Digitale Geschäftsprozesse

Die Arbeitsgruppe Digitale Geschäftsprozesse kann auf langjährige Erfahrungen in den Bereichen digitaler Infrastrukturdaten sowie deren weiterverarbeitenden Wertschöpfungen zurückblicken. Dies umfasst auf Basis von Big Data diverse Ansätze von Data Mining und Machine Learning, welches eines der Hauptaspekte der Künstlichen Intelligenz (KI) ist. Dabei bildet die Arbeitsgruppe die gesamte Wertschöpfungskette ab, beginnend bei der Verarbeitung von Rohdaten bis hin zur Erarbeitung von Monetarisierungsstrategien digitaler Services. In den domainspezifischen Anwendungsfeldern der digitalen Infrastrukturen und Industrie 4.0 bündelt die Arbeitsgruppe wissenschaftliche Expertise und Erfahrung der praxisnahen Umsetzung. Die technologische Basis bildet das hauseigene Big Data Cluster, auf dem die aus Wirtschaft und Wissenschaft geforderte schnelle Verarbeitung von Daten mittels intelligenter Nutzung von Hard- und Softwarekomponenten realisiert wird.

Die Künstliche Intelligenz hat die Forschungslabore verlassen und durchdringt mit atemberaubender Geschwindigkeit unsere Alltagswelt in Form digitaler Assistenten, kooperativer Roboter und autonomer Fahrzeuge. Einen interessanten Überblick über den aktuellen Stand dieser Zeitenwende hin zur digitalen Wirtschaft bietet die nachfolgende Publikation: 

AuReBu

Automatische RechnungsBuchungserkennung

Dynamisch-selbstlernendes maschinelles Lernen für die touristische Buchhaltung

Aurebu entwickelt und definiert digitale Geschäftsprozesse rund um den automatischen Buchungsprozess für touristische Kleinveranstalter und überführt diese Erkenntnisse in digitale Geschäftsmodelle. Zielstellung von Aurebu ist es, Rechnungen mittels maschineller Lernverfahren zu erkennen und nachgelagert die Integration der Ergebnisse in einen wertschöpfungsgetriebenen Workflow zu überführen. Die Schritte sind eingeteilt in:

  1. Geschäftsvorfallerkennung und
  2. Buchhalterische Verbuchung.

In der Anlernphase der KI-Komponenten wurde eine Lerndatenmenge von 300.000 Dokumenten verwendet. Dabei sind Regelsets aus Sicht der travelbasys, wie beispielsweise Buchungskreise, definiert worden, die so beschrieben werden konnten, dass eine dynamische Regelentwicklung in einem selbstlernenden System etabliert werden konnte. Wichtig ist zu erwähnen, dass das KI-System ab einem bestimmten Punkt in die Selbstlernphase übergegangen ist, damit sich ein selbst-adaptives Regelsystem entwickeln konnte. Vordefinierte Regeln gehören damit der Vergangenheit an.

Im Prototypen wurden folgende Komponenten entwickelt, die wiederum selber aus mehr als 40 Unterkomponenten bestehen: 

  • Dokumentenanalyse 
  • Machine Learning/KI 
  • Integration der Branchenlogik 
  • Optimierung des Workflows

Am Ende der Trainingsphase wurden Massenvergleiche der Buchungssätze aus den Eingangsrechnungen zwischen der Aurebu-KI und den menschlich eingegebenen Buchungssätzen durchgeführt. Hier wurde im Mittel eine Matchingquote von >85 % der Aurebu-KI erreicht. Mit der Nutzung weiterer Lerndaten in Form von aktuellen Rechnungen sollte die Matchingquote automatisiert weiter erhöht werden können.

Cartox²

Cartox² entwickelt und definiert digitale Geschäftsprozesse rund um die Basisdienste des autonomen Fahrens und überführt diese Erkenntnisse in digitale Geschäftsmodelle. Deren Dienste richten sich an Unternehmen und Behörden, die zukünftig Angebote für das automatisierte Fahren bereitstellen (Automobilhersteller und Zulieferer, Telekommunikationsunternehmen sowie Anbieter digitaler Mobilitätsdienste). Die Grundlage für die Prozesse sind neben dem digitalen Kartenmaterial weitere Informationen für das automatisierte Fahren. Maßgeblich interessant für die Zielgruppe sind Informationen über die Car-2-Car-Konnektivität, die Netzabdeckung für die Car-2-Infrastructure-Kommunikation sowie die Analyse des Datenroutings zu und zwischen den Edge-Clouds, den Zugangspunkten der Cloud-Umgebung. Cartox² bietet darauf aufsetzende Analyseergebnisse für eine latenzarme Datenverarbeitung in Echtzeit, bspw. eine Risikobewertung für Verkehrsteilnehmer. Dabei werden neben einer großen Anzahl eigener hybrider Kommunikations- und Ortungsdaten auch Daten aus diversen Quellen, wie bspw. dem Breitbandatlas oder 3D-Stadtmodellen integriert. Diese werden auf einer Big Data-Plattform zusammengeführt, aufgewertet und zunächst in drei initiale Cartox²-Services überführt. Somit wird ein kleinteiliges Erheben der Messdaten vermieden und die digitalen Angebote können bequem „As-a-Service“ bezogen werden.

 

iTESA

Intelligent Traveller Early Situation Awareness

iTESA entwickelt und definiert einen digitalen Geschäftsprozess rund um ein automatisches Alarmsystem für Echtzeit-Reiserisiken und überführt diese Erkenntnisse in ein digitales Geschäftsmodell. Dieses durch maschinelle Lernverfahren automatisierte System warnt Reisende in Echtzeit und ermöglicht es so, selbst unmittelbar vor Reisebeginn noch umzudisponieren. Entsprechende Informationen gewinnt iTESA als Ersttrigger aus sozialen Netzwerken und zur Validierung aus öffentlichen Quellen. Dieser Datenstrom wird mit semantischen Wörterbüchern und statistischen Verfahren auf Reiserisiken (Unruhen, Naturkatastrophen, Epidemien) analysiert. Grundlage ist das Fachwissen der führenden Reisedatenplattform RBS sowie dem historischen Krisenlogbuch der TUI. Reise-Anbietern eröffnet iTESA die Möglichkeit, einen geldwerten Zusatzservice anzubieten, der insbesondere für Unternehmen – sie unterliegen einer arbeitsrechtlichen Fürsorgepflicht – von großem Interesse ist. Zudem lassen sich die in iTESA entwickelten Techniken und Methoden dank Interoperabilität und generischem Ansatz auch auf andere Branchen – beispielsweise die Logistik – übertragen.

iSand

Internet Social Analyser in Natural Disasters

iSAND entwickelt und definiert einen digitalen Analyseprozess rund um ein automatisches Informationssystem für Echtzeit-Risiken in Katastrophenlagen und überführt diese Erkenntnisse in ein digitales Workflowmanagement. Die Zielstellung des Projektes ist es, Maßnahmen zur Anpassung an die Krisensituation zu entwickeln und die Anpassungsfähigkeit der sozial-interaktiven Systeme zu erhöhen. Dabei stehen die Aufbereitung dieser in sozialen Netzwerken geteilten Informationen sowie das Setzen von Grundlagen für die Lenkung breiter Bevölkerungsmassen in geordnete und sinnvolle Hilfsmaßnahmen im Vordergrund. Dabei wird mittels maschineller Lernverfahren unter Zuhilfenahme von Daten aus sozialen Medien die Datenaufbereitung in kritischen Gebieten vorgenommen. Diese Erkenntnisse werden überführt und sind prototypisch in einem Livesystem verfügbar.