Diese Arbeit untersucht die Chancen und Risiken von künstlicher Intelligenz in der Ökonomie. Die Analyse erfolgt unter besonderer Berücksichtigung des Process Mining. Das Potential und die Problematik rund um die Entwicklung von Big Data wurden durch den Mathematiker Clive Humby schon in den 2000ern aufgestellt. Seitdem befinden wir uns in einer digitalen Wirtschaft, in welcher Daten wertvoller sind denn je. Die Vorteile können jedoch nur dann realisiert werden, wenn Daten strategisch erfasst und verwaltet werden.
Process Mining verwendet Techniken, um aus Daten Mehrwerte zu erzielen, wie zum Beispiel Prozesse mit Hilfe von Prozessablaufdaten zu entdecken, Engpässe zu analysieren, Prozessvarianten zu vergleichen und Verbesserungen vorzuschlagen. Aufgrund der zunehmenden Vernetzung von Informationssystemkomponenten wird die massive Ansammlung von Daten meist als Begriff "Big Data" bezeichnet. Die Nutzung dieser Daten eröffnet neue Potentiale zur Planung, Steuerung und Gestaltung von Prozessen sowie zu unternehmensübergreifenden Wertschöpfungsnetzwerken zur Entwicklung neuer Produkte und Geschäftsmodelle.
Inhaltsverzeichnis
- Künstliche Intelligenz und Process Mining - Steigende Bedeutung durch Big Data....
- Überblick
- Künstliche Intelligenz
- Aktuelle Lage
- Spezialfall Process Mining
- Process Mining - Grundsätzlicher Ablauf
- Positionierung von Process Mining
- Quellen der Datensätze
- Prozesserkennung
- Play In Prozesserkennung
- Play Out - Prozesserkennung
- Qualitätskriterien der Prozessmodelle
- a-Algorithmus zur Prozesserkennung
- Konformitätsprüfung zwischen Modell und Datensätzen
- Data-Mining in den Datensätzen
- Überwachtes Lernen
- Unüberwachtes Lernen
- Perspektiven des Prozessmodells
- Erweiterung/Reparatur
- Operative Unterstützung
- Process Mining – Praktische Darstellung am Beispiel einer Fertigung
- Kritische Würdigung
- Zusammenfassung und kurzer Ausblick
Zielsetzung und Themenschwerpunkte
Die vorliegende Bachelorarbeit befasst sich mit den Chancen und Risiken der künstlichen Intelligenz im Kontext der Ökonomie. Sie analysiert insbesondere den Einsatz des Process Mining als Werkzeug zur Optimierung von Geschäftsprozessen. Die Arbeit untersucht die Funktionsweise und das Potential von Process Mining im Detail und beleuchtet gleichzeitig die Herausforderungen und ethischen Aspekte, die mit dem Einsatz von KI in der Wirtschaft verbunden sind.
- Künstliche Intelligenz und ihre Anwendung in der Ökonomie
- Die Funktionsweise und Möglichkeiten von Process Mining
- Chancen und Risiken von KI im wirtschaftlichen Kontext
- Ethische und gesellschaftliche Implikationen des KI-Einsatzes
- Praxisbeispiele und Fallstudien zur Anwendung von Process Mining
Zusammenfassung der Kapitel
Das erste Kapitel führt in das Thema Künstliche Intelligenz (KI) und Process Mining ein und zeigt die wachsende Bedeutung dieser Technologien im Kontext von Big Data auf. Kapitel 2 bietet einen umfassenden Überblick über KI, ihre aktuelle Entwicklung und den speziellen Fall des Process Mining. Im dritten Kapitel wird der grundsätzliche Ablauf von Process Mining erläutert, beginnend mit der Positionierung von Process Mining innerhalb der Prozesslandschaft, der Erläuterung verschiedener Quellen für Datensätze und der detaillierten Analyse der Prozesserkennung. Kapitel 3 beleuchtet auch die Konformitätsprüfung zwischen Prozessmodell und Datensätzen sowie die Möglichkeiten des Data-Minings in den Datensätzen. Abschließend werden Perspektiven des Prozessmodells, wie Erweiterung/Reparatur und operative Unterstützung, vorgestellt. Kapitel 4 zeigt die praktische Anwendung von Process Mining am Beispiel einer Fertigung auf. In Kapitel 5 werden die diskutierten Aspekte kritisch gewürdigt.
Schlüsselwörter
Künstliche Intelligenz, Process Mining, Big Data, Prozessoptimierung, Geschäftsprozesse, Datenanalyse, KI-Anwendungen, Chancen und Risiken, ethische Aspekte, Operative Unterstützung, Praxisbeispiele.
- Citation du texte
- Michael Bovan (Auteur), 2021, Process Mining. Chancen und Risiken von künstlicher Intelligenz in der Wirtschaft, Munich, GRIN Verlag, https://www.grin.com/document/1176113
