Diese Arbeit untersucht die Chancen und Risiken von künstlicher Intelligenz in der Ökonomie. Die Analyse erfolgt unter besonderer Berücksichtigung des Process Mining. Das Potential und die Problematik rund um die Entwicklung von Big Data wurden durch den Mathematiker Clive Humby schon in den 2000ern aufgestellt. Seitdem befinden wir uns in einer digitalen Wirtschaft, in welcher Daten wertvoller sind denn je. Die Vorteile können jedoch nur dann realisiert werden, wenn Daten strategisch erfasst und verwaltet werden.
Process Mining verwendet Techniken, um aus Daten Mehrwerte zu erzielen, wie zum Beispiel Prozesse mit Hilfe von Prozessablaufdaten zu entdecken, Engpässe zu analysieren, Prozessvarianten zu vergleichen und Verbesserungen vorzuschlagen. Aufgrund der zunehmenden Vernetzung von Informationssystemkomponenten wird die massive Ansammlung von Daten meist als Begriff "Big Data" bezeichnet. Die Nutzung dieser Daten eröffnet neue Potentiale zur Planung, Steuerung und Gestaltung von Prozessen sowie zu unternehmensübergreifenden Wertschöpfungsnetzwerken zur Entwicklung neuer Produkte und Geschäftsmodelle.
Inhaltsverzeichnis
1 Künstliche Intelligenz und Process Mining – Steigende Bedeutung durch Big Data
2 Überblick
2.1 Künstliche Intelligenz
2.2 Aktuelle Lage
2.3 Spezialfall Process Mining
3 Process Mining – Grundsätzlicher Ablauf
3.1 Positionierung von Process Mining
3.2 Quellen der Datensätze
3.3 Prozesserkennung
3.3.1 Play In – Prozesserkennung
3.3.2 Play Out – Prozesserkennung
3.3.3 Qualitätskriterien der Prozessmodelle
3.3.4 α-Algorithmus zur Prozesserkennung
3.4 Konformitätsprüfung zwischen Modell und Datensätzen
3.5. Data-Mining in den Datensätzen
3.5.1 Überwachtes Lernen
3.5.2 Unüberwachtes Lernen
3.6 Perspektiven des Prozessmodells
3.6.1 Erweiterung/Reparatur
3.6.2 Operative Unterstützung
4 Process Mining – Praktische Darstellung am Beispiel einer Fertigung
5 Kritische Würdigung
6 Zusammenfassung und kurzer Ausblick
Zielsetzung und Themen
Die vorliegende Bachelorarbeit untersucht das Potenzial und die Herausforderungen von Process Mining als Bindeglied zwischen Data Science und betriebswirtschaftlicher Prozessoptimierung, um in einer zunehmend digitalisierten Wirtschaft wertvolle Erkenntnisse aus großen Datenmengen zu gewinnen und Geschäftsprozesse effizienter zu steuern.
- Grundlagen der Künstlichen Intelligenz und deren Relevanz für moderne Unternehmen.
- Einführung in das Process Mining sowie dessen Abgrenzung und Einordnung im Bereich Process Science.
- Detaillierte Analyse technischer Abläufe wie Prozesserkennung, Konformitätsprüfung und Data-Mining.
- Praktische Anwendungsbeispiele zur Prozessoptimierung in der Fertigungsindustrie.
Auszug aus dem Buch
3.3.4 α-Algorithmus zur Prozesserkennung
Die Prozesserkennung ist eine äußerst beschwerliche und komplexe Herausforderung. Modelle lassen sich konventionell händisch zeichnen oder mithilfe von speziellen Process Mining-Algorithmen extrahieren. Hierbei wird dem Algorithmus ein Ereignisprotokoll gestellt, das schon nach den Schwierigkeiten „Noise“ und „Incompleteness“ gefiltert worden ist.
In der Datenanalyse kommen Algorithmen zum Einsatz, die zugleich von großer Bedeutung für das Process Mining, im Speziellen für die Prozesserkennung, sind. Die Algorithmen lösen zuverlässig mathematische Probleme, wenn sie dafür einen „Input“ erhalten. Grundsätzlich lässt sich sagen, je komplexer und größer die Input-Daten sind, desto komplexer sind auch die Algorithmen, die dafür nötig sind, um diese zu lösen. Mit der Zeit wurden viele unterschiedliche Prozesserkennungsalgorithmen entwickelt. Diese lassen sich in den unterschiedlichsten Process Mining-Softwares finden, so z. B. ProM oder Disco, unabhängig davon ob die Beziehung als Play-In oder als Play-Out gewertet wird. Die ProM-Software bietet dem Benutzer eine Vielzahl verschiedenster Techniken zur Auswahl an, wie beispielsweise heuristische, induktive und genetische. Das Ergebnis eines Modells hängt stark vom Algorithmus ab. Somit existieren auch für die unterschiedlichsten Anforderungen unterschiedlichste Algorithmen.
Für ein besseres Verständnis über die komplexe Prozesserkennung wird symbolisch der α-Algorithmus erläutert.
Der α-Algorithmus ist ein Algorithmus zur Prozesserkennung und zugleich einer der ersten Algorithmen, der Parallelitäten im Prozess erkennen konnte. Ziel von diesem Algorithmus ist es, aus Ereignisprotokollen ein Modell zu generieren, das Schleifen, parallele Pfade und Auswahlmöglichkeiten korrekt erkennt und wiedergibt. In der Modellierungssprache BPMN werden diese als OR-/ XOR-Splits Gateways und Joins bezeichnet. Das erzeugte Modell kann in den verschiedensten Notationen repräsentiert werden. Allerdings wird dieses standardmäßig als Petri-Netz dargestellt. Dieser Algorithmus ist äußerst einfach und kurz, mit nur 13 Zeilen. Demgegenüber hat dieser Schwierigkeiten mit „Noise“ und seltenem oder unvollständigem Verhalten und kann dies nicht widerspiegeln.
Zusammenfassung der Kapitel
1 Künstliche Intelligenz und Process Mining – Steigende Bedeutung durch Big Data: Dieses Kapitel legt den Grundstein, indem es die wachsende Bedeutung von Daten in einer digitalen Wirtschaft beleuchtet und die Relevanz von Process Mining für die Prozessoptimierung hervorhebt.
2 Überblick: Hier werden theoretische Grundlagen der Künstlichen Intelligenz sowie deren aktueller Stand und Anwendungsfelder in der Wirtschaft detailliert beschrieben.
3 Process Mining – Grundsätzlicher Ablauf: Dieser umfangreiche Abschnitt erläutert die methodischen Aspekte des Process Mining, inklusive der Datenquellen, der Prozesserkennung und spezifischer Algorithmen.
4 Process Mining – Praktische Darstellung am Beispiel einer Fertigung: Das Kapitel veranschaulicht den Einsatz von Process Mining anhand eines realen Forschungsprojekts zur Optimierung von Produktionsabläufen.
5 Kritische Würdigung: Hier werden die Herausforderungen, Grenzen und zukünftigen Anforderungen an die Disziplin des Process Mining kritisch reflektiert.
6 Zusammenfassung und kurzer Ausblick: Das Fazit fasst die wesentlichen Erkenntnisse der Arbeit zusammen und wirft einen Blick auf die zukünftige technologische Entwicklung.
Schlüsselwörter
Process Mining, Künstliche Intelligenz, Data Science, Prozesserkennung, Ereignisprotokoll, Prozessoptimierung, Business Process Intelligence, Algorithmen, Konformitätsprüfung, Datenanalyse, Prozessmodell, Industrie 4.0, Big Data, Workflow-Management, Automatisierung.
Häufig gestellte Fragen
Worum geht es in dieser Bachelorarbeit grundsätzlich?
Die Arbeit befasst sich mit den Möglichkeiten und Risiken des Einsatzes von Künstlicher Intelligenz in der modernen Wirtschaft, mit besonderem Fokus auf der Methodik des Process Mining zur Prozessanalyse und -optimierung.
Welche zentralen Themenfelder werden behandelt?
Die zentralen Felder umfassen die Einordnung von Process Mining in den Bereich Data Science, die technische Analyse von Ereignisprotokollen, Algorithmen zur Prozessmodellierung sowie die operative Unterstützung betrieblicher Abläufe.
Was ist das primäre Ziel oder die Forschungsfrage?
Das primäre Ziel ist es, den Nutzen und die Vorteile von Process Mining für Unternehmen aufzuzeigen und zu analysieren, wie durch fundierte Datenanalyse konkrete Prozessverbesserungen realisiert werden können.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer fundierten Literaturrecherche und der Analyse von Prozessmodellierungstechniken (wie dem α-Algorithmus) sowie deren Anwendung in einem praxisnahen Fertigungsszenario (Fallbeispiel).
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Fundierung von KI und Process Mining, die detaillierte Darstellung technischer Verfahren wie der Prozesserkennung sowie die Anwendung auf reale Produktionsdaten.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird durch Begriffe wie Process Mining, Künstliche Intelligenz, Prozesserkennung, Ereignisprotokoll und Datenanalyse maßgeblich charakterisiert.
Welche Rolle spielt das "Ereignisprotokoll" (Event Log)?
Das Ereignisprotokoll dient als essenzielle Datengrundlage, ohne die Process Mining nicht möglich wäre. Es enthält die notwendigen Informationen wie Case ID, Zeitstempel und Aktivitäten, um reale Prozesse abzubilden.
Warum ist die Konformitätsprüfung für Unternehmen relevant?
Sie ermöglicht es, Abweichungen zwischen dem theoretisch modellierten Idealprozess und der tatsächlichen Durchführung in der Praxis zu identifizieren, was die Basis für gezielte Managemententscheidungen bildet.
- Quote paper
- Michael Bovan (Author), 2021, Process Mining. Chancen und Risiken von künstlicher Intelligenz in der Wirtschaft, Munich, GRIN Verlag, https://www.grin.com/document/1176113
