Kasten:Elemente der Hyperautomatisierung

Die Kombination dieser Bestandteile führt zum hyperautomatisierten Unternehmen:

Business Rules Engine: Software-System, das eine oder mehrere Geschäftsregeln ausführt. Dabei kann es sich um gesetzliche Bestimmungen, Unternehmensrichtlinien, Workflow-Definitionen und andere vorgegebene betriebliche Abläufe handeln. Eine Business Rules Engine ermöglicht es, Entscheidungswege unabhängig von konkreten Anwendungen zu implementieren, auszuführen und zu pflegen.

Case Management: Ein Fallmanagement verbindet und koordiniert alle Menschen, Prozesse, Daten und sonstigen Ressourcen, die für einen bestimmten Anwendungsfall benötigt werden. Ein automatisiertes Case Management kann beispielsweise die Bearbeitung von Supportanfragen, Verträgen oder Versicherungsfällen erleichtern und beschleunigen.

Enhanced Optical Character Recognition (OCR): Dokumente, die in Papierform vorliegen, müssen zunächst digitalisiert und dann per OCR auf ihren Inhalt hin analysiert werden, um sie automatisch weiterverarbeiten zu können. Enhanced-OCR-Systeme erkennen dabei nicht nur Buchstaben und Wörter, sondern auch Unterschiede in Textstil und -formatierung, etwa Überschriften, Fußnoten oder Tabellen. In Kombination mit NLU/NLP lässt sich die Genauigkeit der Texterkennung verbessern, da sich beispielsweise unleserliche Ziffern aus dem Sinnzusammenhang heraus rekonstruieren lassen.

Human/Bot Engagement: Low-Code-/No-Code-Plattformen, gestützte Automatisierung (Attended Automation) und einfache Schnittstellen ermöglichen es Mitarbeitern in den Fachbereichen, selbstständig Bots zu entwickeln oder zu verbessern.

Intelligent Business Process Management (iBPM): Weiterentwicklung traditioneller BPM-Systeme durch die Integration von KI und Machine Learning. iBPM-Lösungen erfassen und analysieren Daten weitgehend automatisch und ermöglichen es, ohne Programmierkenntnisse durchgängige Workflows zu definieren, die sich an veränderte Umgebungsbedingungen anpassen.

KI-basierte Entscheidungsfindung: Vor allem bei großen Datenmengen liefern Algorithmen schnellere und bessere Entscheidungen als der Mensch. KI-basierte Entscheidungsfindung kann zum Beispiel dafür eingesetzt werden, um Bestände in Lagern automatisiert zu verwalten oder Investitionen zu steuern.

Low Code/No Code: Low-Code- und No-Code-Plattformen ermöglichen die Erstellung neuer Applikationen mit wenig oder gar keinem Programmieraufwand. Statt Code zu schreiben, klickt der Programmierer auf einer grafischen Bedienoberfläche per Drag and Drop vorgefertigte Software-Bausteine zusammen. Low Code/No Code ermöglicht es Mitarbeitern in den Fachbereichen, als „Citizen Developer“ eigene Lösungen zu generieren.

Natural Language Processing (NLP): Computerbasierte Erkennung von Inhalten in gesprochener oder geschriebener natürlicher Sprache. Neben regelbasierten und statistischen Methoden kommt für NLP zunehmend Machine Learning zum Einsatz. In Automatisierungsprozessen lassen sich so zum Beispiel Kundenanfragen oder -eingaben klassifizieren und an das passende Bearbeitungssystem weitergeben.

Natural Language Understanding (NLU): Semantische Analyse von Nutzereingaben. Sie ermöglicht es, in sprach- oder textbasierten Dialogsystemen den Kontext und die Absicht (Intent) des Anwenders zu erfassen und situationsgerecht zu reagieren. Natural Language Understanding gehört zu den schwierigsten Herausforderungen für Künstliche Intelligenz.

Process Discovery: Processy-Discovery-Tools analysieren die Aktivitäten von Nutzern, Applikationen und Systemen. Ziel ist es, über Abteilungs- oder Funktionsgrenzen hinweg Zusammenhänge zu identifizieren, um so eine durchgängige Automatisierung von Prozessen zu ermöglichen.

Process Mining: Analyse der Log-Dateien von Applikationen und Systemen mit dem Ziel, Muster und Trends in der Verarbeitung von Prozessen zu erkennen.

Robotics Process Automation (RPA): Automatisierung repeti­tiver Aufgaben durch Software-Roboter. Abläufe können über Skripte definiert oder als Makro aufgezeichnet und dann vom Roboter selbstständig durchgeführt werden.