Ein ‚Informationsbutler’ – mit Talent für smarte Daten

Personalisierte Wissensdienste

oder

Wie neue Technologien es ermöglichen, automatisierte persönliche Wissensassistenten zu entwickeln.

Ein Beitrag von

Prof. Dr. Andreas Dengel, Mitglied der Unternehmensleitung und Standortleiter, Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI) GmbH in Kaiserlautern

und

Dr. Heiko Maus, Leiter des Themenfeldes Wissensarbeit im Forschungsbereich Smarte Daten und Wissensdienste, Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI) GmbH

Stellen Sie sich vor, Sie hätten einen digitalen Wissensassistenten, oder – mal etwas plakativ ausgedrückt – einen ‚Informationsbutler‘, der Ihnen nicht lediglich einen Tisch im nächsten Restaurant buchen kann, sondern Ihnen vielmehr – als antizipierender persönlicher Assistent (oder Assistentin) – bei Problemlösungen in Ihrem Arbeitsumfeld zur Seite steht. Dies ist möglich, weil er in Ihre täglichen Arbeit eingebettet ist und dabei sowohl Ihren persönlichen Wissensraum als auch den des Unternehmens kennt, Ihren aktuellen Tätigkeitskontext erkennt und begreift, Ihre Aufgaben versteht und bei deren Erledigung assistiert, wenn nicht sogar Teile für Sie bereits erledigt (bspw. mittels Robotic Process Automation [1]).

Um diese Vision Realität werden zu lassen, müssen verschiedenste Bausteine ineinandergreifen, welche zunächst aus den unterschiedlichsten Datenquellen „smarte Daten“ erzeugen können [2], die wiederum die Grundlage bilden, spezialisierte Wissensdienste im Zusammenspiel mit dem Nutzer zu ermächtigen, einen solchen Informationsbutler zu verwirklichen. Diese Metapher impliziert aber auch den Bedarf an einer personalisierten Sicht: Um solche Butler zu realisieren, müssen Technologien entwickelt werden, die die mentalen Modelle, Kontexte, Rollen und Aufgaben von Nutzern im Unternehmensumfeld kennen, aufbauen, weiterentwickeln und diese miteinander in Beziehung setzen, um daraus adäquate Aktionen ableiten zu können, wie etwa proaktiv zum erkannten Kontext Informationen zusammenzustellen oder eine gezielte Handlungsempfehlung für einen Prozessschritt zu geben [3, 4].

“Der Informationsbutler ist eingebettet in das Unternehmensgedächtnis und das individuelle Arbeitsumfeld.”

Dazu benötigt der Informationsbutler Zugang zu umfangreichem Wissen über Daten und Informationsräume, Aufgaben und Prozesse, sowie gemachte Erfahrungen und Entscheidungen des Nutzers sowie des Unternehmens in ähnlichen Situationen. Ein solches „Unternehmensgedächtnis“ [3] dient, eingebettet im Arbeitsumfeld des Nutzers, als mehrperspektivischer Informations- und Assoziationsraum, welcher wiederum personalisiert auf die jeweilige Situation angepasst betrachtet werden kann, weswegen die Metapher „Informationsbutler“ hier sehr passend ist.

Das Duo Mensch – Butler

Um dies im heterogenen Unternehmensumfeld zu realisieren, ist die gesamte Bandbreite der Methoden und Technologien der Künstlichen Intelligenz gefragt, welche je nach Szenario und Datenlage auszuwählen ist. Das beginnt mit der Hebung von Potenzialen aus Datensilos durch Ansätze des Maschinellen Lernens wie etwa wissensbasierter Mustererkennung [5], Deep Learning [6] oder dem Einsatz semantischer Technologien [7] zum Aufbau von organisationalen Wissensgraphen und dem Reasoning darauf und führt hin zu in sozio-technischen Mensch-Maschine-Umgebungen agierenden Wissensdiensten [2, 8].

Um in der Metapher zu bleiben, agiert der Informationsbutler eingebettet in der Arbeitswelt als umfassender Vermittler zwischen Datenquellen, hochspezialisierten Diensten und dem Nutzer. Damit steigen individuelle Effizienz und kollektive Intelligenz in einem Unternehmen. Die Ermächtigung des Duos Mensch-Butler, eigenständig persönliche und organisationale Informations- und Wissensräume für die Erledigung von Aufgaben zu nutzen, wird viele Mitarbeiter entlasten, etwa von der Beschaffung und Aufbereitung bereits vorhandener Informationen sowie verfügbarer Einsichten [4]. Damit bleibt mehr Zeit für die harten Problemlösungen mit hohem zwischenmenschlichem Interaktions- und Kommunikationsbedarf.

Silo-übergreifende Informationen

Auf dem Weg zu solch einer Lösung sind einige Hürden zu nehmen. Betrachten wir das Szenario der Liegenschaftsabteilung des Energiedienstleisters enviaM, welche wir aktuell in einer Machbarkeitsstudie adressieren. So oder so ähnlich sieht es bei vielen Unternehmen mit gewachsener Infrastruktur aus: heterogene Datei- und Dokumentsammlungen, Datenbanken und Bestandssysteme für dedizierte Dienste und Aufgaben, die aus verschiedensten Gründen nicht auf der Agenda stehen, um durch eine umfassende Neustrukturierung ersetzt oder vereinheitlicht zu werden (nicht Teil von Primärprozessen, potenziell zu hohe Komplexität, keine maßgeschneiderte Lösung am Markt, vermeintlich hohe Investitionen). Es bleibt oft nur, dass sich Mitarbeiter und Abteilungen mit der Situation arrangieren oder gegebenenfalls nach und nach punktuell ansetzen müssen, wie etwa in unserem Szenario durch die Einführung eines Dokumentmanagement-Systems.

Für die Erledigung ihrer täglichen Arbeit benötigen die Mitarbeiter unterschiedlichste Quellen: Ein über mehrere Jahre gewachsenes Netzlaufwerk als Dokumentablageort, ein Bestandssystem zur Pflege der Grundstücke, Flurstücke, und Besitzverhältnisse mehrerer Mandanten, diverse Dateien bevorzugt als Excel mit spezialisierten Informationen, welche in verschiedenen Aufgaben immer wieder benötigt werden, wie etwa Buchwerte aus SAP, Standard-Büroanwendungen, wie etwa E-Mail und natürlich das Intranet. Nicht zu vergessen Kollegen aus anderen Abteilungen zur Informationsbeschaffung oder als Entscheidungsträger. Die Arbeit in dieser Ansammlung von Datensilos gestaltet sich herausfordernd und teilweise langwierig, wenn insbesondere Silo-übergreifende Informationen benötigt werden und verschärft sich weiter, wenn diese über Abteilungsgrenzen hinausgehen. Weiterhin gibt es immer wieder selten auftretende Vorgänge mit Schritten und Abstimmungen, die einer gewissen Agilität unterliegen – weswegen Prozessautomatisierung hier vor der Herausforderung stehen würde, zwar auf hoher Ebene die Schritte beschreiben, aber die sich agil entwickelnden Aufgaben nicht abbilden zu können [9–11]. Hinzu kommt, dass je nach Erfahrung der Mitarbeiter nicht immer jeder Schritt im Detail präsent ist.

Unternehmensgedächtnis als organisationaler Wissensgraph

Ziel der Studie ist die Potenziale eines Unternehmensgedächtnisses darzulegen, indem ein Pilot für die Abteilung entwickelt wurde, welcher aus den heterogenen Datenquellen einen organisationalen Wissensgraphen mittels semantischer Technologien aufbaut, pflegt sowie Wissensdienste zur Verfügung stellen kann, ohne die Ausgangssysteme selbst abzulösen – wobei natürlich Arbeitsschritte überflüssig werden sollen wie der Datenaustausch via Excel. Basis bildet dabei das DFKI CoMem (https://comem.ai), welches aus verschiedensten Forschungs- und Industrieprojekten über die Jahre entstanden ist und auch weiterhin innovative Forschungsfragen adressiert wie etwa digitales Vergessen [12–14] – ein weiterer Schritt hin zu mehr Selbstorganisation im Wissensgraphen als Baustein für den Informationsbutler.

Informationsanalyse im inhaltlichen Kontext

Wie könnte nun künftig eine Interaktion mit dem Informationsbutler aussehen? Aus Sicht der Mitarbeiter sollte ein Informationsbutler etwa bei einer Anfrage per E-Mail deren inhaltlichen Kontext erkennen, den jeweiligen Prozess respektive Aufgabe ableiten – etwa die Klärung von Details zu einem Flurstück – sowie relevante Informationen aus entsprechenden Quellen bereitstellen, die zur Bearbeitung einer Anfrage benötigt wird – wie die Katasterinformation zum Flurstück, den jeweiligen Standort, zugehörige Dokumente, Aufgaben und E-Mails sowie Pläne. Dies obwohl keine dedizierte Software zur Verfügung steht wie etwa ein HelpDesk oder Response Management.

Dass der Inhalt einer E-Mail verstanden und ein Assistent entsprechend einen Kontext zur Bearbeitung aufbauen kann, erfordert in diesem Szenario den Wissensraum des Liegenschaften-Mitarbeiters zu kennen. Dazu wurden zunächst Struktur und Inhalte des Team-Laufwerks analysiert, um einen Wissensgraphen der Liegenschaften aufzubauen mit ihrer spezifischen Terminologie wie Mandanten und Standorte, Grundstücke und Flurstücke, Themen und Strukturierungen, Prozesse und Dokumente, Dokumentklassen und Informationsbedarfen (welche wiederum automatisiert aus den Dokumenten extrahiert werden können).

Ineinandergreifen von Wissensdiensten

Zur Vervollständigung des Unternehmensgedächtnisses werden in diesen organisationalen Wissensgraphen weitere Daten oder Quellen wie Pläne, Luftbilder, Finanzdaten, detaillierte Informationen zu Standorten, wie Geokoordinaten, etc. eingebunden. Dies erfordert für jede Quelle eine Interpretation und Projektion der dort vorhandenen Daten in das zugrundeliegende semantische Netzwerk [4] sowie eine Bestimmung der elektronischen Identität im Sinne des „Web of Things“, etwa welches Flurstück gemeint ist.

Damit ausgestattet können nun verschiedenste Wissensdienste ineinandergreifen und die Assistenz an den Tätigkeitskontext anpassen. Beispielsweise eine Assistenz zu eingehenden E-Mails eingebettet als Plug-in in Outlook [4] oder „Plug-out“ mit Sidebar [2, 15]. So kann erkannt werden um welches Anliegen bzw. Vorgang es sich bei der Mail handelt und das Fokusobjekt extrahiert werden (etwa ein Flurstück), um dann als Assistenz beispielsweise den direkten Sprung zum identifizierten Vorgang in einer dediziert auf die Aufgabe angepassten Oberfläche anzubieten. In der Metapher des Informationsbutlers erkennt dieser das Anliegen, räumt den Tisch auf und stellt für das neue Anliegen die benötigten Arbeitsmittel und Informationen zur Verfügung.

Eine solche Oberfläche wurde für die Liegenschaften als Dashboard für ein Flurstück realisiert dargestellt (siehe Bild).

Dieses Dashboard dient als eine mögliche Schnittstelle Mensch-Butler, welche die jeweilige Aufgabe geeignet unterstützt. Aus der Sicht des Unternehmensgedächtnisses ist dies ein kontextbezogener Ausschnitt des Wissensgraphen. Es gibt verschiedene Einstiegspunkte für das Dashboard. So erlaubt etwa eine facettierte Suche mit dem Vokabular der Liegenschaften (sowie angrenzender Bereiche) sowohl Dokumente wie Verträge oder Bilder zu finden, aber auch „virtuelle“ Objekte wie Standorte oder Flurstücke, die Teil des Wissensgraphen sind und wiederum es erlauben den Graphen entlang zu traversieren.

Potenzial durch ‚Aufmerksame Aufgaben‘

Weiterhin ergeben sich wiederum Potenziale, sogenannte „Aufmerksame Aufgaben“ [3, 16], die aus den Datensilos und den Aktivitäten der Nutzer Erwartungen für – über verschiedenste Eingangskanäle eintreffende – Dokumente ableiten können (etwa: eine Bestellung bewirkt eine Rechnung). Diese Erwartungen ermöglichen eine effizientere Analyse und Klassifikation eingehender Dokumente sowie benötigte Informationen zu extrahieren und folglich zu den Stellen im Unternehmen zu routen, die die jeweilige Dokumentinstanz erwarten.

Mit dem Wissensgraphen und der Assistenz am Arbeitsplatz kann nun das Dokument im jeweiligen Kontext bearbeitet werden, welcher von der Erwartung und dem Dokument aufgespannt wird. Und dies nicht nur für das Massengeschäft Rechnungen, sondern insbesondere auch für Dokumentarten mit geringerem Aufkommen, für die keine Systeme von der Stange erhältlich sind. In unserer Metapher des Informationsbutlers wird dieser in die Lage versetzt, die Post zu lesen und entsprechend des Bedarfs seines Nutzers den Arbeitsplatz vorzubereiten und die Erklärung zur Interpretation des Dokuments zu liefern. So wurde in der Studie auch das bei enviaM im Einsatz befindliche Dokumentanalyse-System mit Aufmerksamen Aufgaben erweitert mit spezialisierten Dokumentarten der Liegenschaften, wie etwa Einheitswertbescheide für Flurstücke (in Kooperation mit dem DFKI Spin-off b4value.net GmbH ).

Iterative Anpassung des Mentalen Modells

Für die personalisierte Assistenz passt der Informationsbutler das mentale Modell, das er sich vom Nutzer macht, durch Beobachtung der Benutzerinteraktion ständig an. Dafür überführt er die verschiedensten persönlichen Informationsquellen wie etwa Kalenderdaten, Kontakte, Aufgaben, Dokumente, (lokales) Dateisystem und deren Strukturierung in ein personalisiertes semantisches Netzwerk [8, 17], das als Mittler zum Unternehmensgedächtnis fungiert.

Resumé

Um Unternehmensgedächtnisse erfolgreich umzusetzen, erfordert es, aus den heterogenen Datenquellen „Smarte Daten“ zu generieren und darauf aufbauende Wissensdienste zu realisieren. Um das Potenzial jedoch vollständig zu realisieren, werden personalisierte Wissensassistenten als Mittler für die Mitarbeiter benötigt. Die Assistenten lernen die subjektive Sicht des Mitarbeiters und sind in die tägliche Arbeit eingebettet, um die Nutzer bei ihren Aufgaben zu assistieren. Ein ‚Informationsbutler‘ – so die Metapher für einen derartigen ‚Service‘ – versteht die Denkweise des Benutzers und kann Lösungswege assoziativ und proaktiv unterstützen, indem er selbstständig Schlüsse zieht und so Freiräume für die kreative Arbeit mit den Ergebnissen schafft.

Der Informationsbutler wird somit in die Lage versetzt, Datensilos aufzubrechen, Inhalte zu analysieren, zu kombinieren, zu assoziieren und vorzuschlagen oder gar das Arbeitsumfeld auf den Kontext anzupassen [2]. Er übernimmt so die Rolle eines persönlichen Assistenten, der, eingebettet in das Unternehmensgedächtnis und das individuelle Arbeitsumfeld, aus der Interaktion mit dem Nutzer lernt. Er entlastet ihn von Routinetätigkeiten (etwa aufwändige Recherchen, Routine-Tätigkeiten in Prozessen, dem Verfassen von Standardantworten oder dem Zusammenstellen relevanter Unterlagen) und stellt dabei den Nutzer, dessen Produktivität und Wohlbefinden im Sinne von „KI für den Menschen“ in den Mittelpunkt.

Die Autoren:

Andreas.Dengel@dfki.de

https://agd.informatik.uni-kl.de/team/lehre/prof-dr-prof-hc-andreas-dengel/

Andreas Dengel ist Mitglied der Unternehmensleitung und Standortleiter des DFKI in Kaiserslautern. Er leitet den Forschungsbereich Smart Data & Knowledge Services am DFKI. Seit 1993 ist er Professor am Fachbereich Informatik der TU Kaiserslautern. Seit 2009 hat er außerdem eine Professur (kiyakuin) an der Graduate School of Engineering der Osaka Prefecture University. Er ist Gründer, Initiator und Mentor erfolgreicher Start-up-Unternehmen, von denen zwei mit dem „Pioneer Spirit Award“ sowie dem „Cebit Innovation Award“ ausgezeichnet wurden.

Heiko.Maus@DFKI.de

www.dfki.de/~maus

Heiko Maus startete 1997 als wissenschaftlicher Mitarbeiter am DFKI Forschungsbereich Wissensmanagement bei Prof. Andreas Dengel. 2007-2016 war er Leiter des DFKI Kompetenzzentrums Virtuelles Büro der Zukunft, welches im neu gegründeten Living Lab smart office space aufging. Nach Umstrukturierung des Forschungsbereichs in Smart Data & Knowledge Services, leitet er seit 2017 das Themenfeld Wissensarbeit. In seiner Verantwortung liegen Akquise, Koordination und Leitung von Forschungs- und Industrieprojekten, national und international.

Referenzen

1. IM+io: RPA – Robotic Process Automation. AWS-Institut für digitale Produkte und Prozesse gGmbH, Heft 3/2017.
2. Jilek, Christian, Markus Schröder, Sven Schwarz, Heiko Maus, and Andreas Dengel. 2018. Context Spaces as the Cornerstone of a Near-Transparent and Self-Reorganizing Semantic Desktop. In The Semantic Web: ESWC 2018 Satellite Events, 89–94. Springer.
3. Abecker, Andreas, Ansgar Bernardi, and Heiko Maus. 2002. Potenziale der Geschäftsprozessorientierung für das Unternehmensgedächtnis. In , 215–248.
4. Lampasona, Constanza, Oleg Rostanin, and Heiko Maus. 2012. Seamless Integration of Order Processing in MS Outlook using SmartOffice: an Empirical Evaluation. In Proc. of the ACM-IEEE Int’l Symposium on Empirical Software Engineering and Measurement. ACM Press. doi:10.1145/2372251.2372281.
5. Rizvi, Syed Tahseen Raza, Dominique Mercier, Stefan Agne, Steffen Erkel, Andreas Dengel, and Sheraz Ahmed. 2018. Ontology-based Information Extraction from Technical Documents. In 10th International Conference on Agents and Artificial Intelligence (ICAART), January 16-18, Funchal, Madeira, Portugal. SCITEPRESS.
6. Palacio, Sebastian, Joachim Folz, Jörn Hees, Federico Raue, Damian Borth, and Andreas Dengel. 2018. What do Deep Networks Like to See? In The IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 18-22, Salt Lake City, Utah, USA. IEEE.
7. Dengel, Andreas, ed. 2012. Semantische Technologien. Spektrum.
8. Maus, Heiko, Sven Schwarz, and Andreas Dengel. 2013. Weaving Personal Knowledge Spaces into Office Applications. In Integration of Practice-Oriented Knowledge Technology: Trends and Prospectives, 71–82. Springer.
9. Bernardi, Ansgar, Harald Holz, Heiko Maus, and Ludger van Elst. 2006. Komplexe Arbeitswelten in der Wissensgesellschaft. In Semantic Web – Auf dem Weg zur vernetzten Wissensgesellschaft, ed. Andreas Blumauer and Tassilo Pellegrini. SpringerSachbuchreihe. Springer Verlag.
10. Holz, Harald, Heiko Maus, Ansgar Bernardi, and Oleg Rostanin. 2005. From Lightweight, Proactive Information Delivery to Business Process-Oriented Knowledge Management. Journal of Universal Knowledge Management. Special Issue on Knowledge Infrastructures for the Support of Knowledge Intensive Business Processes 0: 101–127.
11. Holz, Harald, Oleg Rostanin, Andreas Dengel, Takeshi Suzuki, Kaoru Maeda, and Katsumi Kanasaki. 2006. Task-based process know-how reuse and proactive information delivery in TaskNavigator. In CIKM ’06: Proceedings of the 15th ACM International Conference on Information and Knowledge Management, 522–531. Arlington, Virginia, USA: ACM. doi:10.1145/1183614.1183689.
12. Maus, Heiko, Christian Jilek, and Sven Schwarz. 2018. Remembering and Forgetting for Personal Preservation. In Personal Multimedia Preservation: Remembering or Forgetting Images and Video, 233–277. Springer.
13. Jilek, Christian, Yannick Runge, Claudia Niederée, Heiko Maus, Tobias Tempel, Andreas Dengel, and Christian Frings. 2018. Managed Forgetting to Support Information Management and Knowledge Work. KI – Künstliche Intelligenz. Special Issue Intentional Forgetting.
14. Jilek, Christian, Sven Schwarz, Heiko Maus, and Andreas Dengel. 2016. Managed Forgetting, Data Condensation & Preservation in Application. In 2016 ACM Int’l Joint Conf. on Pervasive and Ubiquitous Computing: Adjunct, 1046–1053. UbiComp’16. ACM.
15. Jilek, Christian, Jessica Chwalek, Sven Schwarz, Markus Schröder, Heiko Maus, and Andreas Dengel. 2019. Advanced Memory Buoyancy for Forgetful Information Systems. In AIS Transactions on Enterprise Systems, Special Issue: Conf. on Intentional Forgetting in Organizations and Work Settings (CoInFo 2018), Potsdam, Germany, September 11-12, 2018 (to appear). Gito mbH Verlag.
16. Stamm, Kristin, and Andreas Dengel. 2014. Mapping Multichannel Documents to Attentive Tasks: Ensuring Information Gain and Detecting Failures. In Agents and Artificial Intelligence, 449:360–ff. Springer.
17. Sauermann, Leo, Ludger van Elst, and Andreas Dengel. 2007. PIMO – A Framework for Representing Personal Information Models. In I-SEMANTICS Conf. 2007, Graz, Austria, 270–277. J.UCS. Know-Center.

Mit Dank an AWSI Publishing; der Beitrag fußt auf einem Text aus der Zeitschrift IM+io 3/18.