Intelligente Wissensverteilung der Zukunft

Neue KI-Technologien zur Unterstützung der bestehenden KI-Technologie „Produktkonfiguration“

Es gibt Dinge im Unternehmen, die immer wieder den gleichen Personen erklärt werden müssen. Beispiele hierfür reichen von „auf was muss ich achten, wenn ich unser Produkt an einen Neukunden verkaufe?“ bis hin zu „wie sieht das Wertesystem unseres Unternehmens aus?“. Stellen Sie sich manchmal die Frage, wieviel Aufwand hinter der Wissensvermittlung steckt und welche Verbesserungsmöglichkeiten es gibt?

e-Learning-Systeme schaffen teilweise Abhilfe, indem Mitarbeiter das notwendige Wissen über Kurse erhalten. Aber auch dies verhindert nicht die Notwendigkeit des wiederholten Erklärens. Der Grund dafür ist die „Kurve des Vergessens“. Sie führt zur Veränderung des Wissensstands über die Zeit, denn viele Dinge werden bei nicht vorhandener „Reaktivierung“ einfach vergessen. In diesem Sinne verfügen Kurse und e-Learning Systeme in der Regel über keine Mechanismen, um Wissen auf einfache Art und Weise verfügbar zu halten. Nicht vorhandenes oder abhanden gekommenes Wissen führt zu einer Reihe von Problemen und Folgekosten sowohl in internen Prozessen wie bspw. Produktions- oder Softwareentwicklungs-Prozessen, wie auch in nach außen orientierten Marketing- und Vertriebsprozessen. Hilfreich und vielversprechend sind hier die Möglichkeiten des Einsatzes von „Künstlicher Intelligenz“.

Konfigurationssysteme [1] helfen bei der Herausforderung, komplexe Produkte und Dienstleistungen wie z.B. Autos oder Finanzdienstleistungen passend zu den gegebenen Anforderungen zusammenzustellen. Sie stellen die Korrektheit des Angebots sicher und verhindern, dass Produkte angeboten werden, die in der Fertigung nicht realisierbar sind. Konfigurationssysteme sind also sehr oft ein Mechanismus zur Überprüfung der formalen Korrektheit der dem Kunden angebotenen Artefakte. 

Historisch gesehen sind Produktkonfiguratoren eine der ersten erfolgreich eingesetzten KI-Anwendungen. Bereits in den 1980er Jahren wurden die ersten Konfiguratoren – damals unter der Bezeichnung „Expertensysteme“ – entwickelt und deren Einsatz hat sich bis heute immer weiter manifestiert. Im Zeitalter von „Individualisierung“ und „Mass Customization“ sind Konfiguratoren nicht mehr wegzudenken.

Um Kunden bereits bei der Produktfindung intelligent zu unterstützen, bedarf es allerdings Kontextwissens, z.B. über seine aktuelle Situation. Hat der Kunde von Komponenten für Automatisierungssysteme in der Vergangenheit immer Antriebe einer bestimmten Leistungsklasse gekauft – und wissen wir, dass er nun nach Antrieben für die gleiche Situation sucht – so kann man den Suchraum für passende Antriebe gezielt einschränken oder gleich die zuletzt bestellten Antriebe direkt vorschlagen. Mit noch mehr Information, z.B. mit Live-Daten der eingesetzten Antriebe aus einem IoT-Szenario, könnte man den Kunden sogar darauf hinweisen, dass er in der Vergangenheit zu groß dimensionierte Antriebe gekauft hat und für den tatsächlichen Einsatz eine andere Leistungsklasse ausreicht. Diese Art vielschichtiger Kontext ist für Konfiguratoren aber oft nicht zugänglich. Solches Wissen wäre für den Vertrieb ein enorm wichtiger Hebel, um für Kunden die richtigen Lösungen zu identifizieren.

Solches Wissen wäre für den Vertrieb ein enorm wichtiger Hebel, um für Kunden die richtigen Lösungen zu identifizieren.

Damit Mitarbeiter möglichst genau dann über das relevante Wissen verfügen, wenn es gerade benötigt wird (um bspw. Kunden richtig zu beraten), könnten zukünftig „Predictive Analytics“ Technologien eingesetzt werden. Sie sehen voraus, in welchen Situationen notwendiges Wissen ohne entsprechende Intervention nicht mehr verfügbar sein wird. Solche sogenannten „Self-organizing Learning Technologies“ [2] helfen auf autonome Art und Weise dabei, Mitarbeitern zum richtigen Zeitpunkt das notwendige Wissen zur Verfügung zu stellen. Technisch gesehen sind es „Recommender Systeme“, die die Lernkurven von Benutzern beobachten. Auf Basis der Lernkurven-Analysen ähnlicher Benutzer beurteilen sie, welche Inhalte und Fragestellungen den Mitarbeitern zu welchen Zeitpunkten nahegebracht werden sollten.

Der Einsatz von „Self-organizing Learning“ verspricht Zeiteinsparungen und Qualitätsver-besserungen auf den unterschiedlichsten Unternehmens- und Prozessebenen. Die positiven Auswirkungen eines erhöhten „Knowledge Levels“ einzelner Mitarbeiter sind zahlreich und reichen von Zeiteinsparungen für die Vermittlung von Routinewissen durch Vorgesetzte bis hin zur Verbesserung der Qualität der Umsetzung von „produktiven Prozessen,“ die dann bspw. in Form von höheren Konvertierungsraten und Verkaufszahlen zu Buche schlagen.


[1] A. Felfernig, L. Hotz, C. Bagley, and J. Tiihonen. Configuration Systems, Elsevier, 2014.
[2] www.knowledgecheckr.com