{"id":21597,"date":"2022-08-08T11:30:00","date_gmt":"2022-08-08T09:30:00","guid":{"rendered":"https:\/\/www.sysbus.eu\/?p=21597"},"modified":"2022-08-08T14:42:58","modified_gmt":"2022-08-08T12:42:58","slug":"mit-kuenstlicher-intelligenz-informationen-aus-projektbeschreibungen-extrahieren","status":"publish","type":"post","link":"https:\/\/www.sysbus.eu\/?p=21597","title":{"rendered":"Mit K\u00fcnstlicher Intelligenz Informationen aus Projektbeschreibungen extrahieren"},"content":{"rendered":"\n

Autor\/Redakteur: Michael Mohr, Data Scientist Advanced Development bei der EDAG Group<\/a>\/gg<\/p>\n\n\n\n

Das Lastenheft ist ein wichtiges Dokument im Projektmanagement. Es enth\u00e4lt die Anforderungen an das Projekt, die Aufgabenstellung und die Zielsetzung. Durch diese Angaben k\u00f6nnen zielgenau Projektteams zusammengestellt werden. Die genannten Informationen lassen sich nun auch durch K\u00fcnstliche Intelligenz aus dem Lastenheft extrahieren. So werden Anfragen schneller den passenden Ansprechpartnern zugewiesen und die Kunden erhalten schneller Antwort.<\/p>\n\n\n\n

\"\"<\/a>
Bild: EDAG Group<\/figcaption><\/figure>\n\n\n\n\n\n\n\n

Verbesserte Produktionsprozesse, die passgenauer ineinandergreifen und einen schnelleren Abschluss erm\u00f6glichen \u2013 das sind relevante Ziele, wenn es darum geht, ein Projekt zu optimieren. Projektlaufzeiten und Time-to-Market sind in der Industrie relevante Gr\u00f6\u00dfen, die es dabei zu verbessern gilt, denn je l\u00e4nger ein Projekt l\u00e4uft, umso h\u00f6her der Personalaufwand und umso geringer die Wettbewerbsf\u00e4higkeit.<\/p>\n\n\n\n

Doch ein Projekt startet nicht erst mit Entwicklungs- und Fertigungsprozessen, sondern schon mit der Projektanfrage. Wenn das Lastenheft eingereicht wird, geht es bereits darum, ein Projektteam zu etablieren, das die geforderten Aufgaben abarbeitet. Und genau an dieser Stelle wird es interessant \u2013 denn hier schlummert ein h\u00e4ufig nicht genutztes Optimierungspotenzial.<\/p>\n\n\n\n

Die Antworten auf folgende Fragen k\u00f6nnen gro\u00dfen Einfluss auf den Projekterfolg haben \u2013 doch sie sind nicht leicht zu finden: Welche Abteilung und welcher Standort ist federf\u00fchrend im Projekt? Welche Mitglieder sind im Projektteam wichtig? Gibt es spezifisches Wissen im Unternehmen, das f\u00fcr dieses Projekt relevant ist und genutzt werden kann, um bei der Umsetzung Stolpersteine zu vermeiden? Und kann auf bereits erfolgreich eingesetzte Entwicklungen zur\u00fcckgegriffen werden? Im Rahmen einer Forschungsarbeit im Bereich K\u00fcnstlicher Intelligenz wurde dieses Problem n\u00e4her untersucht.<\/p>\n\n\n\n

Ben\u00f6tigte F\u00e4higkeiten identifizieren<\/strong><\/p>\n\n\n\n

Das Lastenheft sollte Bestandteil des Vertrags zwischen Auftraggeber und Auftragnehmer sein. Ein Projektauftrag oder eine Projektanfrage st\u00fctzen sich in der Regel demnach auf ein Lastenheft. Dieses enth\u00e4lt folgende relevante Informationen:<\/p>\n\n\n\n

  1. was gemacht werden soll;<\/li>
  2. wie es gemacht werden soll;<\/li>
  3. die rechtlichen Grundlagen;<\/li>
  4. und die zeitlichen Meilensteine<\/li><\/ol>\n\n\n\n

    sowie etliche weitere Angaben.<\/p>\n\n\n\n

    Aus Sicht einer KI ist ein Lastenheft jedoch ein Dokument, das eine gewisse Struktur aus Abschnitten und Unterabschnitten umfasst. Diese Abschnitte bestehen aus Text, der mittels NLP-Verfahren (Natural Language Processing) ausgewertet werden kann. Die Aufgabe der K\u00fcnstlichen Intelligenz ist es, den relevanten Abschnitt mit der Beschreibung der ben\u00f6tigten Skills zu finden und die darin enthaltenen Informationen zu extrahieren.<\/p>\n\n\n\n

    Vorbild: KI-Analyse von Stellenausschreibungen<\/strong><\/p>\n\n\n\n

    Die Idee, Informationen aus einem Lastenheft mittels KI zu extrahieren, konnte auf bereits vorhandene Forschungsarbeiten ankn\u00fcpfen. Denn die Beschreibung der ben\u00f6tigten Skills zur Umsetzung eines Projektes ist vergleichbar mit einer Stellenausschreibung \u2013 ein Gebiet, das KI-Forscher bereits in den Fokus genommen haben. Anders als in gew\u00f6hnlichen Stellenausschreibungen, die beispielsweise ein IT-Studium fordern, sind Anforderungen an IT- oder ingenieursbezogene F\u00e4higkeiten in Lastenheften deutlich detaillierter beschrieben. Deshalb musste vorab ein Verfahren zur Klassifikation relevanter Bezeichnungen erstellt werden. Die auftretenden Anforderungen an Kompetenzen wurden dabei in drei Kategorien eingeteilt:<\/p>\n\n\n\n

    1. Ein Zertifikat oder Abschluss, zum Beispiel Diplom-Ingenieur im Maschinenbau<\/li>
    2. Kenntnisse in einem Arbeitsbereich, beispielsweise Erfahrung im Finanzmanagement und in der Budgetierung<\/li>
    3. Ein Tool oder eine API, wie etwa Softwareprogramme, wie Adobe Photoshop oder Programmiersprachen wie C#<\/li><\/ol>\n\n\n\n\n\n\n\n

      Die Anforderungen der dritten Kategorie vermitteln ein besseres Verst\u00e4ndnis der erforderlichen Kompetenzen f\u00fcr eine KI. Zus\u00e4tzlich kann das Skill-Level spezifiziert werden, wie etwa \u201eStarke Kenntnisse und Erfahrungen in Corel Draw\u201c. Diese F\u00e4higkeitsstufen k\u00f6nnen bei der Erkennung von F\u00e4higkeiten n\u00fctzlich sein, wenn sie Bestandteil der Beschreibung sind.<\/p>\n\n\n\n

      Durch eine Analyse auf Satzebene kamen Transformatormodelle mit einem Aufmerksamkeitsmechanismus zum Einsatz, die mit Masked Language-Modeling (MLM) und Next Sentence Prediction (NSP) vortrainiert wurden. Auf diese Weise war es m\u00f6glich, Satzstrukturen zu nutzen und die erforderlichen Skillziele zu finden.<\/p>\n\n\n\n

      \"\"<\/a>
      Darstellung des iterativen Trainings. Mittels einer anf\u00e4nglich erstellten Skill-Liste kann der gesamte Datensatz automatisiert annotiert werden. Das trainierte Modell ist dann in der Lage neue Skills zu identifizieren und kann damit die Skill-Liste erweitern. Mit der erweiterten Skill-Liste kann der Trainings-Prozess erneut angesto\u00dfen werden. (Quelle: EDAG Group)<\/figcaption><\/figure>\n\n\n\n

      Auf Basis der hier angesprochenen Forschungsarbeit war es m\u00f6glich, eine neuartige Extraktionspipeline in Bezug auf Skill-Anforderungen zu entwickeln. Diese Pipeline ist in der Lage, benutzerspezifische Qualifikationsanforderungen aus Stellenausschreibungen oder Anforderungsdokumenten, wie beispielsweise Lastenheften, in englischer oder deutscher Sprache zu extrahieren. Ein Test der Pipeline aus dem Datensatz Armenian Job Postings zeigte, dass das Verfahren auch mit anderen Skill-Sets und damit auch in anderen Dom\u00e4nen als IT beziehungsweise Engineering funktioniert.<\/p>\n\n\n\n

      Dadurch unterscheidet sich die eingef\u00fchrte Definition der Klassenlabel von bestehenden Arbeiten. Denn mithilfe dieser Definition k\u00f6nnen die relevanten Skills so eingegrenzt werden, dass sie nachfolgenden Prozessen wie Management und Planung entsprechen. Gerade in der Informatik und den Ingenieurwissenschaften treten entsprechende Anforderungen an die Benutzerkompetenz h\u00e4ufiger auf.<\/p>\n\n\n\n

      KI in verschiedenen Anwendungsm\u00f6glichkeiten<\/strong><\/p>\n\n\n\n

      In gro\u00dfen Unternehmen gibt es vielf\u00e4ltige F\u00e4higkeiten, die in unterschiedlichen Kombinationen an den diversen Standorten anzutreffen sind. Mithilfe K\u00fcnstlicher Intelligenz kann automatisiert ausgewertet werden, welche Skills in einem Lastenheft gefordert werden. Das erleichtert anschlie\u00dfend die Zusammenstellung eines passenden Projektteams.<\/p>\n\n\n\n

      Auch weitere Hilfestellungen sind m\u00f6glich: Die jeweiligen Abteilungen oder bereits vorhandene Projektteams k\u00f6nnten eine Art \u201eSkill-Fingerprint\u201c erhalten, der mit dem Anforderungsprofil eines neuen Projekts verglichen wird und so eine schnelle Zuteilung erlaubt. Auf diese Weise lassen sich Anfragen schneller den entsprechenden Ansprechpartnern zuweisen und die Kunden erhalten z\u00fcgiger Antwort.<\/p>\n\n\n\n

      Eine weitere M\u00f6glichkeit ist ein Vergleich der F\u00e4higkeiten-Anforderungen aus Lastenheften von noch anstehenden Projekten mit denen von bereits abgeschlossenen Projekten. Unter der Annahme, dass bei einer hohen \u00dcbereinstimmung des Skill-Profils auch eine hohe \u00dcbereinstimmung der gestellten Aufgabe wahrscheinlich ist, k\u00f6nnte leicht ermittelt werden, wer bereits \u00fcber entsprechende Erfahrung f\u00fcr das neue Projekt verf\u00fcgt.<\/p>\n","protected":false},"excerpt":{"rendered":"

      Das Lastenheft ist ein wichtiges Dokument im Projektmanagement. Es enth\u00e4lt die Anforderungen an das Projekt, die Aufgabenstellung und die Zielsetzung. Durch diese Angaben k\u00f6nnen zielgenau Projektteams zusammengestellt werden. Die genannten Informationen lassen sich nun auch durch K\u00fcnstliche Intelligenz aus dem Lastenheft extrahieren. So werden Anfragen schneller den passenden Ansprechpartnern zugewiesen und die Kunden erhalten schneller Antwort.<\/p>\n","protected":false},"author":1,"featured_media":21599,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"colormag_page_container_layout":"default_layout","colormag_page_sidebar_layout":"default_layout","footnotes":""},"categories":[8,10036],"tags":[16640,2887,16642,16641,16643],"class_list":["post-21597","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artikel","category-kuenstliche-intelligenz","tag-edag-group","tag-engineering","tag-lastenheft","tag-projektbeschreibung","tag-stellenausschreibung"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/21597","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=21597"}],"version-history":[{"count":3,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/21597\/revisions"}],"predecessor-version":[{"id":21651,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/posts\/21597\/revisions\/21651"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=\/wp\/v2\/media\/21599"}],"wp:attachment":[{"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=21597"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=21597"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.sysbus.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=21597"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}