Machine Learning: Definition, Nutzen und Grenzen
Machine Learning Aktualisiert
Definition
Machine Learning ist ein Teilgebiet der KI, bei dem ein Modell aus Beispieldaten Muster lernt, statt jede Regel von Hand zu bekommen. In der Prozessautomatisierung übernimmt es Einordnungen, die sich schlecht als feste Regel schreiben lassen, etwa welche Dokumentart vorliegt. Es braucht gute Daten und eine Prüfung, damit die gelernten Muster im Ablauf verlässlich sind.
Warum der Begriff zählt
Nicht jede Einordnung lässt sich in eine feste Regel gießen. Wo Fälle vielfältig sind, lernt ein Modell aus Beispielen oft zuverlässiger als eine wachsende Liste von Ausnahmen. Wer den Begriff versteht, weiß auch, dass Machine Learning Datenpflege und Kontrolle braucht. Der belegbare ROI kommt aus der Kombination mit RPA und einer sauberen Integration, nicht aus dem Modell allein.
Wann es relevant ist
- Eine Einordnung ist zu vielfältig für feste Regeln.
- Es gibt genug saubere Beispieldaten aus dem Ablauf.
- Muster ändern sich langsam und lassen sich nachtrainieren.
- Ein Kontrollpunkt für unsichere Fälle ist möglich.
Wann nicht
Wenn feste Regeln den Fall vollständig abdecken, ist Machine Learning unnötig komplex. Ohne saubere Daten lernt das Modell die falschen Muster. Und bei sehr kleinen Fallzahlen trägt der Aufwand für Training und Pflege den Nutzen nicht, dann ist eine Regel oder Integration die bessere Wahl.
Branchen, die das nutzen
- Industrie und Produktion: Dokumentarten und Fehlerbilder aus vielen Varianten einordnen.
- Banken und Finanzdienstleister: Transaktionen und Anfragen nach Risiko oder Typ vorsortieren.
- Großhandel: Artikelzuordnungen und Kategorien aus Stammdaten lernen.
- Gesundheitswesen: eingehende Formulare und Nachweise nach Art vorsortieren, mit menschlicher Prüfung.
Typische Anwendungsfälle
- Dokumente nach Art klassifizieren, bevor RPA sie weiterverarbeitet.
- Anfragen nach Dringlichkeit oder Thema sortieren.
- Stammdaten Kategorien zuordnen, die keine feste Regel treffen.
- Auffällige Vorgänge zur manuellen Prüfung markieren.
- Aus historischen Fällen eine Vorhersage für den nächsten Schritt ableiten.
Entscheidungshilfe
| Signal | Machine Learning passt | Alternative |
|---|---|---|
| Vielfältige Einordnung | Modell aus Beispieldaten | wachsende Regelliste |
| Saubere Daten vorhanden | Training möglich | erst Daten aufräumen |
| Fall durch Regel abgedeckt | kein ML nötig | regelbasierte Automatisierung |
| Sehr wenige Fälle | Aufwand prüfen | manuell oder Integration |
Beispiel
Ein Mittelständler erhält Dokumente in vielen Formen und Kategorien. Ein Machine-Learning-Modell ordnet sie nach Art ein, RPA leitet sie in den passenden Ablauf, und die Integration schreibt die Daten ins ERP. Unsichere Einordnungen gehen an eine Person. Der Nutzen wird gegen die Baseline der bisherigen Sortierzeit belegt. Das Beispiel beschreibt die Methode, keine behauptete Kundenkennzahl.
Verbindung zu Services
Der Einstieg ist meist die Prozessautomatisierung mit KI, die Umsetzung eine RPA-Lösung, die Einordnung die Prozessautomatisierung-Beratung.
Quellen
Diese Einordnung beschreibt gängige Praxis beim Einsatz von Machine Learning in der Prozessautomatisierung im Mittelstand. Modelle, Daten und Datenschutz hängen vom Fall, den Systemen und den Werkzeugen ab und müssen im Einzelfall geprüft werden.