PSIdeepqualicision AI erlernt das Einstellen von Parametern von Entscheidungs- und Optimierungsalgorithmen (EOA) auf effiziente Weise, so dass nahezu beliebige EOA-Verfahren, die auf Geschäftsprozessdaten arbeiten, sich automatisch selbst justieren können.
Das Herzstück ist ein maschinelles Lernverfahren, das auf der selbsttätigen Erkennung von KPI-Zielkonflikten in den Prozessdaten von Geschäftsprozessen mittels Erweiterter Fuzzy-Logik beruht.
Die manuelle qualitative Zuordnung, ob die vorliegenden Daten zu guten oder zu schlechten KPI-Ergebnissen im Prozess geführt haben, - Labeln genannt - kann der Anwender dank der PSIdeepqualicision AI eigenständig und nachvollziehbar im Sinne einer Explainable AI (XAI) durchführen.
Die Zielkonfliktanalyse hilft, die Prozessdaten so zu ordnen, dass der Deep-Qualicision-AI-Algorithmus selbstständig erkennen kann, in welchen Situationen wie zu labeln ist. Direkt durch menschliche Analysten (Data Scientists) gelabelte Daten werden damit nicht benötigt. So lassen sich Maßnahmen zur KI-unterstützten Geschäftsprozessoptimierung mit interpretierbaren KPI-Labels selbst einleiten oder automatisiert durch die Analyse von qualitativen Optimierungen wertschöpfend sowie ressourcenschonend und nachhaltig steuern.
Vorteile auf einen Blick
-
Selbstlernende Datenaufbereitung Weitergehende maschinelle Lernverfahren und tiefergehende prognoseorientierte Analysen
-
Maschinelles Lernen Maschinelles Lernen auf der Grundlage des Qualitativen Labelns durch Entscheidungs- und Optimierungsalgorithmen
-
Leistungsstarke Entscheidung Direkter Zugriff auf leistungsstarken Qualicision-Entscheidungskern
-
Moderner KI-Stack Verfügbarkeit aller modernen Algorithmen und KI-Methoden für maschinelles Lernen in Python
-
KI-Prädiktoren Generische Vorhersagealgorithmen unter Verwendung von Qualicision AI-Prädiktoren
-
Web- und Cloudfähig Installation und Aufruf über PSI App Store und PSI-Cloud per Knopfdruck
-
Maßgeschneidertes Benutzerkonzept Benutzerkonzept nach verschiedenen Benutzergruppen (Operator, Administrator, Datenanalyst)
-
Erklärbarkeit KI-Ergebnisse Erklärbare Zusammenhänge von Wirtschaftlichkeits- und Nachhaltigkeits-KPIs
-
Anwenderakzeptanz Steigerung der Anwenderakzeptanz durch nachvollziehbare KI-Entscheidungen
-
Unabhängigkeit Prozessdatenanalysen und -prognosen kontextoffen und branchenübergreifend
-
Dialogführung und Übungsbeispiele Nachvollziehbare Einsatzmöglichkeiten und spielerische Interaktion durch integrierte Dialogführung und Übungsbeispiele (Integrated Didactics)
Funktionen
-
Qualitatives Labeln Das Qualitative Labeln im Rahmen des PSIdeepqualicision AI-Frameworks optimiert rohe Geschäftsprozessdaten für Machine-Learning-Anwendungen, indem es messbare Daten direkt aus Geschäftsprozessen im Kontext von KPIs (Key Performance Indicators) qualitativ beurteilt und darauf basierend Zusammenhänge analysiert. Auf diese Weise entsteht automatisiert zwischen den nicht aufbereiteten rohen Geschäftsprozessdaten und Methoden der Künstlichen Intelligenz (KI) eine algorithmische Brücke, die den aufwändigen Vorgang der manuellen Datenanalyse zum Labeln von Daten entscheidend vereinfacht.
-
Qualicision Impact Matrix Die Eingabe für die Software besteht im Wesentlichen hierbei aus zwei Hauptkomponenten: Zum einen werden Datenströme des zu analysierenden Geschäftsprozesses mitgeschrieben und mit Hilfe von Zeitstempeln automatisch in Zeitreihen umgewandelt. Zum anderen werden mit den für den Geschäftsprozess Verantwortlichen (Process Owner) Kennzahlen (KPIs) und deren Wertebereiche abgestimmt, anhand derer der betreffende Geschäftsprozess analysiert werden soll. Zusätzlich werden noch die Wertebereiche der KPIs in gewünschte und nicht gewünschte Wertebereiche eingeteilt. Grüne Labels stehen für erwünschte beziehungsweise gute Signalbereiche während rote Labels Bereiche konnotieren, die kritisch also unerwünscht aus Prozesssicht sind.
-
Lernalgorithmus F9118 Der F9118-Lernalgorithmus ermöglicht beispielsweise die automatische Berechnung von konsistenten Lösungs- und Entscheidungsalternativen, die historisierte Datenzusammenhänge mit aktuellen Datensituationen kombinieren. Dabei werden die Entscheidungsoptionen so aufbereitet, dass der Anwender sich wie ein Java-basierter PSI-Click-Designer betätigt und im PSIdeepqualicision AI Framework durch Klicken und Navigieren in Auswahlmenüs und anderen graphisch aufbereiteten GUI-Elementen agiert.
Module
Datenanalyst
Vollständiger Zugriff auf den PSIdeepqualicision AI-Stack sowie alle AI-Funktionen über entsprechende Python-Importe und Jupyter-Notebooks
Administrator
Konfiguration und Parametrierung der Anwendung sowie deren Änderung und Erweiterung auf der Ebene der Prozess-KPIs
Operator
Prozesssteuerung und Zeitreihen-Feedback-Informationen für das rollierende Training einer selbstlernenden KI
Typische Anwender
Operator
Ein störungsfreier und zugleich effizienter Ablauf in der Produktion ist das A und O für den klassischen Anwender von Entscheidungsunterstützungs- und Optimierungssoftware. Der intuitive Zugriff auf alle relevanten Funktionen ist für ihn ebenso wichtig wie das Vertrauen, dass sämtliche Eingaben und Abrufe vom System verlässlich verarbeitet werden und die Software-Ergebnisse nachvollziehbar und erklärbar sind.
Vorkonfigurierte Systeme liefern KPI-orientiert verständlich aufbereitete Handlungsempfehlungen für Anwender, bei denen ausschließlich auf Prozesswissen gesetzt wird und die die Ergebnisse in ihre Geschäftsprozesse aufnehmen und dort weiter nutzen können. Diese Nutzergruppe agiert dementsprechend im Sinne von Systembetreibern.
-
Erklärbarkeit KI-Ergebnisse
Erklärbare Zusammenhänge von Wirtschaftlichkeits- und Nachhaltigkeits-KPIs
-
Dialogführung und Übungsbeispiele
Nachvollziehbare Einsatzmöglichkeiten und spielerische Interaktion durch integrierte Dialogführung und Übungsbeispiele (Integrated Didactics).
-
Optimierte Entscheidungsfindung
Optimierung und Entscheidungsfindung für Auswahl- und Klassifizierungsaufgaben
Fragen und Antworten
Was ist das PSIdeepqualicision AI Framework?
Das PSIdeepqualicision AI Framework ist:
- Maschinelles Lernen auf der Grundlage des Qualitativen Labelns durch Entscheidungs- und Optimierungsalgorithmen
- Direkter Zugriff auf den leistungsstarken Qualicision AI-Entscheidungskern
- Interaktion mit der Qualicision AI Suite über Python
- Verfügbarkeit aller modernen Algorithmen für maschinelles Lernen in Python
- Erklärbare generische Vorhersagealgorithmen unter Verwendung von Qualicision AI-Prädiktoren
- Benutzerkonzept nach Benutzergruppen
Was ist der F9118-Lernalgorithmus?
Der F9118-Lernalgorithmus ermöglicht beispielsweise die automatische Berechnung von konsistenten Lösungs- und Entscheidungsalternativen, die historisierte Datenzusammenhänge mit aktuellen Datensituationen kombinieren. Dabei werden die Entscheidungsoptionen so aufbereitet, dass der Anwender sich wie ein Java-basierter PSI-Click-Designer betätigt und im PSIdeepqualicision AI Framework durch Klicken und Navigieren in Auswahlmenüs und anderen graphisch aufbereiteten GUI-Elementen agiert.
In welchen Branchen ist das PSIdeepqualicision AI Framework einsetzbar?
Z. B. in der Automobilindustrie und im produzierenden Gewerbe, Logistik, im öffentlichen Verkehr, bei elektrischen Netzen, in der Fertigungssteuerung. Überall wo qualifizierte Entscheidungen zu treffen sind.
