Wissensmanagement 4.0. Einsatz von Augmented Intelligence zur Entscheidungsfindung

Inhaltsverzeichnis

Abkurzungsverzeichnis

Abbildungsverzeichnis

1 Einleitung
1.1 Motivation
1.2 Vorgehensweise und Aufbau der Arbeit

2 Theoretischer Hintergrund
2.1 Wissensmanagement 4.0
2.1.1 Daten, Informationen und Wissen
2.1.2 Herausforderungen
2.2 Abgrenzung kunstliche Intelligenz
2.3 Augmented Intelligence

3 Entscheidungsfindung durch Augmented Intelligence
3.1 Methodik
3.2 Fallbeispiel: Personalbeschaffung
3.2.1 Losungsansatz
3.2.2 Praxisbeispiel und technischer Hintergrund: HireVue
3.3 Handlungsempfehlung

4 Fazit
4.1 Kritische Wurdigung
4.2 Zusammenfassung

Literatur- und Quellenverzeichnis

Abkiirzungsverzeichnis

Informationstechnologie Kunstliche Intelligenz Machine Learning Wissensmanagement

Abbildungsverzeichnis

Abbildung 1: Begriffshierarchie Daten, Informationen und Wissen

Abbildung 2: Betroffenheit von Institutionen vom Fachkraftemangel

Abbildung 3: Variante der statistischen Spracherkennung

1 Einleitung

1.1 Motivation

Der globale Fortschritt in der Informationstechnologie (kurz: IT) geht einher mit der Entstehung einer digitalen Wissensgesellschaft und mit einem immensen Wandel wie Institutionen mit Daten, Informationen und Wissen umgehen. Das 16. Jahrhun- dert wird in Europa als Age of Reason bezeichnet. Diese Zeit ist mit dem Beginn einer systematischen Erforschung der Umwelt gepragt. Durch diese Erkenntnisse wurde der Fortschritt in der Industriegesellschaft gefordert, indem Wissen in Maschi- nen und Produktionsprozesse integriert wurde. Damit haben sich Informationen und Wissen zu unerlasslichen Produktionsfaktoren entwickelt. In der Praxis wurden erste Instrumente des Wissensmanagements (kurz: WM) etabliert, aus denen wissensba- sierte Theorien fur Geschaftsprozesse abgeleitet worden und somit auch Wettbe- werbsvorteile entstanden sind. Aktuell befindet wir uns am Anfang der Wissensge­sellschaft 4.0, welches vom allgegenwartigen digitalen Wandel gepragt ist.¹ Damit schreitet die Digitalisierung der Arbeitsgesellschaft weltweit voran. Aus diesem Grund ist das WM eines Unternehmens im Zusammenhang mit den Veranderungen von Geschaftsprozessen und der Einfuhrung von neuen Technologien zu betrach- ten.² Der Einsatz digitaler Technologien tragt einen wesentlichen Faktor zur Wert- schopfung in der Gesellschaft, Politik und Wirtschaft bei. Diese Wertschopfung ist allerdings von den Fahigkeiten der Unternehmen abhangig, die die Daten beschaf- fen und auswerten. Durch den Einsatz von zahlreichen neuen, datenbasierten Ge- schaftsmodellen sowie intelligenten und vernetzten Produkten, die die digital ge- stutzte Wissensokonomie unterstutzen, wird der Wettbewerb standig verandert. In dieser Phase wird das Wissen von Experten steigend durch intelligente und ver- netzte Systeme erganzt, gestarkt und erweitert.³ Unter diesem Aspekt verfolgt diese Arbeit das Ziel, die Chancen und Herausforderungen beim Einsatz von digitalen In- strumenten zur Unterstutzung des WM aufzuzeigen.

1.2 Vorgehensweise und Aufbau der Arbeit

Zur Erreichung derZielsetzung, wird in dieser Arbeit die wissenschaftliche Methode Literaturanalyse herangezogen. Nach Niedermair werden zwischen drei Varianten einer Literaturrecherche unterschieden: die formelle Recherche, Recherche auf- grund von personlichen Interessen und dem Schneeballsystem.⁴ Relevant fur die Ausarbeitung dieser Arbeit ist die erste Variante, die den gangigen wissenschaftli- chen Prozess der Literaturrecherche darstellt. In dieser Arbeit wird fur die formelle Recherche ein dreistufiges Vorgehensmodell nach Berninger et al. genutzt. Der erste Schritt befasst sich mit dem Arbeitstitel und den Schlusselbegriffen, die sich daraus ableiten. Den ermittelten Begriffen werden im zweiten Schritt Synonyme und ver- wandte Begriffe zugeordnet. Auf Grundlage der zuvor gesammelten Suchbegriffe wird im dritten Schritt die eigentliche Literaturrecherche durchgefuhrt.⁵ Damit wird die Basis fur diese Arbeit festgelegt, die sich zusammen mit der Einleitung in vier Kapitel aufteilt. Im zweiten Kapitel werden relevante Grundlagen behandelt. Die Ge- genuberstellung von Nutzen und Limitationen, zeigt im dritten Kapitel auf, inwiefern der Einsatz digitaler Instrumente das WM bei der Entscheidungsfindung unterstutzt. Im letzten Kapitel werden die Ergebnisse dieser Arbeit kritisch gewurdigt und ab- schlieBend zusammengefasst.

2 Theoretischer Hintergrund

2.1 Wissensmanagement 4.0

Im Angesicht der Globalisierung wird in vielen Institutionen deutlich, dass ein effizi- entes und nachhaltiges WM zum Erhalt der Wettbewerbsfahigkeit notwendig ist. Hierbei ist ein Wandel von arbeitsintensiven zu wissensintensiven Geschaftsprozes- sen zu beobachten. Unternehmen befassen sich steigend mit dem effizienten Ein- satz von intelligenten Produkten und Wissen. Dabei setzen Unternehmen auf mogli- che Differenzierungspotenziale, z.B. durch die Kombination von Wissen Oder auf Ra- tionalisierungspotenziale z.B. durch die Verbreitung von Best Practices. Das Ziel der wissensorientierten Unternehmensfuhrung ist es messbare Geschaftserfolge zu er­reichen, in dem aus Informationen Wissen generiert wird, um dieses Wissen dann in nachhaltiger Form als Vorteile im Wettbewerb einzusetzen. Zur Gestaltung eines ef­fizienten WM werden daher nicht nur das interne Know-how eines Unternehmens herangezogen, sondern auch das Know-how von Allianzpartnern, Kunden, Lieferan- ten und weiteren auBenstehenden Know-how-Tragern. Dies wird vor allem durch den Fortschritt in der IT gefordert, die es ermoglicht eine groBe Anzahl von Informa­tionen zu erzeugen, diese kostengunstig zu sichern Oder zu verteilen. Damit stellt das WM sicher, das fur die Erreichung von unternehmerischem Zielen, notwendiges Wissen bei Bedarf zur Verfugung steht, da es als Kapital zur Steigerung des Unter- nehmenswertes angesehen wird.⁶

2.1.1 Daten, Informationen und Wissen

Daten, Informationen und Wissen sind kostbare Ressourcen eines Unternehmens und mussen daher geplant, gesteuert und kontrolliert werden. Sie konnen neu ent- stehen, gesichert, auf verschiedene Arten genutzt, weitergeleitet und auch wieder entfernt werden. Trotz unterschiedlicher Bedeutungen werden diese Begriffe haufig synonym verwendet. Daher ist es wichtig diese Begriffe voneinander abzugrenzen. Daten, Informationen und Wissen bauen auf einander auf. Daten werden aus einer Sammlung von Zeichen nach festgelegten Syntaxregeln gebildet. Mit der Zuordnung von semantischen Zusammenhangen an Daten, entstehen Informationen. Die Kom- bination von verschiedenen Informationen fuhrt dann zur Generierung von Wissen. Dazu sind die Informationen in einem logischen Kontext miteinanderzu verknupfen.⁷

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Entnommen aus Bodendorf (2006), S. 1.

Abbildung 1: Begriffshierarchie Daten, Informationen und Wissen

2.1.2 Herausforderungen

Ein Unternehmen kann nicht von alleine Wissen schopfen, die Ressource Wissen wird von den Mitgliedern eines Unternehmens geschaffen und zur Verfugung ge- stellt. Aus diesem Grund sind MaBnahmen zur Wissensschopfung zu treffen. Hierzu konnen aus der Forschungsliteratur unterschiedliche Konzepte entnommen werden. Ein gangiges Modell stellt das SECI-Modell dar, welches die Aspekte Sozialisierung, Externalisierung, Kombination und Verinnerlichung im WM betrachtet. Ein weiteres Beispiel im WM stellt das Bausteinmodell dar, das auf Grundlage vorhandener Stan­dards einen praktischen Rahmen zur Steuerung und Kontrolle von Wissen in Unter­nehmen ermoglicht. Diese theoretischen Modelle stellen jedoch nur einen Teilaspekt des WM dar. In einer globalisierten Welt in dem Menschen uber digitale Kanale mit- einander vernetzt sind, mussen auch kulturelle Faktoren berucksichtigt werden.⁸ Des Weiteren lasst sich Wissen in zwei Aden unterteilen, das explizite und das implizite Wissen. Das explizite Wissen lasst sich in Worten, Zahlen und Zeichen ausdrucken, es ist einfach zu teilen und zu speichern und somit greifbar. Das implizite Wissen stellt hingegen das Wissen dar, das im Laufe der Zeit durch Erfahrungen, Emotionen und Beobachtungen entsteht und nicht greifbar ist. In der Handhabung ist dieses Wissen deutlich schwieriger, da die Eigentumer zogern ihr Wissen zu teilen. Dies liegt vor allem an der Furcht, dass andere Ideen auf Basis des eigenen Wissens umsetzen konnen. Aber auch Bedenken hinsichtlich der Arbeitsplatzsicherheit und dem Selbstwertgefuhl, basierend auf dem eigenen Wissen, stellen Herausforderun- gen dar.⁹ Zusatzlich befindet sich die Gesellschaft in einem sich standig verandern- den und wettbewerbsorientierten Umfeld, in dem der Erhalt von effizienten und kor- rekten Informationen eine hohe Prioritat aufweisen. Allerdings kann die Vielfalt der unterschiedlichen Informationsplattformen wie E-Mails, Digitale-Nachrichten und an­dere Informationsquellen aus dem Internet zur Uberlastung fuhren. Diese Informa- tionsflut fuhrt im Umgang mit grolien Datenmengen dazu, dass mehr Zeit zur Samm- lung und zum Filtern von Informationen genutzt wird, anstelle der Analyse und Ent­scheidungsfindung. Wenn somit unstrukturierte Daten, aus den unterschiedlichsten Plattformen nicht geplant, klassifiziert und gesteuert werden ist es kaum moglich Ri- siken und Chancen aus den Informationen zu ermitteln, urn wertschopfende Ent- scheidungen zu treffen.¹⁰

2.2 Abgrenzung kiinstliche Intelligenz

Der Begriff kunstliche Intelligenz (kurz: KI) wurde erstmals im Rahmen eines Projek- tantrags vom amerikanischen Informatiker John McCarthy verwendet.¹¹ Die KI ist ein Teilgebiet der Informatik und beschreibt wie rechnergesteuerter Systeme kognitive Kompetenzen des Menschen nachstellen. Der Einsatz von Kl-Systemen befahigt Maschinen, Roboter und Softwaresysteme dazu, in einer fur das System unbekann- ten Umgebungen unterschiedliche Aufgaben und Probleme, sowohl mit als auch ohne den Eingriff von Menschen zu losen.¹² Eine gangige Aufteilung von KI erfolgt in die beiden Bereiche schwache und starke KI. Eine schwache KI verfolgt das Ziel, menschliche Fahigkeiten zur Erfullung von Aufgaben auf einem gleichen Oder einem leicht erhohten Niveau zu imitieren. Die starke KI hat wiederum das Ziel, menschli­che Fahigkeiten durch den Einsatz von Technologie in nahezu samtlichen Bereichen des Alltags nachzubilden, zu verbessern und zu ubertreffen.¹³ Der Stand derTechnik zeigt jedoch auf, dass aktuell vorhandene Kl-lnstrumente in der Kategorie der schwachen KI angesiedelt sind. Mittels datenbasierter Technologien bieten die bis- her entwickelten Instrumente intelligente Entscheidungen zu konkreten Anwen- dungsfallen, sind jedoch davon entfernt die menschliche Intelligenz zu erreichen.¹⁴

Machine Learning (kurz: ML) ist ein Teilgebiet der KI. ML setzt Algorithmen ein, die auf Basis vorhandener Daten, Muster erkennen und Informationen ableiten. Damit wird kunstliches Wissen erzeugt. Dieser Ansatz wird z.B. in der Bdrsenvorhersage, der Kreditwurdigkeitsprufung Oder der Wettervorhersage angewandt.¹⁵ Das Ergeb­nis dieser Methode hangt dabei von der Leistung und der Fahigkeit des Lernalgo- rithmus ab.¹⁶ ML wird gangig in die Kategorien Supervised ML (zu Deutsch: uber- wachtes Lernen), Unsupervised ML (zu Deutsch: unbewachtes Lernen) und Rein­forcement Learning (zu Deutsch: verstarkendes Lernen) aufgeteilt.¹⁷ Beim Supervi­sed ML werden einem Programm Beispieldatensatze zur Verfugung gestellt. Das Programm wird damit auf eine erwunschte Interpretation und die damit in Relation gesetzte Aufgabe trainiert. Damit wird das Ziel verfolgt Basisregeln zu finden, die die bekannten Eingangsdaten mit den gewunschten Ausgangsdaten in Verbindung set- zen. Mit diesen Regeln und dem gelernten Wissen hat das Programm die Aufgabe eigenstandig Prognosen uber bisher nicht bekannte Eingaben und Ausgaben zu tref- fen.¹⁸ Die Verwendung von Unsupervised ML zielt darauf ab, Muster in vorhanden Daten zu entdecken. Dabei unterteilt der Algorithmus die Eingangsdaten in Katego­rien ein, die selbststandig auf Basis der gegebenen Daten erstellt werden. Der dritte Lernansatz Reinforcement ML hat die Aufgabe fur ein gegebenes Problem eine effi- ziente Strategie zu erlernen. Dabei wird dem Algorithmus nicht vorgegeben, welche Aktion in welchem Ereignis die effizientere Wahl ware. Dem Algorithmus wird ledig- lich je nach gewah Iter Aktion entweder eine Strafe Oder eine Belohnung zugewiesen. Damit entscheidet das Programm auf Basis eigener Erfahrungswerte, welche der nachstmoglichen Aktionen die Belohnung maximiert.¹⁹

Bei Deep Learning handelt es sich um einen Ansatz, der als Spezialisierung des maschinellen Lernens beschrieben wird. Zur Verarbeitung von Informationen greift das maschinelle Lernverfahren auf den Einsatz von kunstlichen neuronalen Netzen zuruck.²⁰ Unter einem kunstlichen neuronalen Netz wird die Verkniipfung einer be- liebigen Menge von gewichteten Neuronen mittels einer Software verstanden. Wah- rend des Trainingsprozesses kann die Gewichtung der Neuronen angepasst wer- den, um ein optimaleres Ergebnis zu erreichen. Die einzelnen Neuronen sind auf unterschiedlichen Schichten verteilt. Je tiefer das neuronale Netz gemessen an der Anzahl der vorhandenen Schichten ist, umso komplexere Aufgaben konnen gelost we rd en.²¹ Dabei sind die Neuronen der einen Schicht immer mit alien Neuronen der nachsten Schicht verbunden. Die Eingabeschicht ist der Startpunkt des Informati- onsflusses. Eingangssignale werden von den Neuronen am Anfang aufgenommen und an die Neuronen der nachsten Schicht weitergegeben. Zwischen der Eingabe- und der Ausgabeschicht befinden sich die Zwischenschichten. Die Ausgabeschicht stellt den Endpunkt des Informationsflusses dar und enthalt das Ergebnis der Infor- mationsverarbeitung durch das Netzwerk.²²

2.3 Augmented Intelligence

In der aktuellen Forschungsliteratur werden technologische Moglichkeiten erlautert, die auf das Zusammenwirken der Mensch-Maschinen-lnteraktion eingehen. Die Li- teratur spricht in diesem Zusammenhang von einer effizienteren Wertschopfung im WM. Diese Instrumente erlauben das Wissen in einem Unternehmen effizient uber IT-Schnittstellen auszutauschen. Dadurch werden Mitglieder eines Unternehmens unterstutzt kritische Geschaftsdaten effizient auszuwerten und bei Bedarf zu nut- zen.²³ Zur effizienten Nutzung des Unternehmenswissens wird hierzu zwischen wis- sensbasierten und wissensorientierten Systemen unterschieden. Wissensbasierte Systeme wie Expertensysteme sind auf einer expliziten Wissensbasis aufgebaut. An dieser Stelle wird eine Aufgabe auf Grundlage des menschlichen Wissens, mittels vorgegebener Anweisung bewaltigt. Das Wissen in wissensorientierten Systemen wird hingegen nicht fest vorgegeben, sondern entsteht implizit. Indem Systeme wie kunstliche neuronale Netze mehrere Lernzyklen durchlaufen, entwickelt sich ihrWis- sen zur Losung von Problemen dynamisch weiter.²⁴ Die Kreativitat, Komplexitat und Dynamik der menschlichen Intelligenz ermoglicht dem Menschen abstrakt zu den- ken, Assoziationen zu bilden, mit der Umwelt zu interagieren und neues Wissen zu schaffen. Damit kann der Mensch trotz komplexer Beziehungen zwischen Daten und bei veranderten Aufgaben schnell eine Entscheidung treffen. Obwohl ein rechnerge- stutztes System durch ML und dem Einsatz von kunstlichen neuronalen Netzen, je nach Anwendungsgebiet Erfolge erzielen kann, ist es nicht dazu in der Lage mensch- liche Gehirnfunktionen vollstandig zu imitieren. Daher kann es nur in Umgebungen mit Einschrankungen und begrenzten Zielen eingesetzt werden.²⁵ Auf der anderen Seite konnen groBe Datenmengen durch maschinelle Lernverfahren aufbereitet wer­den, urn darauf basierend z.B. eine visuelle Darstellung vorzunehmen, sodass der Anwender aus diesen Daten verschiedene Erkenntnisse gewinnen kann. Ziel ist es damit die Fahigkeiten der KI mit dem Expertenwissen in Einklang zu bringen.²⁶ Im- mer leistungsstarkere Systeme zur Datenanalyse ermoglichen dabei groBe Mengen an Daten zu erfassen und daraus Informationen abzuleiten, auf dessen Basis der Mensch dann Entscheidungen treffen kann. Die analytischen Fahigkeiten von Ma- schinen gebundelt mit der Kompetenz eines Menschen bestimmte Sachverhalte zu interpretieren und zu bewerten, kann die Wettbewerbsfahigkeit erhohen und zur Marktbeherrschung fuhren. Eine Kombination der kunstlichen und menschlichen In­telligenz kann durch das gemeinsame Wissen die Wertschopfung eines Unterneh- mens vorantreiben. Augmented Intelligence stellt dabei eine Moglichkeit dar, die die­sen Prozess unterstiitzt.²⁷ Nach der Definition von PWC wird unter Augmented In­telligence eine Ebene der KI verstanden, bei der lernfahige Kl-Systeme in Interaktion mit Menschen, die Entscheidungsfindung erweitern und unterstutzen.²⁸ Augmented Intelligence ermoglicht aus bereits vorhandenen Daten, verborgene Informationen hervor zu heben. Damit kann neues, dem Menschen bisher unersichtliches Wissen entstehen. Dieses Wissen kann dann von Mitarbeitern zur effizienten Auswahl von Entscheidungen genutzt werden.²⁹

3 Entscheidungsfindung durch Augmented Intelligence

3.1 Methodik

Zur Aufstellung einer aussagekraftigen Bewertung der Chancen und Herausforde- rungen, beim Einsatz von Augmented Intelligence zur Unterstutzung des WM, wird als erganzende Methode die Fallstudie herangezogen. Einer Fallstudie liegt die Un- tersuchung eines bestimmten Forschungsobjektes und dessen Umweltbedingungen zu Grunde.³⁰ Diese Methode wird in neuen und komplexen Forschungsfeldern an- gewandt, um ein besseres Lagebild zu ermitteln. Zur Erkennung relevanter Zusam- menhange in Prozessablaufen tragt eine Einzelfallstudie bei, die eine umfassende Darstellung der sozialen Wirklichkeit aufstellt.³¹ Zur Aufstellung der Fallstudie wer- den die relevante Datenquellen der Literaturrecherche genutzt. Die Ausarbeitung der Fallstudie hat das Ziel eine Handlungsempfehlung herzuleiten, zur effizienten Imple- mentierung einer Kl-Strategie im Kontext des Fallbeispiels.

[...]

¹ Vgl. North, Maier (2018), S. 666f.

² Vgl. Wolf, Erfurth (2019), S. 142f.

³ Vgl. North, Maier (2018), S. 666f.

⁴ Vgl. Niedermair (2010), S. 120f.

⁵ Vgl. Berninger et al. (2017), S. 51 ff.

⁶ Vgl. North (2016), S. Iff.

⁷ Vgl. Bodendorf (2006), S. 1f.

⁸ Vgl. Wolf, Erfurth (2019), S. 143ff.

⁹ Vgl. Shaw, Liu (2016), S. 1f.

¹⁰ Vgl. Diao et al. (2009), S. 328.

¹¹ Vgl. Dahm, Dregger (2019), S. 251.

¹² Vgl. Muller-Quade et al. (2019), S. 5.

¹³ Vgl. Kreutzer, Sirrenberg (2019), S. 20.

¹⁴ Vgl. Apt, Priesack (2019), S. 222.

¹⁵ Vgl. Awad, Khanna (2015), S. 1.

¹⁶ Vgl. Zheng etal. (2017), S. 156.

¹⁷ Vgl. Buxmann, Schmidt (2019), S. 9.

¹⁸ Vgl. Kirste, Schurholz (2019), S. 25f.

¹⁹ Vgl. Buxmann, Schmidt (2019), S. 10f.

²⁰ Vgl. Pohlmann (2018), S. 4.

²¹ Vgl. Muller-Quade et al. (2019), S. 5.

²² Vgl. Folkers (2019), S. 3ff.

²³ Vgl. Kohlegger, Ploder (2018), S. 65f.

²⁴ Vgl. Bodendorf (2006), S. 147.

²⁵ Vgl. Zheng etal. (2017), S. 155f.

²⁶ Vgl. Kirste (2019), S. 61ff.

²⁷ Vgl. North, Maier (2018), S. 669ff.

²⁸ Vgl. PWC (2018), S. 6.

²⁹ Vgl. Sabhikhi, Sanchez (2017), S. 9.

³⁰ Vgl. Oehlrich (2019), S. 141.

³¹ Vgl. Borchardt, Gothlich (2007), S35f.

³² Vgl. Ruttgers, Hochgurtel (2019), S: 224f.

³³ Vgl. Stippler et al. (2019), S. 6ff.