Fehlervermeidung bei manueller Dateneingabe
KI-gestützte Autovervollständigung und Datenvalidierung
Die Qualität der Daten ist entscheidend für die Effizienz operativer Prozesse und für die Zuverlässigkeit von Berichten. Manuelle Dateneingabe birgt jedoch hohes Fehlerpotenzial und Vielfach bewährte, regelbasierte Eingabehilfen und Datenvalidierungen stoßen im Hinblick auf eine zunehmende Dynamisierung von Geschäftsprozessdaten oftmals an ihre Grenzen. Die Integration KI-gestützter, datenbasierter Lösungsansätze schafft Abhilfe.
Bild: ©rawf8@Shutterstock / PSI FLS

Branchenübergreifend ist die Erfassung von Daten über Eingabemasken ein zentraler Bestandteil vieler Softwarelösungen, z.B. in ERP- und anderen Verwaltungssystemen. Typisch für industrielle Anwendungen ist dabei unter anderem die große Anzahl verfügbarer Eingabefelder sowie Freiheiten bei der manuellen Dateneingabe. Die händische Bearbeitung kostet Zeit. Das kann dazu führen, dass Anwender vermehrt optionale Felder nicht oder nur teilweise ausfüllen. Hinzu kommt, dass durch die Freiheiten bei der Eingabe – z.B. die Verwendung von Abkürzungen – verschiedene Nutzer für die gleiche Semantik unterschiedliche Schreibweisen verwenden. Die daraus resultierenden Prozessverzögerungen, Dateninkonsistenzen und -fehler führen nicht nur zu einer signifikanten Verschlechterung des Berichtwesens. Da mit der Qualität der eingegebenen Daten sowohl die Effizienz des Prozesses selbst als auch seiner Nachfolger steht und fällt, können sie Folgefehler nach sich ziehen, die wiederum Nacharbeiten erfordern.

Eingabhilfen als Mittel der Wahl?

Eingabehilfen sollen dieses Problem lösen. Die bisherigen Ansätze können dies aber nur teilweise und können vor allem bei semantisch variierenden, multiplen Abhängigkeiten in den Daten an ihre Grenzen stoßen. Die Mehrheit der bekannten Eingabehilfen basiert auf fest definierten Regeln, die aus der kontextabhängigen Syntax und Semantik abgeleitet sind. Der Vorteil: Sie bilden die jeweiligen Geschäftsprozesse präzise ab. Als solche sind sie eine gute Lösung für gut strukturierte und über die Zeit beständige Vorgänge, etwa bei klar definierten Datenabhängigkeiten oder eingeschränkter Auswahl per Drop-Down. Ihr Nachteil: Für die Eingabeüberprüfung bedienen sie sich aufwändiger Logiken. Je detaillierter die Abbildung von Prozessen also ist, desto komplexer ist das Regelsystem. Hinzu kommt, dass Änderungen immer Anpassungen der Codebasis erfordern. Ungeeignet sind regelbasierte Lösungsansätze in diesem Kontext für die Eingabeunterstützung von Daten, die in multiplen Abhängigkeiten stehen und teilweise semantisch variieren. Das trifft z.B. auf die Datenerfassung in Bestell- und Lieferprozessen zu und damit auf einen wachsenden Anteil relevanter Einsatzszenarien.

Autovervollständigung per KI

Abhilfe kann eine KI-gestützte, datenbasierte Auto-Vervollständigung bieten. Dieser Lösungsansatz macht sich die Tatsache zunutze, dass für nahezu alle Geschäftsabläufe mit einem Datenerfassungsprozess historisierte Daten zur Verfügung stehen. Unter Zuhilfenahme von Qualitativem Labeln und maschinellem Lernen trainieren und aktualisieren KI-Tools wie Deep Qualicision auf dieser Datenbasis kontinuierlich das relevante Nutzerverhalten. Automatisch werden folglich auch neue Daten einbezogen und die Wissensbasis kontinuierlich angepasst. Das KI-System kann so konfiguriert werden, dass es fortwährend typische Eingabemuster aus Vergangenheitsdaten erlernt – und zwar entweder allgemeingültig oder benutzerabhängig. Als Entscheidungsunterstützung für ein solches System dient ein einfaches Präferieren individuell definierbarer Bewertungskennzahlen (Key Performance Indicators, KPI). Dadurch lassen sich Abweichungen von Vorhersagen bewerten und Eingabedatensätze automatisiert validieren. So kann z.B. eine anormale Abweichung einer Bestellmenge bereits bei der Dateneingabe erkannt werden, die gegebenenfalls bei einem Schwellenwertverfahren durch das Erkennungsraster fallen würde. Das Ergebnis: Das System vervollständigt die Eingabe von Daten automatisch und individuell angepasst an jeden Geschäftsprozess. Damit ist dieser Ansatz auch für die Abbildung der beschriebenen, semantisch variierenden und multipel abhängigen Daten geeignet.

Ideales Zusammenspiel

Als ideal ist letztlich das Zusammenspiel zwischen regel- und datenbasierter Eingabehilfe zu betrachten. Das zeigt sich unter anderem bei der Dynamisierung von Formularen: Soll ein System kontextabhängig irrelevante Eingabefelder automatisch ausblenden, sind strikte Regeln sinnvoll. Für ihren Einsatz sprechen nicht zuletzt auch feste Abhängigkeiten zwischen Attributen. Bei einem Handelsvertrag hängen die auswählbaren Positionen z.B. immer davon ab, ob es sich um Kauf oder Verkauf handelt.

Seiten: 1 2Auf einer Seite lesen

PSI FLS Fuzzy Logik & Neuro Systeme GmbH
www.fuzzy.de

Anzeige

Anzeige

Das könnte Sie auch Interessieren

Bild: FedEx
Bild: FedEx
33Mio.USD für Plus One Robotics

33Mio.USD für Plus One Robotics

Bild: FedEx Plus One Robotics, Entwickler von Bildverarbeitungssoftware für Logistikroboter, hat eine Serie-B-Finanzierung in Höhe von 33 Millionen US-Dollar erhalten. Die Finanzierung unterstützt die weitere Expansion in den USA und Europa sowie die weitere...