwa Dringlichkeit, Wichtigkeit, Kompaktheit und Anzahl der einzulastenden Aufträge oder Arbeitsgänge. Via modifizierbaren Labeling-Funktionen lassen sich die Kennzahlen über die graphische Benutzeroberfläche manuell bewerten. Anschließend ordnet die Software die Produktionspläne (Sequenzen oder andere Ablaufpläne). Gegebenenfalls werden Empfehlungen ausgegeben, die den Anwenderinnen und Anwendern helfen, passende Einstellungen zu finden. Weil hierfür ausschließlich Prozesswissen erforderlich ist, können sie mit der Software arbeiten, ohne über spezifische KI-Kenntnisse verfügen zu müssen.
Abläufe und Sequenzen kontinuierlich verbessern
Immer wieder kommt es im Produktionsalltag zu Plan-Ist-Abweichungen, die sowohl auf Prozessstörungen durch externe als auch durch interne Einflussfaktoren zurückzuführen sind. Insbesondere bei komplexeren Produktionsszenarien können Ursachen auch in der Planung selbst liegen und ungewollt Abläufe stören. Durch den Einsatz von KI-basiertem Sequencing und Scheduling lassen sich derart verursachte Störungen vermeiden. Hierfür spürt die Software nicht nur Anomalien auf, sondern übernimmt die erlernten Zusammenhänge der Zielkonfliktanalyse auch automatisch in die Folgezielsetzungen des Optimierungsalgorithmus. n
Lernende KI-Verfahren für die Optimierung von Geschäftsprozessen und echtzeitfähige Entscheidungsunterstützung benötigen in der Regel automatisiert aufbereitete Daten. Ihnen muss also bereits vor dem Lernvorgang eine Bedeutung zugeordnet werden. Denn anders als bei der Spracherkennung entstehen hier kontinuierlich neue Datenmuster, die nachgelernt werden müssen. Dies kann nur per Software und automatisch erfolgen. Das Qualitative Labeling ist ein solches Verfahren. Damit lassen sich in historisierten und aktuellen Daten automatisch mittels Zielkonfliktanalyse Zusammenhänge erkennen – in Form von selbstberechneten Klassen von Datenmustern, die Anwenderinnen und Anwendern zur Bestätigung oder zur Korrektur präsentiert werden. Qualitativ gelabelte Daten schlagen folglich eine Brücke zwischen Datenmustern in den Rohdaten und ihrer Bedeutung in der realen Welt.