Intelligente Prozessautomatisierung in der öffentlichen Verwaltung - Matthias Lichtenthaler Head of Digital Government & Innovation ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Intelligente Prozessautomatisierung in der öffentlichen Verwaltung Matthias Lichtenthaler Head of Digital Government & Innovation Bundesrechenzentrum GmbH Seite 1 | 26.09.2021 BRZ-öffentlich
Prozessautomatisierung mit der Schnittstelle zu Maschine
Learning und künstliche Intelligenz
Vorteile
> Menschen sinnvoller einsetzen – Repetitive
Tätigkeiten übernehmen die Maschine
> Schnellere Arbeitsabläufe, genaueres
Arbeiten
> Zusammenspiel mit Künstlicher Intelligenz
ermöglicht Arbeit mit unstrukturierten Daten
> z.B. zur Abfederung der Pensionierungswelle
> Antwort auf wachsenden Kostendruck
Seite 2 | 26.09.2021 BRZ-öffentlichDas Stufenmodell der Prozessautomatisierung Seite 3 | 26.09.2021 BRZ-öffentlich
Key Facts
Use Case Aggregation & Teilautomatisierung • Nutzung: Entscheidungsfindung
Relevante Entscheidungsunterstützung • Einsatz: Entscheidungsvorbereitung in
Behörden
Mögliche Anwendung von
Smart Contracts: Automatisierte Ablauf
Ausführung eines Schrittes z.B. • Anhand von aggregierten Daten, die aus
Behördenprozess als Rechtsfolge mehreren Quellen (z.B. aus
verschiedenen Behörden)
Empfehlung
zusammenführt werden, werden
folgen
Analysen erstellt.
• Das Resultat dieser Analysen ist eine
nächste empfohlene Handlung, die eine
Entscheidung der/des Mitarbeiterin/
Analyse & Entscheidungs- Entscheidung durch Ausführung Mitarbeiters erfordert.
Aggregation empfehlung Mitarbeiter/in • Entscheidet sich die/der Mitarbeiter/in
von Daten & die Empfehlung anzunehmen, erfolgt die
Content Entscheidungsgewalt Ausführung.
bleibt weiterhin bei • Im Fall einer Ablehnung der Empfehlung,
Mitarbeiterinnen und muss eine Begründung abgegeben
Empfehlung
Mitarbeitern werden. Diese neue Information fließt
nicht folgen
dann in das Wissensmodel ein und
verbessert die nächste Empfehlung.
Learning Business-Nutzen
Durch die Begründung • Datenfundierte Entscheidungen durch
Aggregation von Daten der Ablehnung verbessert Mitarbeiter/innen
Begründung
das System seine
unterschiedlicher Quellen • Erkennen von Zusammenhängen durch
Empfehlungen
System, Entscheidung der Durchführung
Semantisches Wissensmodell
durch Mitarbeiter/in
Seite 4 | 26.09.2021 Blockchain Layer • Absicherung der einzelnen Schritte in der
BRZ-öffentlich
BlockchainTransparenz und Absicherung der Prozessschritte
Notarisierung für Prozessdokumentation, elektronische Akte etc.
Human Interaction /
Daten werden Interne Daten werden Daten werden
Schnittstelle
Daten entstehen automatisiert automatisierte automatisiert abgelegt und ggf.
„Mensch –
verarbeitet Prozesse weiterverarbeitet gelöscht
Maschine“
• E-Mails • Indexierung • Recherche / • Verarbeitungen • Weitere • Archiv
• Dokumente • Intelligente Aufbereitung • Genehmigungen Teilautomati- • Audit
• Interne Prozessauto- von Daten aus • Veröffent- sierungsschritte • Auskunft
Erstellung matisierung unterschied- lichungen • Recherche • Löschbegehren
• Kontextuali- lichen Quellen • Feedback • Ende
sierung • Korrespondiere Schleife zum Aufbewahrungsfrist
nde Dokumente Mitarbeiter
Notarisierungsservice
(Dokumentation Erstellung und Änderungen, Zeitprotokoll, ggf. Anonymisierung)
Hash-Werte der Dokumente
Blockchain
Seite 5 | 26.09.2021 BRZ-öffentlich„Intelligent“ Bots als Unterstützung im Backend
der “Silent Bot” im Hintergrund – mit Human Interaction an der richtigen Stelle
> der Contradiction Bot kann durch
Contradiction
Kontextualisierung spezifische
Bots Ansatzpunkte, Prüfpunkte und
Intervention Widersprüche in großen
Datenmengen erkennene
Bots
> z.B. textueller Inhalt von
Transaction Eingangspost im Vergleich zu einem
Bots bestehenden, umfangreichen Akt
> dabei werden auch weitere
Digital Chatbots Speech Assistant Informationen / Quellen
/ Speech-to-Text hinzugezogen (z.B. Open Data, Public
Assistant
Domain etc.)
> Der Bot lernt durch strutkturierten
menschlichen Input dazu
Cognitive Platform
Seite 6 | 26.09.2021 BRZ-öffentlichUse Automatisierung: Process Check vor Pensionierung
Robotic Process Automatisation (RPA)
> einfache wiederkehrende Aufgaben
KNOWLEDGE
(z. B. Copy & Paste), die regelbasiert sind,
BASE werden mittels SW-Bots durchgeführt
+
Intelligente Prozessautomatisierung (IPA)
Prozedurales Wissen
(Wissen der Prozesse, HUMAN
Verfahren, Handlungsabläufe )
Cognitive Automation: ROBOT
PROCESS CHECK +
Prozessanalyse, -optimierung > Gezielte, KI-basierte Informationen für eine
-> Automatisierung möglich?
sichere Entscheidungsgrundlage
Deklaratives Wissen
(Wissen über Sachverhalte,
Konzepte, Theorien, Fakten) - Nicht automatisierbares Wissen:
KI-unterstützter Wissenstransfer
OFFBOARDING
(Teil)-Automatisierung von Prozessen
Seite 7 | 26.09.2021 BRZ-öffentlichWissensmanagement: KI-unterstützter Wissenstransfer
Knowledge Graph
RPA/IPA -> Identifizierung von White Spaces
KNOWLEDGE
Anonymisierte Datenbasis
BASE
für KI- unterstützten
Digitalisierbares Wissen
Wissenstransfer
> KI-unterstützte Verarbeitung von nicht
Prozedurales Wissen automatisierbaren prozeduralen und
(Wissen der Prozesse, deklarativen Wissen
Verfahren, Handlungsabläufe ) Digitalisiertes Wissen
z.B. Datenbank, Falldaten,
Berichte, etc.
Deklaratives Wissen
(Wissen über Sachverhalte, Onboarding
Konzepte, Theorien, Fakten) Nicht dokumentiertes und
implizites Wissen
Mündlicher Wissenstransfer
OFFBOARDING (ev. KI-unterstützer Audiomitschnitt)
Ki-unterstützer Wissenstransfer vom Mitarbeiter zum Newcomer
Seite 8 | 26.09.2021 BRZ-öffentlichEinsatz intelligenter Technologien zur Aufbereitung von
Lerninhalten bzw. zur Wissenssicherung
Herausforderungen Lösungsansatz
> Pensionierungswelle: Bis 2032 gehen ca. 48% der MitarbeiterInnen des Wissen von MitarbeiterInnen
Bundesdiensts in Pension
mithilfe von intelligenten Technologien sichern
> Bis zu 42% des Wissens sind direkt mit der MA verknüpft
> Identifizierung geeigneter Technologien, Tools und Partner zur
> Ca. 80% des Organisationswissens ist undokumentiert Wissenssicherung
> Wissenssilos
> Prototypische Umsetzung
> Durchschnittlich warten MitarbeiterInnen 5,3 Stunden pro Woche auf
Informationen von ExpertInnen
Nutzen Beispiele
> Sicherung und Verteilung von Wissen > Speech2Text
> Unabhängigkeit von einzelnen ExpertInnen > Aufzeichnung von Arbeitsschritten im Hintergrund
> Aufbrechen von Wissenssilos > Technologieunterstützes systematisches Abfragen von
> Zeitersparnis: Suche nach relevantem Wissen reduziert Wissen
> Kostenersparnis: MA erarbeiten nicht mehrfach das selbe > Automatische Auswertung von Tasks im Hintergrund
Wissen durch AI
Seite 9 | 26.09.2021 BRZ-öffentlichLerninhalte für die natürliche und die künstliche Intelligenz
Unterstützung durch digitale Assistenten
Wissensempfänger
Neue/r MitarbeiterIn
Fokus liegt auf der
Andere
Digital Buddy Ausgabe von bereits
Assistenten digitalisiertem Wissen
Verarbeitung,
BRZ ML & KI
Aufbereitung Plattform Fokus liegt auf der
(Automatisierung, Digitalisierung) Sicherung,
Digitalisierung und
Verteilung von Wissen
Wissenssicherung mittels geeigneter Tools
(Einsatz intelligenter Tools)
Wissensträger Datenquellen
Langjährige/r MitarbeiterIn
Seite 10 | 26.09.2021 BRZ-öffentlichHerzlichen Dank
für Ihre Aufmerksamkeit.
> Matthias Lichtenthaler
Head of Digital Government & Innovation
matthias.lichtenthaler@brz.gv.at
@brz_gmbh
@Bundesrechenzentrum
@Bundesrechenzentrum
@Bundesrechenzentrum
Seite 11 | 26.09.2021 BRZ-öffentlichWeitergehende, integrierte Automatisierung
Posteingang, Indexierung, Chatbots zur Klärung, Dunkelverarbeitung
Weiter-
• Scan / Docs Indexierung •Ansteuerung Chatbot
• E-Mails •Erstellung Rückfrage
verarbeitung
• Sonst. Input • Kontextualisierung •Interaktion mit Kunden •Klassifizierung der
• Cognitive •Dokumentation der Information
Verknüpfung Kommunikation •Weitergehende
•Übergabe Information kognitive
• Fallzuordnung Kontextualisierung /
• Identifikation Recherche
fehlendes Merkmal •Automatisierte
Posteingang Chatbot Aktualisierung
Seite 12 | 26.09.2021 BRZ-öffentlichSie können auch lesen
