Das Unternehmen attempto aus Oberhaching im Landkreis München ist seit 2006 als Unternehmensberatung für IT-Projekte tätig und bietet dabei unter anderem die Entwicklung kundenindividueller Software sowie Beratung bei der Einführung, Konzeption, Entwicklung und Wartung von IT-Systemen. Zu den Kunden zählen Banken und Versicherungen sowie Unternehmen aus Industrie, Handel und dem öffentlichen Sektor. Eines ihrer Produkte ist eine Softwarelösung, die die Arbeit mit Personalprofilen digitalisiert. Die Anwendung richtet sich an Unternehmen wie beispielsweise Personaldienstleister oder Beratungsfirmen, die regelmäßig Mitarbeiterprofile erstellen und aktualisieren müssen, um diese für Kundenprojekte anzubieten.
Die Kernfunktionen dieser SaaS-Lösung (Software-as-a-Service) sind die Erfassung, Pflege und Verwaltung von Kompetenz- und Erfahrungsprofilen der Mitarbeitenden, sodass auf einer einheitlichen, digitalen Plattform sämtliche Prozesse im Profil- und Angebotsmanagement zentralisiert werden. Die Mitarbeitenden können ihre Qualifikationen und Erfahrungen selbst direkt in der Plattform hinterlegen und aktualisieren. Damit soll gewährleistet werden, dass Vertriebsmitarbeitende auf eine aktuelle und verlässliche Datenbasis zugreifen können, um das passende Personal für Projekte auszuwählen und an Kunden weiterzuvermitteln.
KI wird hier bereits eingesetzt, um die Dateneingabe zu vereinfachen und die Datenqualität so weiter zu steigern. Zudem sind Filter- und Suchfunktionen integriert, um eine gezielte Suche nach bestimmten Qualifikationen und Erfahrungen zu ermöglichen. Allerdings möchte attempto den Einsatz von KI weiter ausweiten, weshalb die Firma den Dialog mit dem Mittelstand-Digital Zentrum Augsburg suchte, um gemeinsam neue Ansätze zu entwickeln. Die KI-Experten Dr. Martin Gottwald und Alexandros Tsakpinis von fortiss haben die Plattform unter die Lupe genommen und sich die vorhandenen Ideen näher angeschaut. Gemeinsam mit den Mitarbeitenden von attempto wurden diese diskutiert und neue Ansätze vorgestellt.
Teil-Automatisierte Erstellung der Kompetenzprofile
Da die händische Pflege des eigenen Kompetenzprofils auf der Plattform im Alltag oft zu kurz kommt, wäre eine Möglichkeit den Nutzenden eine KI-gestützte Assistenz zur Seite zu stellen. Ähnlich wie ein Wizard, der bei der Installation von Computerprogrammen hilft, könnte eine solche Assistenz die Nutzenden durch die Maske für die Erstellung der Kompetenzprofile führen.
Dieser Wizard kann so auch beim Erkunden von Kompetenzen helfen: Tippt man beispielsweise eine Fähigkeit ein, wird analysiert, ob ähnliche Kompetenzen bereits im System vorhanden sind. Zudem sind Vorschläge zur Schreibweise oder Hinweise auf typische Stolperfallen möglich. Solch ein Wizard könnte als Recommender-System (dt. Empfehlungsdienst) aufgezogen werden. Nach einer initialen Lernphase, in der die Qualifikationen und deren Zusammenhänge erfasst werden, kann das System anschließend selbstständig Vorschläge machen.
Ein wichtiger Baustein stellt hierbei das Clustern von Kompetenzen dar. Da ein KI-System nicht rein auf die Schreibweise der Fähigkeiten anspringt, sondern auch semantische Ähnlichkeiten erkennen sollte, ist es sinnvoll, die Kompetenzen semantisch zu clustern. Beispielsweise sollten “MS-Word” und “Microsoft Office” nicht als zwei getrennte Fähigkeiten betrachtet werden.
Pflege der Datenbasis und Erhalt der Qualität
Trotz aller Sorgfalt schleichen sich mit der Zeit verschiedene Schreibweisen und Variationen desselben Begriffs ein. Um zu vermeiden, dass Nutzer:innen von Hand den gesamten Datenbestand durchsuchen müssen, um die richtige Schreibweise zu finden, könnte ein Ansatz mittels eines Large Language Model (LLM) Abhilfe schaffen. Ein LLM kann einen Begriff nicht nur als Zeichenkette verarbeiten, sondern dessen Bedeutung und semantische Einbettung erfassen. Dadurch können Begriffe vereint werden, ohne dass fälschlicherweise unterschiedliche Kompetenzen zusammengefasst werden.
Ziel ist es, eine Ausgewogenheit zwischen einer gewissen Freiheit bei der Dateneingabe für die Nutzenden des Systems und der Einheitlichkeit der Datenbank zu schaffen. Würde man im Alltag über die internen Cluster-Namen der Kompetenzen arbeiten, dann wäre eine perfekte Schreibweise garantiert. Allerdings wäre dies eine starke Einschränkung bei der Ausdruckskraft für die Nutzer:innen. Das entgegengesetzte Szenario wäre, dass alle zunächst einfach drauflosschreiben können. Man hätte den optimalen Freiraum bei der Angabe von Kompetenzen, aber die Datenbank würde unter dem Wildwuchs leiden.
Das frühzeitige und regelmäßige Aussprechen von Empfehlungen ohne strikte Limitierungen zu erzwingen, kombiniert mit einem LLM, um die Labels zu aktualisieren und gleichzeitig die Einheitlichkeit zu wahren, könnte ein möglicher Ansatz sein, um die Qualität der Datenbank zu erhalten und die Nutzenden bei der Eingabe von Kompetenzen zu unterstützen.
Wie lässt sich die optimale Lösung finden?
Da attempto bereits über umfassendes KI-Wissen verfügt, konnte das Augsburger Zentrum als Sparringspartner fungieren. Die vorhandenen Ideen und technischen Ansätze wurden vom Unternehmen vorgestellt und im Detail gemeinsam mit den KI-Experten diskutiert. So konnten diese auf Optimierungspotenziale hinweisen sowie bei der Auswahl geeigneter Tools bzw. Methoden zur Hand gehen, indem sie die Anforderungen an die KI-Systeme präzisieren und passende Lösungsansätze in die Diskussion einbringen konnten.
Wichtige Fragen, über die man sich vor und während des Prozesses Gedanken machen sollte, sind:
- Warum und wofür soll eine KI eingesetzt werden und was soll erreicht werden?
- Welche Daten sind vorhanden, wie ist deren Qualität und sind diese überhaupt passend für den geplanten Ansatz?
- Wie kann ermittelt werden, ob ein KI-Ansatz Erfolg hat und wie übersetzt man subjektives Qualitätsempfinden in reproduzierbare Messungen?
Durch die Diskussion dieser Fragen mit den Zentrumsexperten konnte attempto die KI-Ansätze weiter schärfen und sicherstellen, dass diese nicht nur technisch funktionieren, sondern auch den Anforderungen des Unternehmens im Alltag gerecht werden.