banner

Intelligent Automation: Grundlagen, Anwendungsfälle und Potential

Vor kurzem hat uns ein Bekannter von einem Gespräch mit seiner kleinen Tochter, nennen wir sie Anna, erzählt. Sie war gerade aus der Schule gekommen und von der unmöglichen Menge an Hausaufgaben genervt. Da kam in ihr der Wunsch auf, einen Roboter zu besitzen, der ihre Hausaufgaben machen könnte. „Aber der muss so schlau sein, dass er die Aufgaben allein versteht, sonst ist das ihm Erklären ja mehr Arbeit als es einfach selbst zu tun.“ Auf den Einwand des Bekannten, dass es so einen Roboter seines Wissens noch nicht gebe, dachte sie kurz nach und fragte: „Wann wird der erfunden werden? Bald?“

Nun, liebe Anna, leider haben wir so einen schlauen Roboter auch noch nicht erfunden, und wann dir dein Papi so einen im Laden kaufen kann, ist auch für die gut informierten Onkel von den Netscrapers schwer abzuschätzen. Aber mit ihrem Gedankengang hat die kleine Anna einen Themenbereich angeschnitten, dem auch wir heute, und im Laufe dieser dreiteiligen Serie in den folgenden Artikeln, nähere Aufmerksamkeit schenken werden: Hyperautomation oder auch Intelligent Automation und ihre Anwendungsfälle, Umsetzungen und Perspektiven.

 

Automatisierung, aber intelligent

Dass die Künstliche Intelligenz gekommen ist um zu bleiben, ist inzwischen unumstößlicher Fakt. Die KI und all ihre Spielarten sind zweifelsohne einer der Haupttreiber hinter der Industriellen Revolution 4.0. Doch ist diese Aussage, zumindest für uns, ein wenig zu breit gefächert. Die Einsatzzwecke der KI sind vielfältig und spezifisch, einige davon bis dato nur theoretisch möglich, doch ein Hauptanwendungszweck, dem wir uns nun, und auch in den folgenden beiden Artikeln, intensiv widmen werden, ist zweifelsohne die Hyperautomation oder eben Intelligent Automation. Nicht erst seitdem sie Platz eins auf der Gartner Top Tech Trend Liste 2020 für sich beanspruchen konnte, ist die intelligente Automatisierung von Prozessen mittels künstlicher Intelligenz in aller Munde. Doch was genau beinhaltet sie überhaupt?

Das nicht. … noch nicht.

Die kürzeste Definition, auf die wir ein so komplexes Konzept herunterbrechen können: Im Gegensatz zur Automatisierung von analogen/mechanischen/grundsätzlich stets gleich ablaufenden Prozessen und Vorgängen, wie sie dank des Einsatzes von diversen Robotern und dazugehörigen Softwares in der fertigenden Industrie bereits seit Jahrzehnten erfolgreich eingesetzt wird, bezieht sich die Intelligent Automation auf Tätigkeiten, die von sog. Wissensarbeitern durchgeführt werden. Wissensarbeiter sind diejenigen Arbeiter, die nicht für ihre körperliche Arbeit und manuellen Fähigkeiten entlohnt werden, sondern für das Erledigen von Aufgaben ihr Wissen einsetzen bzw. an dessen Entwicklung und Umsetzung arbeiten. Also jeder, der in der Planung, Analyse, Organisation, Programmierung und generellen Nutzung und Verarbeitung von Informationen tätig ist wie z.B. Ärzte, Juristen und Mitarbeiter in der Verwaltung. (Ob die kleine Anna aus der Einleitung auch schon zu den Wissensarbeitern zählt, müsste an anderer Stelle eingehend diskutiert werden.)

Doch wie soll man nun solche Arbeitsfelder und Tätigkeiten automatisieren, wenn sich die bearbeiteten Inhalte, die spezifischen Anforderungen, der Kontext mit jedem neuen Input ändern? Durch Nachahmung und Imitation von menschlichen Fähigkeiten und gezielten Einsatz zur Problemlösung und Prozessoptimierung. Natürlich braucht es hier wieder eine spezifische Anpassung auf die Anforderungen, aber prinzipiell lässt sich diese Nachahmung in vier große Teilbereiche unterteilen:

Nicht abgebildet: Kaffeetrinken, Klatsch und Tratsch auf dem Gang, heimlich Candy crush zocken.

Vision

Quasi das „Sehen“ und Erkennen, das Verarbeiten von optischem Input. Das klassische Beispiel hierfür ist die Gesichtserkennung, wie es manche unserer Leser vielleicht zum Entsperren ihrer passwortgeschützten Geräte verwenden. Ebenso Amazon Go, eine Reihe von physischen Geschäften des Online-Handelsgiganten, in denen eingekauft werden kann, ohne an der Kasse Schlange stehen zu müssen. Die verwendete Technologie erkennt durch Bilderkennung die gekauften Produkte und bucht diese von einer hinterlegten Zahlungsmöglichkeit ab; der Kunde kann den Laden einfach verlassen, sobald er alles hat, was er braucht.

Doch nicht nur der Endbenutzer profitiert von der KI-gestützten Bilderkennung. Auch in der Medizin dient sie z.B. zur Frühdiagnose von Krebszellen, und überragt bereits heute die Zuverlässigkeit der Diagnose eines erfahrenen Arztes.

Language

Das Verstehen, Verarbeiten und Interpretieren von Sprache, auch bekannt als NLP (natural language processing). Zuerst aufgekommen durch den textbasierten Einsatz (z.B. Email-Spamfilter oder Autokorrektur) hat sich mit der Entwicklung von Sprachassistenten wie Alexa, Siri und Google der Fokus auch auf die bequeme, effiziente Steuerung per Sprachbefehl ausgeweitet. Um dies zu gewährleisten, muss die verwendete KI in der Lage sein, das Gesprochene zu verstehen, zu interpretieren und die gewünschte Rückmeldung oder Aktion in Gang zu setzen. Das Erkennen der Sprache geht aber noch weiter. Feinste Unterschiede in der Tonlage und andere Veränderungen können Stimmungslagen zugeordnet werden und entsprechende Anpassungen an die Rückmeldung vorgenommen werden. In einem breiteren Kontext ist es zudem derselbe Ansatz, der Stimmen analysiert, um sie (zu Musik- oder Unterhaltungszwecken) zu verzerren, oder aber neue Sprache zu generieren (wie z.B. bei Audio-Deepfakes, die wir bereits in einem LinkedIn-Post kurz besprochen haben).

Learning and Thinking

Darunter verstehen (durchaus von Film und Fernsehen beeinflusst) die meisten eine Künstliche Intelligenz. Das selbstständige Maschinelle Lernen ermöglicht es der KI, sich ohne die weitere Eingabe von Input eigenmächtig Wissen zu erwerben und Zusammenhänge zu erkennen. Prominentestes Beispiel hierfür ist AlphaGO (kein Zusammenhang mit Amazon Go), eine KI, die den amtierenden Weltmeister im Brettspiel Go um Längen geschlagen hat. Go wird hauptsächlich im asiatischen Raum gespielt und gilt mit Abstand als das schwerste Spiel der Welt. Die Bewohner Chinas und Südkoreas lernen es von frühen Kindesbeinen an und sind absolute Profis, was die herausragende Leistung dieses Siegs deutlich macht. Der Schachcomputer Deep Blue konnte bereits Mitte der 90er den amtierenden Schachweltmeister schlagen; für ein noch komplexeres Spiel wie Go musste zuerst eine KI mit großem Aufwand entwickelt und trainiert werden.Natürlich hat das Maschinelle Lernen auch handfestere Anwendungsbereiche. Autos lernen hierdurch selbstständig zu fahren, Netflix lernt so welche Serien und Filme uns gefallen und Google oder Facebook passen durch maschinelles Lernen die Werbeanzeigen an unsere Interessen an. Das maschinelle Lernen ermöglicht es somit aus zunächst unscheinbaren Daten (Big Data) Erkenntnisse zu ziehen und selbstständig Entscheidungen zu treffen.

Execution

Robotic Process Automation (deutsch: Robotergestützte Prozessautomatisierung) bedeutet nichts anderes, als alle Tätigkeiten, die sonst von einem menschlichen Mitarbeiter am PC oder in einer anderen digitalen Arbeitsumgebung ausgeführt werden, zu erlernen und automatisieren, besonders wenn diese zeitaufwändig, fehleranfällig oder repetitiv sind. Im Grunde nicht so verschieden von der Automatisierung durch Roboter in der Industrie; jedoch bestehen die hier verwendeten „Bots“ nicht aus Hebearmen und Fließbändern, sondern aus spezieller Software.Wie der Leser schon vermuten wird, ist auch der Einsatz dieser Bots recht spezifisch für den gewünschten Zweck anzupassen; ein gutes Beispiel hierfür ist die automatische Katalogisierung und Preisanpassung von großen Lagerbeständen, oder zum Beispiel die automatische E-Mail-Beantwortung. Eine E-Mail erreicht den Eingangsserver und wird vom zuständigen RPA-Bot „gelesen“, d.h. der Inhalt analysiert. Basierend auf diesem wird nun eigenmächtig entschieden, was der Absender wünscht, und dementsprechend reagiert (Kostenvoranschläge erstellt und verschickt, Informationen vermittelt, Hilfe und Support geleistet, oder falls nötig um mehr Infos zurückgefragt).

Praxisbeispiel: Captain Reprice eilt zur Stelle

In der Theorie ist die Intelligent Automation also nun klar(er), doch wie genau setzt man diese nun ein und kombiniert sie, um bisher von Wissensarbeitern durchgeführte Prozesse zu automatisieren? Um das zu veranschaulichen, möchten wir Ihnen Captain Reprice vorstellen – keinen Marvel-Superheld, der demnächst ins Kino kommt, sondern eine KI, um einem Möbelhaus die Preisfindung für sein riesiges Sortiment zu erleichtern.

„Ist es ein Flugzeug? Ist es ein Vogel? Nein es ist effizienzorientierte Hyperautomation!“

Unternehmen: Möbelhaus XY, genauer gesagt dessen Onlineshop mit über 30.000 Artikeln

Problem: Ähnliche Artikel von Konkurrenten finden und vergleichen und anschließend die Preise der Artikel in regelmäßigen Abständen wo nötig sowohl innerhalb des Sortiments als auch auf die Konkurrenz abzustimmen.

Die bisherige Lösung durch einen Wissensarbeiter (sprich: eine Mitarbeiterin mit viel Zeit und Motivation) sah nun vor:

  • ähnliche Produkte von Hand zu finden
  • deren Preise zu vergleichen
  • interne Vorgaben (möglicher Minimal- oder Maximalpreis, Sonderaktionen, verbilligte Restposten, Mengenrabatte) zu berücksichtigen und einzuberechnen
  • die neuen Preise festzulegen

Die gute Frau ist fleißig, kann sich aber auf Grund der schieren Menge nicht um alle Artikel kümmern und muss selbst für wenige hundert Artikel viel Zeit aufwenden, um die Aufgabe der Preisfindung gewissenhaft zu erledigen. Der Zeitdruck erhöht sich zudem noch weiter durch die sich ständig ändernden externen Informationen, wodurch die Preise im besten Fall nicht nur 1x die Woche sondern täglich oder gar stündlich aktualisiert werden müssten.

Das geht durchaus besser. Captain Reprice eilt mit wehendem Cape (natürlich mit Netscrapers-Sponsorlogo) zur Hilfe und erledigt die Aufgabe nun folgendermaßen:

  • Die Mitarbeiterin erzählt ihm, was er wissen muss (Monitoring einstellen)
  • Er verschafft sich einen generellen Überblick über das Sortiment (Datensammeln durch RPA)
  • Mit seinem Turboblick findet er blitzschnell ähnliche und vergleichbare Produkte der Konkurrenz (Vision)
  • Sein Superhirn errechnet die besten Preise für die jeweiligen Produkte und pflegt diese in den Onlineshop ein (Machine Learning)

Captain Reprice übernimmt somit einen sehr aufwändigen und repetitiven Prozess, wodurch zum einen die Mitarbeiterin stark entlastet wird und mehr Zeit für die wirklich wichtigen Aufgaben hat (z.B. Optimierung der Vorgaben für Captain Reprice) und zum anderen mehr Artikel (wenn nötig alle im Sortiment) in kürzerer Zeit neue Preise bekommen können. Also Win-Win!

Die Umsetzung im Unternehmen

Nun hat Captain Reprice, im Gegensatz zu seinen überall in der Welt und gar im All aktiven Comic-Kollegen aber ein recht begrenztes Einsatzgebiet und hilft in diesem Fall nur der Mitarbeiterin des Möbelhauses und ihren Kolleginnen mit ähnliche Aufgaben. Unterhaltende Metaphern beiseite, wie also entsteht eine solche Hyperautomation-Lösung genau? In sehr individueller, auf die Bedürfnisse des Unternehmens angepasster Weise:

Schritt 1: Analyse (Dauer: ca. 3 – 4 Wochen)

Die Anwendungsfälle für Hyperautomation, die in Frage kommen, werden mittels intensiver Analyse im Unternehmen gefunden. Dabei werden sämtliche Prozesse und Abläufe im Unternehmen analysiert und in einem Gesamtkontext in Form einer Roadmap gebracht.

Schritt 2: Evaluierung und Auswahl (Dauer ca. 6–8 Wochen)

Wie in einem vorigen Artikel zur Digitalisierung bereits erwähnt, ist es unrealistisch und sogar kontraproduktiv, das gesamte Unternehmen und alle irgendwie in Frage kommenden Prozesse auf einen Rutsch optimieren zu wollen. Deshalb werden in diesem Schritt die Anwendungsfälle und Prozesse nach Machbarkeit, Komplexität und Potential priorisiert, d.h. diejenigen, die den höchsten Nutzen in der kürzesten Zeit (ROI innerhalb 6 Monate bis max. 1 Jahr) versprechen, landen ganz oben auf der Liste. Die Machbarkeit der Prozesse wird mittels eines Proof of Concepts bzw. einer Machbarkeitsstudie festgestellt.

Schritt 3: Umsetzung

Nun geht es an die effektive Implementierung. In iterativen Schritten, immer dem Lean-Prinzip mit konstantem Feedback und Anpassung an die Anforderungen folgend (siehe dazu im Detail die Ausarbeitung unserer App Wasser Marsch) wird ein Ende-zu-Ende Prozess pro Zyklus optimiert. Begonnen wird mit dem vielversprechendsten aus der Liste in Schritt 2. Ein Zyklus besteht hierbei aus dem Re-Design des Prozesses, der effektiven technischen Umsetzung und dem Einsetzen beim Endkunden (Dauer pro Zyklus je nach Projekt 6–10 Monate).

Vorschau

Nun haben wir die Intelligent Automation als einen der wichtigsten Einsatzzwecke der KI kennengelernt und die verschiedenen Ausprägungen der Automatisierung von bisher durch Wissensarbeitern durchgeführten Aufgaben im Detail betrachtet. In Teil 2 greifen wir die Umsetzung noch einmal vertieft auf und erörtern, welche Faktoren für eine erfolgreiche Implementierung in einem Unternehmen entscheidend sind, welche Hürden sich dabei ergeben können (und wie diese zu überwinden sind), und wo die – momentanen – Grenzen der verwendeten Technologien liegen. In Teil 3 schließlich wird auch die menschliche Seite der Wissensarbeit behandelt: Werden durch die Intelligent Automation Jobs wegfallen? Wird die Industrielle Revolution 4.0 anders verlaufen als die vorigen drei, da sie viel umfassender, größer und alle Branchen betreffend vonstattengehen wird? Diese Fragen werden wir versuchen mit bestem Wissen und Gewissen zu beantworten. Was wir aber jetzt schon sagen können ist: Wir sind davon überzeugt, dass Intelligent Automation bzw. KI und die damit verbundene Innovation für die Menschheit fantastische Dinge bereithält und dadurch Unternehmen effizienter und produktiver macht aber vor Allem uns Wissensarbeiter von Aufgaben befreit die uns zu Maschinen machen! 

„Intelligent automation is a journey, not a destination”; und wir wollen diese Reise mit euch gemeinsam antreten!

Bildquellen: unsplash.com, pexels.com

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.