25. Januar 2019

Einblicke in den MACH Innovation Hub: Woran das KI-Team gerade arbeitet

Wenn man heutzutage in den Medien von Künstlicher Intelligenz (KI) liest, geht es darum, in vorhandenen Informationen aus der Vergangenheit Strukturen und Muster zu finden, so dass ein System zukünftig Antworten auf scheinbar unbekannte Fragen geben kann.

Zu abstrakt? Ich werde im Folgenden das Thema etwas anschaulicher anhand von konkreten Beispielen, die wir bei MACH im Kontext von ERP für die öffentliche Verwaltung gefunden haben, darstellen.

  • teilen
  • drucken
KI gibt Behörden neue Möglichkeiten und Freiräume, um ihre Zukunft zu definieren und zu gestalten.

André Gode, Innovation Architect im MACH Innovation Hub

Andre Gode

André Gode,

Innovation Architect im MACH Innovation Hub

Wie wir uns dem Thema Künstliche Intelligenz näherten

Einerseits beschäftigten wir uns in kleinen Technologie-Studien damit, was derzeit technisch möglich ist. Dahinter steht vor allem das Ziel, den Kollegen etwas an die Hand zu geben, das ihnen einen schnellen Einstieg in das Thema ermöglicht. Neben dieser technischen Perspektive haben wir uns in verschiedenen Workshops Gedanken gemacht, wie wir die MACH Software mit KI-Komponenten bereichern können, damit unseren Kunden ein möglichst großer Mehrwert entsteht. Dabei ging und geht es uns darum, dass Sachbearbeitern die Arbeit erleichtert wird, während Mitarbeiter in leitenden Funktionen durch KI unterstützt werden sollen, Entscheidungen zu treffen.

Wo drückt der Schuh?

Die grundlegende Frage war, wo drückt der Schuh und wie könnte KI helfen, die Situation zu verbessern. Um herauszufinden, wo KI den größten Mehrwert für Verwaltungen liefern könnte, haben wir uns intensiv mit den Herausforderungen unserer Kunden beschäftigt. Dabei kann in folgende Handlungsbereiche unterschieden werden:

  1. Planen
  2. Steuern
  3. Ressourceneinsatz

In unseren Gesprächen und Analysen stellte sich heraus, dass bei jeder Behörde ein nicht unerheblicher Aufwand in die Haushaltsplanung für die kommenden Jahre geht. Je nachdem, wie gut oder schlecht die Planung zur Realität passt, ist man dann unterjährig mit den Konsequenzen dieser Planung beschäftigt. Wir haben uns daraufhin gefragt: Was sind eigentlich die wirklich wichtigen Daten eines Reportings, um eine Behörde bzw. einzelne Abteilungen zu steuern? Und bringt die x-te Kostenstellenauswertung wirklich einen Mehrwert?

Löst KI den Fachkräftemangel?

Zudem wird zunehmend vom drohenden Fachkräftemangel in der öffentlichen Verwaltung gesprochen. Ist er an einigen Stellen nicht längst schon Realität? Und gibt es nicht schon (viel zu) viele Projekte, die ihre Ziele verfehlen, weil nicht genügend Personal zur Verfügung steht? Häufig kommen doch die Mitarbeiter vor lauter, teilweise sehr repetitivem, Alltagsgeschäft gar nicht dazu, sich effektiv an Modernisierungsprojekten oder Optimierungsmaßnahmen zu beteiligen.

Roboter und Mensch geben sich die Hand

Wie KI den Schmerz in Verwaltungen lindert

Wir glauben, dass Künstliche Intelligenz bzw. Machine Learning, Verwaltungen helfen wird, sich trotz knapper Personalressourcen um Aufgaben zu kümmern, die z. T. schon viel zu lange ruhen. KI gibt Behörden neue Möglichkeiten und Freiräume, um ihre Zukunft zu definieren und zu gestalten. Denn durch die intelligente Automatisierung von Routinen, Auswertungen, Reportings etc. werden Ressourcen frei, die dringend notwendig sind, um komplexe Modernisierungsprojekte überhaupt erst angehen zu können.

Unsere Analysen haben gezeigt, dass viele unserer Kunden sehr große Datenbestände mit einer Vielzahl an Informationen besitzen, die sich sehr gut dafür eignen, durch Machine Learning Algorithmen analysiert und verarbeitet zu werden. Es ist aber auch festzustellen, dass vieles mit der Qualität der Daten steht und fällt. Dazu demnächst mehr unter dem Stichwort Datenqualität.

Verarbeitungsmöglichkeiten von Machine Learning Algorithmen

Nachdem wir nun die bestmöglich aufbereiteten Daten haben, schauen wir auf die Verarbeitungsmöglichkeiten der Machine Learning Algorithmen. Wir unterscheiden dabei im Wesentlichen zwei Varianten:

  • überwachtes Lernen (Supervised Learning)
  • unüberwachtes Lernen (Unsupervised Learning)

Beim überwachten Lernen werden einem System die Eingaben und die erwarteten Ausgaben zur Verfügung gestellt. Ein Algorithmus bestimmt dann die Transformation und kann diese später auf unbekannte Eingaben anwenden.

Mögliches Anwendungsbeispiel für überwachtes Lernen (Supervised Learning):

Wir haben die Methode des Supervised Learning beispielweise verwendet, um bei der Belegerfassung die Benutzer durch Vorschläge zu unterstützen, auf welches (Gegen-)Konto eine Eingangsrechnung verbucht werden soll. Dazu haben wir einem Machine Learning System alle Belegpositionen gegeben, die bisher schon erfasst wurden. Dabei kamen rund 1 Million Datensätze zusammen. In diesen Daten waren die Informationen aus dem Belegkopf und weitere Informationen wie z. B. der Belegerfasser die Eingabeparameter. Die erwartete Ausgabe war das Gegenkonto der jeweiligen Positionen.

Wir haben dem System also über eine Million mal gesagt: „Wenn Du solche Eingabewerte aus dem Beleg bekommst, dann gebe bitte dieses Konto aus.“ Damit hat das System dann gewissermaßen „gelernt“, wann welches Konto zurückgegeben werden soll. Diese Vorhersage funktioniert erstaunlich gut. Im Schnitt stimmen zwei von drei Vorschlägen.

Die Vorhersagen auf Basis von KI funktionieren erstaunlich gut. Im Schnitt stimmen zwei von drei Vorschlägen.

André Gode, Innovation Architect im MACH Innovation Hub

Was der Belegerfasser davon hat

Mit diesem Beispiel soll vor allem der Gelegenheits-Belegerfasser von der Arbeit entlastet werden. Langes Suchen nach dem richtigen Konto und am Ende im Zweifelsfall die falsche Zuordnung entfallen durch die Unterstützung der Machine Learning Algorithmen. Diese Art der Unterstützung lässt sich natürlich nicht nur auf Konten anwenden, auch Kostenstellen, Dokumentkategorien, Bearbeiter sind nur einige der denkbaren Zuordnungen.

Verfahren, die in die Kategorie "Unüberwachtes Lernen" fallen, kennen in diesem Sinne kein richtig oder falsch. In der Regel geht es hierbei um Clustering-Verfahren, die in der Lage sind, Zusammenhänge in Daten zu erkennen: Gleichartige Daten kommen in den gleichen Cluster. Neben dieser Clusterzuordnung ist aber häufig viel interessanter, welche Daten sich keinem Cluster zuordnen lassen. Dies sind dann die sogenannten Ausreißer.

Wie unüberwachtes Lernen (Unsupervised Learning) in der Praxis funktioniert

Auch für diese Methode haben wir konkrete Anwendungsfälle gefunden: Betrachtet man zum Beispiel die Belegbeträge über Konten und/oder Lieferanten, kann man sehen, wo es „Ausreißerbelege“ gibt, die sich nochmal jemand ansehen sollte, um zu prüfen, ob der Beleg tatsächlich korrekt ist oder ob etwas falsch erfasst wurde.

Auch dieses Beispiel lässt sich gut auf andere Fragestellungen anwenden. Im Personalbereich könnte man z. B. wissen wollen, ob es auffällige Personalabrechnungen gibt, die nochmal ein Sachbearbeiter überprüfen sollte. Noch einen Schritt weiter gedacht, könnte so ein ganzes KI-Dashboard entstehen, mit dem entsprechende Mitarbeiter in der Behörde bei ihren Steuerungsaufgaben unterstützt werden.

Für Unterstützung bei Planungsaufgaben denken wir derzeit über Möglichkeiten nach, wie mit Hilfe von Künstlicher Intelligenz das Haushaltsplanaufstellungsverfahren in der MACH Software optimiert werden kann, damit zukünftige Pläne schneller und genauer erstellt werden können. Davon werde ich sicherlich demnächst berichten.

Augmented Reality Bauplan eines Hauses hinter zwei Personen mit Tablets
MACH Innovation Hub

Papierlos, digital, maschinengesteuert: Sieht so die Verwaltungszukunft aus?

mehr erfahren