Process Mining. Chancen und Risiken von künstlicher Intelligenz in der Wirtschaft

Bachelor Thesis , 2021 , 65 Pages , Grade: 1,7

Computer Science - Commercial Information Technology

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

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

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 Playln- Prozesserkennung
3.3.2 Play Out - Prozesserkennung
3.3.3 Qualitätskriterien der Prozessmodelle
3.3.4 a-Algorithmus zurProzesserkennung
3.4 Konformitätsprüfung zwischen Modell und Datensätzen
3.5. Data-Mining in den Datensätzen
3.5.1 Überwachtes Lemen
3.5.2 Unüberwachtes Lemen
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

Abbildungsverzeichnis

Abbildung 1: Bestandteile der künstlichen Intelligenz

Abbildung 2: Positionierung von Process Mining

Abbildung 3: Zusammenhänge und Arten von Process Mining

Abbildung 4: Hauptbestandteile eines Event Logs

Abbildung 5: Möglichkeiten, ein Ereignisprotokoll und ein Prozessmodell in Beziehung zu setzen

Abbildung 6: Vier Qualitätskriterien für die Prozesserkennung

Abbildung 7: Ereignisprotokoll LI als Modell und Matrix der Footprints

Abbildung 8: Typische Muster und ihre Footprints, welche sie in einem Ereignisprotokoll hinterlassen

Abbildung 9: Die Konformitätsprüfungsarten

Abbildung 10: Prozess für das Erreichen eines vollständig integrierten Modells, das die organisatorische, zeitliche und die fallbezogene Perspektive abdeckt

Abbildung 11: Drei Process Mining-Aktivitäten der operativen Unterstützung

Abbildung 12: OperativeUnterstützungstätigkeit: Erkennen

Abbildung 13: OperativeUnterstützungstätigkeit: Vorhersagen

Abbildung 14: Kontextebenen, die für die operative Unterstützung von Bedeutung sind

Abbildung 15: Generiertes Dashboard des ProPlanE Projektes

Tabellenverzeichnis

Tabelle 1: Mögliches Ereignisprotokoll

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1 Künstliche Intelligenz und Process Mining - Steigende Bedeutung durch Big Data

“Data is the new oil. It's 'valuable, but ifunrefined it can­not really be used.” [7]

Clive Humby (2006)

Das Potential und die Problematik rund um die Entwicklung von Big Data wurden durch den Mathematiker Clive Humby schon in den 2000er aufgestellt.^{1 2} Seitdem befinden wir uns in einer digitalen Wirtschaft, in welcher Daten wertvoller sind dennje. 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.³ 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.⁴

Die Analyse dieser Arbeit erfolgt unter Berücksichtigung der Risiken und Herausforde­rungen von Process Mining. Um das möglichst verständlich zu gestalten, soll im ersten Schritt ein grober Überblick über die künstliche Intelligenz geliefert werden. Hierzu soll anschließend die aktuelle Lage aufgezeigt sowie der Spezialfall „Process Mining“ näher vorgestellt werden. Auf Basis des groben Überblicks über die KI soll nachfolgend der grundsätzliche Ablauf des Process Mining untersucht werden, der zugleich den Schwer­punkt dieser Arbeit darstellt. Hier soll zu Beginn das Process Mining im wissenschaftli­chen Feld positioniert und grundsätzliche Begriffe definiert werden, die im Verlauf der Arbeit vorzufinden sind. Anschließend wird auf die Quellen der Datensätze eingegangen, die zugleich den Ausgangspunkt für die in der Arbeit beschriebenen Arten der Prozess­erkennung darstellen. Im darauffolgenden Kapitel soll auf die Konformitätsprüfung Be­zug genommen werden, die einen Abgleich zwischen den erzeugten Prozesserkennungsmodellen und der Datenquelle durchführt. Darauffolgend soll das „Data-Mining“, hier insbesondere das überwachte und unüberwachte Lernen, beschrie­ben werden, das als Grundlage für die Prozesserweiterung der zuvor erzeugten Modelle und Datensätze gilt. Nach der Vorstellung des grundsätzlichen Ablaufs von Process Mi­ning soll dieses anhand eines Beispiels aus einer Fertigung nochmals aus der praktischen Sicht vorgestellt werden. Abschließend erfolgt eine kritische Würdigung des Process Mi­nings sowie der Bachelorarbeit im Allgemeinen. Ferner werden im Schlussteil die Gren­zen dieser Bachelorarbeit sowie mögliche Stärken & Schwächen, aber auch Chancen und Herausforderungen konkret beschrieben. Des Weiteren erfolgt eine Zusammenfassung der Ergebnisse mit abschließendem Ausblick über die mögliche Entwicklung von Process Mining.

2 Überblick

In diesem Kapitel sollen relevante Grundlagen zum besseren Verständnis dieser Arbeit näher erläutert werden. Zuerst werden grundlegende Informationen zur künstlichen Intel­ligenz geliefert, so zum Beispiel die Eingliederung oder die verschiedenen Arten der künstlichen Intelligenz. Daran anknüpfend wird aufgezeigt, wie weit fortgeschritten das Thema künstliche Intelligenz in Industrieunternehmen eingesetzt, insbesondere der Spe­zialfall Process Mining. Um das Thema, auf dem diese Entwicklung basiert, fair zu be­handeln, muss zunächst der zentrale Begriff definiert und die theoretischen Aspekte von Process Mining behandelt werden.

2.1 Künstliche Intelligenz

Ein Teilgebiet der Informatik stellt die künstliche Intelligenz dar, die sich mit der Auto­matisierung von intelligentem Verhalten beschäftigt. Künstliche Intelligenz ist ein inter­disziplinarisches Gebiet der Mathematik, Informatik und Logik. Auch Teilbereiche der Neurowissenschaften, Psychologie, Linguistik und Philosophie spielen hier eine Rolle. Die künstliche Intelligenz „KI“ wird im Englischen auch als „Artificial Intelligence“ be­zeichnet.⁵ Doch hier beginnt schon das Problem, da für KI eine Vielzahl von Definitionen existieren. Die Problematik dahinter ist, dass sich das Gebiet der künstlichen Intelligenz sehr breit fächern sowie sich der Begriff „Intelligenz“ äußerst schwer definieren lässt.⁶ Im Jahre 1983 stellte der Informatiker Elaine Rich eine mögliche Definition für KI auf:

„Künstliche Intelligenz ist die Forschung, wie man Computer dazu bringt, Dinge zu tun, in de-
nen die Menschen im Moment noch besser sind.“⁷

Laut Aussage von Elaine Rich lässt sichjede Automatisierung, die zuvor vom Menschen durchgeführt worden ist, als künstliche Intelligenz bezeichnen. Gemäß dieser Definition ist das Themengebiet der KI stetig wachsend und unterliegt keinen Grenzen.⁸ Ersichtlich ist, dass die künstliche Intelligenz mithilfe von „intelligentem“ Verhalten Probleme lösen soll. Alternativ soll die KI spezielle Systeme aufbauen, die den Entwicklern bzw. Men­schen selbständige Lösungen liefern.⁹

Im Allgemeinen lässt sich die KI in starke und schwache künstliche Intelligenz unter­scheiden. Die schwache KI, oder auch als „weak“ oder „narrow“ Artificial Intelligence bezeichnet, befasst sich damit, einzelne fachgebundene Probleme intelligent zu lösen.¹⁰ Derzeitige Problemstellungen und Anwendungsfälle werden ausschließlich von der schwachen KI gelöst. Aus der schwachen KI lassen sich schon signifikante Mehrwerte erschließen. Sie variiert nicht in der Herangehensweise für die Lösung des Problems. Sie ist spezialisiert für die Lösung eines konkreten Anwendungsproblems. Anwendungsfel­der von schwacher künstlicher Intelligenz sind im alltäglichen Leben bereitsjetzt vorzu­finden, wie beispielsweise die Zeichen- bzw. Texterkennung, Bilderkennung, Spracher­kennung oder in Navigationssystemen. Wohingegen sich die starke KI mit vorab nicht definierten Problemen bzw. Aufgaben beschäftigt.¹¹ Bisher ist diese Art der künstlichen Intelligenz allerdings noch nicht entwickelt. Forscher behaupten, dass ein solches System in den nächsten 20 bis 40 Jahren existieren wird. Die Kriterien für eine starke KI sind jedoch schon heute definiert worden. Diese sind:

- Planungs- und Lernfähigkeit
- Möglichkeit, unter Unsicherheit entscheiden zu können
- Kommunikationsfähigkeit in natürlicher Sprache
- Möglichkeit, all diese Fähigkeiten für das Erreichen eines übergeordneten Ziels zu kombinieren¹²

Das würde bedeuten, dass es sich bei einer Unterhaltung nicht mehr unterscheiden lässt, ob es nun ein Mensch oder eine künstliche Maschine ist. Diese würde dann den berühm­ten Turing Test bestehen.¹³ Der Turing Test wurde von dem Mathematiker/ Informatiker Alan Turing entwickelt und nach ihm bezeichnet. Bei diesem Test stellt sich ein Mensch über ein Terminal vordefinierter Fragen, unwissend ob sie von einer künstlichen Intelli­genz oder einem Menschen gestellt werden. Der Fragenstellende muss nach Erhalt der Antworten selbst entscheiden, ob es sich hier um eine maschinelle oder eine menschliche Antwort handelt. Können keine Unterscheidungen ersichtlich gemacht werden, ist die Maschine laut Turing „Intelligent“. Die Absicht des Turing Tests ist es zu identifizieren, wann eine Maschine eine gleichwertige Intelligenz zum Menschen simulieren kann.

Dieser Test konnte bisjetzt von keiner Maschine bestanden werden. Somit ist, wie bereits erwähnt, noch keine starke künstliche Intelligenz nach dem Turing Test bekannt.¹⁴ Wich­tig ist noch zu erwähnen, dass die Maschine dabei nicht so denkt oder fühlt wie ein Mensch, sondern sie schafft es nur, anderen Menschen vorzutäuschen, sie wäre ein Mensch. Somit ist es fraglich, ob überhaupt eine starke künstliche Intelligenz entwickelt werden kann.¹⁵

Um ein besseres Verständnis zu den Inhalten und Bestandteilen der künstlichen Intelli­genz zu schaffen, empfiehlt es sich die nachfolgende Abbildung zu analysieren.^{16 17}

Abbildung in dieser Leseprobe nicht enthalten

Wie in Abbildung 1 ersichtlich, ist das maschinelle Lernen ein Oberbegriff der künstli­chen Intelligenz und das tiefe Lernen ein Teilgebiet des maschinellen Lernens. Das Tiefe Lernen oder auch mehrschichtige Lernen wird im Englischen als „Deep Learning“ be­zeichnet.

Ein äußerst wichtiger Bestandteil von KI ist das maschinelle Lernen, welches für das Data-Mining, das im Verlauf der Arbeit näher vorgestellt werden soll, diverse Verfahren und Aspekte nutzt. Vor allem dieses Gebiet der KI hat im Verlauf seiner Zeit einen star­ken Praxisbezug in der Industrie, Wirtschaft und im privaten Bereich gefunden.¹⁸ Das Grundprinzip des maschinellen Lernens ist es, dass ein künstliches System in Form eines Computerprogramms generiert wird. Dieses Programm lernt aus gewissen Trainingsbei­spielen und kann dieses Wissen auf neue Problemstellungen anwenden.¹⁹ Es lässt sich dabei in drei Lernprozesse eingliedern, die nachfolgend näher beschrieben werden sollen, wohingegen das Process Mining im Speziellen auf das überwachte und unüberwachte Lernen zurückgreift, um Mehrwerte aus Ereignisdaten zu erschließen.

1. Überwachtes Lernen

Das am meisten untersuchte, angewandte und einfachste Lemmodell ist das über­wachte Lernen.²⁰ Diese Art von maschinellem Lernen beschäftigt sich mit dem Trai­nieren von Stellwerten eines Algorithmus. Die Datensätze beinhalten Labels mit rich­tigen Ergebnissen, die vom Algorithmus berechnet werden. Falls Abweichungen und Fehler zu dem gesuchten Label gefunden werden, wird der Algorithmus angepasst, um die Abweichung zu minimieren. Die daraus erlernten Muster bzw. Erkenntnisse kön­nen dann wiederum auf neue unbekannte Datensätze angewandt werden. Dabei müs­sen die Input-Daten bzw. Output-Variablen von Menschen gelabelt werden. Der Al­gorithmus trainiert die Eingangsdaten und erkennt den Zusammenhang zwischen der Ausgangsgröße und den Eingangsdaten.²¹ Beispiele hierfür sind unter anderem die Spracherkennung, Gesichtserkennung oder auch Trading Bots, die aus historischen Marktdaten zukünftige Marktdaten versuchen hervorzusagen.²²

2. Unüberwachtes Lernen

Bei dieser Art von maschinellem Lernen besitzt der Algorithmus keine klaren Vorga­ben/ Zielwerte. Das Ziel des unüberwachten Lernens ist es, Schlussfolgerungen von Muster, Zusammenhängen und Strukturen aus den Datensätzen heraus zu extrahieren, die dem Anwender im Vorfeld meist nicht bekannt sind.²³ Der Algorithmus erhält hier im Vergleich zum überwachten Lernen ungelabelte Daten. In diesen Daten soll der Algorithmus Strukturen erkennen und diese nun eigenständig in Gruppen nach Merkmalen, Muster und Zusammenhängen aufteilen. Dabei lassen sich die Algorith­men des unüberwachten Lernens in zwei verschiedene Kategorien unterteilen:

- Clustering: Die Algorithmen befassen sich dabei mit der integralen Gruppierung von Daten. Ein Beispiel für das Clustering könnte sein: Kunden anhand von ih­rem Kaufverhalten einzugruppieren.²⁴
- Association: Die Algorithmen befassen sich damit, bestimmte Assoziationen zwischen Produkten zu erkennen. Die Ergebnisse dieser Analyse erfolgen übli­cherweise als Regeln, wie z. B.: Wer Produkt A kauft, kauft auch Produkt B.²⁵

[...]

---

¹ James 2019

² Vgl. Bhageshpur 2019

³ Vgl. Van der Aalst 2016, S. 3

⁴ Vgl. Czamaecki et al. 2018, S. 225-226

⁵ Vgl. Döm2018, S. 13-14

⁶ Vgl.Jaekel 2017,S.21-22

⁷ Sylopp 2020

⁸ Sylopp 2020

⁹ Vgl. Kreutzer/Sirrenberg 2019,S.3

¹⁰ Vgl. Buxmann/Schmidt 2019, S. 6

¹¹ Vgl. Döm2018, S. 20

¹² Vgl. Paaß/Hecker2020, S. 418-419

¹³ Vgl. Markenamt 2021

¹⁴ Vgl.Jaekel 2017,S.264

¹⁵ Vgl.Moeser 2018

¹⁶ Vgl. Paaß/Hecker 2020, S. 8

¹⁷ Paaß/Hecker 2020, S. 8

¹⁸ Vgl. Görz/Schneeberger/Schmid 2014, S. 405

¹⁹ Vgl. Döm2018, S. 16

²⁰ Vgl. Weber 2020, S. 40-42

²¹ Vgl. Kreutzer/Sirrenberg 2019,S.7

²² Vgl. Buxmann/Schmidt 2019, S. 13

²³ Vgl. Kreutzer/Sirrenberg 2019,S.7

²⁴ Vgl.Weber2020,S.42

²⁵ Vgl. Weber2020, S. 50-51

• Grade: 1,7
• Author: Michael Bovan (Author)
• Publication Year: 2021
• Pages: 65
• Catalog Number: V1176113
• ISBN (PDF): 9783346593313
• ISBN (Book): 9783346593320
• Language: German
• Tags: Künstliche Intelligenz, Process Mining, Data Mining, Big Data, Digitalisierung, Wirtschaft, KI, Prozesserkennung, Datenanalyse, Prozessoptimierung, überwachtes Lernen, unüberwachtes Lernen