Personaleinsatzplanung: KI-basiert, nachvollziehbar und lokal

Als Dienstleister für Wartung, Instandhaltung und Installation von Maschinen und Anlagen ist die 1993 gegründete WIN Service Group an zehn Standorten tätig. Das Unternehmen verfügt über zahlreiche Serviceteams im Innen- und Außendienst, die Aufträge von der Kundenberatung über Maschinen- und Metallbau bis zur Elektrotechnik direkt bei den rund 1.200 Kunden umsetzen.

Die Wartung, Reparatur und De- bzw. Remontage von Maschinen und Anlagen erfordert ein hohes Maß an Expertise und Fachwissen. Die Zuordnung von Servicemitarbeitenden entsprechend ihrer Spezialisierung und ihrer sich daraus ergebenden Eignung zu eingehenden Neuaufträgen erfolgte bei der WIN bislang rein manuell und erforderte viel implizites Wissen und Erfahrung auf Seiten der circa zehn Koordinator:innen. Im Rahmen der Zuordnung muss die Komplexität der eingehenden Aufträge erfasst, Anforderungen an die Servicemitarbeitenden abgeleitet sowie die Vielschichtigkeit der Kompetenzen der Mitarbeitenden berücksichtigt werden. Dieser Prozess führt zu personellen Abhängigkeiten vom impliziten Erfahrungswissen der Koordinierenden und verringert die Resilienz des Unternehmens bei Ausfall des entsprechenden Fachpersonals.

Die über die vergangenen Jahre kontinuierlich steigende Zahl an Aufträgen und Kunden, macht es für einzelne Koordinator:innen schwierig bis unmöglich den Überblick über alle Mitarbeitenden, ihre Kompetenzen, Verfügbarkeiten und ihre Reisefähigkeit zu behalten, um eine bestmögliche Zuweisung sicherzustellen, sowohl für die Mitarbeitenden als auch für die Kunden.

Mit der Entwicklung eines KI-gestützten Assistenzsystems, welches über eine standardisierte Web-Schnittstelle mit dem firmeninternen Auftragsmanagementsystem verbunden ist, wurde eine Lösung entwickelt, die für eingehende Auftragsbeschreibungen passende Berufe und Kernkompetenzen und somit geeignete Servicemitarbeitende vorschlägt. Eine Benutzeroberfläche ist in das Auftragsmanagement-Programm des Unternehmens integriert, sodass beim Eingang eines Auftrags automatisch die Vorschläge des KI-Systems aufgerufen werden können und die technische Umsetzung daten- und ressourcensparend lokal im Unternehmen ausgeführt werden kann. Zusätzlich zu diesem KI-gestützten Assistenzsystem wird ein externer Demonstrator angeboten, der im Sinne einer erklärbaren KI die Entscheidungsgrundlagen der Vorhersage transparent macht.

Die KI-basierte Lösung zielt darauf ab, die Resilienz der WIN zu erhöhen, indem die kognitive Belastung der Koordinator:innen in komplexen Zuordnungsverfahren gesenkt und die Abhängigkeit für Zuordnungsprozesse vom impliziten Wissen der Koordinator:innen verringert wird. Auf diese Weise können die Produktivität verbessert und Wissenssilos abgebaut werden. Für die Koordinator:innen bedeutet dies eine direkte Arbeitserleichterung. Servicemitarbeitende wiederum profitieren von einer geringeren Belastung und Stresslevel durch eine passgenauere Aufgabenverteilung.

--

Die Entwicklung des Assistenzsystems begann mit einer Nutzungskontextanalyse und der Anforderungsanalyse für den Anwendungsfall bei der WIN, bei der zunächst die bis 2016 zurückreichende Datenbasis als Grundlage für die Entwicklung des Systems untersucht wurde. Die vorhandenen Daten wurden analysiert und exploriert, um Zusammenhänge, Wissensmatrizen sowie mögliche Probleme wie beispielsweise Bias durch ungleich verteilte Schlagworte in den Daten zu identifizieren. Zum Beispiel kommt, obgleich kein direkter fachlicher Zusammenhang besteht, das unspezifische Wort “Stück” oder “St.” sehr häufig in bestimmten Aufträgen vor. Das führt dazu, dass Suchanfragen mit diesem Wort fälschlicherweise schnell einem Auftragstyp zugeordnet werden.

Die Datenlage umfasste einerseits Informationen zu Kompetenzen der Mitarbeitenden (z. B. basierend auf Zertifikaten oder ihren IHK-Profilen) sowie einer Übersicht vergangener Aufträge. Die Daten wurden dafür zunächst strukturiert, bereinigt und normalisiert. Daraufhin erfolgte eine erste Ableitung der Kompetenzbedarfe für bestimmte Aufgaben, basierend auf der Zuordnung von Mitarbeitenden zu Aufgaben sowie den hinterlegten Kompetenzprofilen.

Eine große Herausforderung für das Modelltraining war der Umgang mit den in der Regel sehr kurz gehaltenen Auftragsbeschreibungen (Freitext Tätigkeitsbeschreibung), die implizites und technisches Domänenwissen voraussetzen. Ein Beispiel hierfür ist die Auftragsbeschreibung “Erweiterung Schweißgasversorgung: Schweißer/in”. Mit dem Berufsbild Schweißer sind zahlreiche mögliche Kernkompetenzen verknüpft, etwa Montage (Metall, Anlagenbau), Schweißnahtprüfung, Schweißtechnik, Löten, Qualitätsprüfung, Qualitätssicherung, Rohrinstallation, Rohrleitungsbau, Schutzgasschweißen, Schweißroboter etc. Die Herausforderung besteht darin, aus den knappen Auftragsbeschreibungen, zwischen denen häufig wenig Trennschärfe vorliegt, die tatsächlich relevanten Kompetenzbedarfe abzuleiten. Auf Basis der aufbereiteten und normalisierten Daten wurde anschließend ein Modell trainiert und ein Prototyp entwickelt, um Vorschläge für die Zuordnung von Servicemitarbeitenden zu Aufträgen zu generieren. Nach der Empfehlung eines für einen eingehenden Auftrag passenden Berufs schlägt das System eine randomisierte Vorschlagsliste an Mitarbeitenden mit dieser beruflichen Qualifikation vor.

Die Evaluation des Prototyps erfolgte gemeinsam mit den Mitarbeitenden des Unternehmens, die insbesondere Aspekte wie Benutzbarkeit, Erklärbarkeit und Zuverlässigkeit der Vorhersagen evaluierten. Das Feedback aus dieser Evaluation sowie weitere Erkenntnisse aus der Datenanalyse fließen kontinuierlich in die Verbesserung der Datenqualität und der Modellvorhersagen ein. Parallel dazu werden Funktionalität und Nutzerfreundlichkeit der Benutzeroberfläche weiterentwickelt. Darunter fallen sowohl die fortlaufende Vereinfachung des Frontend-Designs als auch die Erhöhung der Prägnanz von Erklärungen der KI-Voraussagen im Dashboard.

Im gesamten Entwicklungsprozess werden menschzentrierte Aspekte zentral berücksichtigt, indem das domänenspezifische Wissen der Geschäftsführung und der Koordinierenden einbezogen wird und diese zudem im Umgang mit dem System geschult werden und die weitere Entwicklung mitbestimmen. Die Implementierung einer erklärbaren KI ist hierbei fundamental. Beide Faktoren tragen wesentlich zur Akzeptanz der Lösung von Mitarbeitenden im Unternehmen bei.

In einem wissenschaftlich fundierten Prozess wurden die Daten analysiert und eine optimale Lösung zur Durchführung eines Modell-Trainings gefunden. Hierbei standen neben den Herausforderungen der Daten auch Anforderungen der WIN hinsichtlich des Datenschutzes, digitaler Souveränität und langfristiger Nutzbarkeit des Assistenzsystems im Fokus. Der Service kann aufgrund der gewählten Lösung daten- und ressourcensparsam auch direkt auf den eigenen Servern des Unternehmens betrieben werden, was eine unabhängige Nutzung ermöglicht. Das System ist zudem so konzipiert, dass es zukünftig automatisiert mit neuen Daten weiterentwickelt und aktualisiert werden kann, um die Vorhersagequalität kontinuierlich zu verbessern, Anpassungen an veränderte Anforderungen zu ermöglichen und langfristig eine verlässliche, aktuelle Entscheidungsunterstützung zu bieten.

Die enge Zusammenarbeit zwischen Forschung, Entwicklung und dem Unternehmen war hilfreich und notwendig für das gegenseitige Verständnis über Ziele und Herausforderungen. Agile Entwicklungsmethoden stellen zudem sicher, dass nicht statisch an einmal festgeschriebene Anforderungen festgehalten wird, sondern Ziele flexibel erreicht werden können. Der Austausch zwischen Forschung und Praxis führte auf beiden Seiten zu einem erheblichen Erkenntnisgewinn und ermöglichte wertvolle Einblicke sowohl in wissenschaftliche Aspekte als auch in praktische Herausforderungen.