AI Studio (Alpha)

mindzie AI Studio ist eine umfassende Plattform für prädiktive Analytik im Process Mining. Sie ermöglicht jedem – von Datenwissenschaftlern über Business-Analysten bis hin zu Prozessverantwortlichen –, alles, was aus Prozessdaten ableitbar ist, vorherzusagen, zu erklären und zu optimieren.

AI Studio Übersicht

Vision

AI Studio basiert auf drei Säulen:

  1. AutoML First – Die Maschine findet den besten Ansatz; Menschen konzentrieren sich auf Erkenntnisse
  2. LLM-gestützte Erklärung – Alles wird in einfacher Sprache mit generierten Berichten erklärt
  3. Interview-basierte Einrichtung – Nicht-technische Benutzer konfigurieren Vorhersagen durch geführte Gespräche

Zugriff auf AI Studio

AI Studio ist im Kopfmenü für Mandanten mit aktiviertem PreRelease verfügbar.

  1. Klicken Sie im Kopfmenü auf AI Studio (Alpha)
  2. Wählen Sie eine Kategorie in der linken Seitenleiste
  3. Erkunden Sie die verfügbaren Funktionen

Funktionskategorien

AI Studio organisiert seine Funktionen in sieben Hauptkategorien, die über die linke Seitenleiste zugänglich sind.

DATA – Die Basis

Verwalten Sie Ihre Datenquellen und Merkmale für maschinelles Lernen.

Abschnitt Beschreibung
Event Logs Importieren und verwalten Sie Ereignisprotokolle für Training und Vorhersage
Datasets Anzeigen und verwalten Sie angereicherte Datensätze, die für ML bereitstehen
Feature Store Wiederverwendbare Merkmalssets mit Versionskontrolle und Vorlagen

Wichtigste Funktionen:

  • Intelligente Datenaufnahme mit automatischer Spaltenerkennung
  • LLM-gestützte Zuordnung durch natürliche Sprachinterviews
  • Automatische Berichte zur Datenqualität

PREDICT – Kernnutzen

Sagen Sie voraus, was in Ihren Prozessen passieren wird.

Abschnitt Beschreibung
Outcomes Wird ein Fall erfolgreich sein? Kundenabwanderung? SLA-Verstoß?
Timing Verbleibende Zeit, Fertigstellungstermin, Verzögerungswahrscheinlichkeit
Next Steps Welche Aktivität folgt als nächstes? Welchen Weg nimmt der Fall?
Resources Wer bearbeitet das? Arbeitslastprognosen, Engpassvorhersage
Costs Gesamtkosten des Falls, Kosten bis zur Fertigstellung, Budgetabweichung
Risks Compliance-Risiko, Betrugswahrscheinlichkeit, Qualitätsrisikowerte

Prognosearten:

  • Binäre Ergebnisse (Ja/Nein)
  • Multi-Klassen-Ergebnisse
  • Wahrscheinlichkeitswerte (0–100 %)
  • Zeitschätzungen mit Konfidenzintervallen

DETECT – Probleme erkennen

Erkennen Sie Probleme, bevor sie kritisch werden.

Abschnitt Beschreibung
Anomalies ML-basierte Erkennung ungewöhnlicher Muster im Kontrollfluss, der Leistung und Semantik
Conformance Vergleichen Sie die tatsächliche Ausführung mit dem erwarteten Verhalten (BPMN-Modelle, Geschäftsregeln, SLAs)
Drift Erkennen Sie zeitliche Veränderungen im Prozessverhalten, Modellleistung und Datenverteilung

SIMULATE – Die Zukunft erkunden

Testen Sie Szenarien und verstehen Sie potenzielle Ergebnisse, bevor Sie Änderungen vornehmen.

Was-wäre-wenn-Analyse

Führen Sie Simulationen durch, um zu erkunden, wie Änderungen im Prozess Schlüsselkennzahlen beeinflussen würden. Konfigurieren Sie Szenarienparameter und sehen Sie sofort die projizierten Ergebnisse.

Was-wäre-wenn-Analyse

Optionen zur Szenarienkonfiguration:

  • Genehmigungsschwelle – Passen Sie monetäre Schwellenwerte für Genehmigungsrouten an
  • Teamgröße – Modellieren Sie die Auswirkungen von Personalzu- oder -abbau
  • Automatische Genehmigung bei niedrigem Risiko – Automatische Freigabe für Niedrigrisikofälle aktivieren/deaktivieren
  • Maximale Warteschlangenlänge – Legen Sie Kapazitätsgrenzen für Warteschlangen fest

Simulationsergebnisse: Die Simulation vergleicht Ihre aktuellen Kennzahlen mit dem simulierten Szenario:

Kennzahl Beschreibung
Durchschnittliche Zykluszeit End-to-End-Verarbeitungsdauer
Fälle pro Tag Durchsatzkapazität
SLA-Einhaltung Anteil der erfüllten Servicelevel
Kosten pro Fall Durchschnittliche Bearbeitungskosten
Ressourcennutzung Effizienz der Ressourcennutzung
Engpasszeit Wartezeit an Engpässen
Fehlerquote Anteil der fehlerhaften Fälle

Die Auswirkungsvisualisierung zeigt auf einen Blick, ob sich Zykluszeit, Durchsatz und Qualität verbessern oder verschlechtern.

Die Simulationszusammenfassung bietet eine KI-generierte Erklärung in verständlicher Sprache, hebt wichtige Verbesserungen hervor und weist auf etwaige Abwägungen hin.

Digitaler Zwilling

Erstellen Sie eine visuelle Echtzeit-Darstellung Ihres Prozesses. Der Digitale Zwilling zeigt Ihr Prozessmodell mit Live-Simulationsmöglichkeiten.

Digitaler Zwilling

Funktionen des Digitalen Zwillings:

  • Prozessmodell-Visualisierung – Sehen Sie Ihr entdecktes Prozessmodell mit allen Varianten
  • Live-Simulation – Führen Sie Simulationen durch den Prozess zur Beobachtung des Verhaltens aus
  • Variantenanalyse – Anzeigen aller Prozessvarianten mit Häufigkeitsanteilen
  • Simulationssteuerung – Start, Stopp und Überwachung des Simulationsfortschritts

Der Digitale Zwilling ermöglicht Ihnen:

  • Verstehen, wie Fälle durch Ihren Prozess fließen
  • Erkennen, welche Varianten am häufigsten sind
  • Hypothesen zum Prozessverhalten testen
  • Engpässe und parallele Pfade visualisieren

Szenarien

Speichern und verwalten Sie vorgefertigte Szenarien für typische Was-wäre-wenn-Analysen:

  • Auswirkungen von Personalabbau
  • Umgang mit Volumenspitzen
  • Effekte von Prozessneugestaltungen
  • Modellierung saisonaler Schwankungen

EXPLAIN – Verstehen, warum

Erhalten Sie klare Erklärungen zu Vorhersagen und Ergebnissen.

Merkmalswirkung

Verstehen Sie, was die Vorhersagen Ihres Modells antreibt, mithilfe von SHAP (SHapley Additive exPlanations)-Werten.

Merkmalseinfluss

Globale Merkmalswichtigkeit: Das linke Panel zeigt, welche Merkmale den größten Einfluss auf Vorhersagen über alle Fälle hinweg haben:

  • Verstrichene Zeit seit Start – Wie lange der Fall bereits läuft
  • Ausstehende Aktivitäten – Anzahl der noch zu erledigenden Aktivitäten
  • Kundenpriorität – Dem Kunden zugewiesenes Prioritätsniveau
  • Bestellwert – Monetärer Wert der Bestellung
  • Ressourcenauslastung – Aktuelle Arbeitsbelastung der zugewiesenen Ressourcen
  • Existiert Eskalation – Ob der Fall eskaliert wurde
  • Wochentag – An welchem Tag die Aktivität stattfindet
  • Region – Geografische Region des Falls

Fallbezogenes Wasserfalldiagramm: Das rechte Panel zeigt, wie jedes Merkmal zu der Vorhersage eines bestimmten Falls beiträgt:

  • Grüne Werte (+) verstärken die Vorhersage
  • Rote Werte (-) schwächen die Vorhersage ab
  • Die finale Vorhersage ergibt sich aus der Kombination aller Merkmalsbeiträge

KI-generierte Erklärung: Unten befindet sich eine KI-generierte Erklärung in verständlicher Sprache, die beschreibt, warum das Modell diese Vorhersage getroffen hat. Zum Beispiel: „Dieser Fall wird voraussichtlich das SLA verletzen, hauptsächlich wegen der 36-stündigen Laufzeit und 4 ausstehenden Aktivitäten. Die hohe Kundenpriorität erhöht ebenfalls die Wahrscheinlichkeit des Verstoßes. Die geringe Ressourcenauslastung wirkt leicht entgegen.“

Ursachenanalyse

Automatisierte Erkennung der beitragenden Faktoren, wenn KPIs von Erwartungen abweichen. Identifiziert das „Warum“ hinter Prozessproblemen mit statistischer Signifikanz.

Prozessgeschichte

LLM-generierte verständliche Erklärungen zur Fallhistorie. Erhalten Sie eine erzählerische Beschreibung, was in einem beliebigen Fall passiert ist und warum.

AUTOMATE – Kontinuierliche Intelligenz

Richten Sie automatisierte Workflows und Überwachungen ein.

Geplantes Training

Konfigurieren Sie automatische Modelltrainings, um Ihre Vorhersagen mit Datenänderungen aktuell zu halten.

Geplantes Training

Trainingseinstellungen:

  • Datensatzwahl – Wählen Sie den angereicherten Datensatz für das Training
  • Algorithmuswahl – Wählen Sie aus mehreren ML-Algorithmen:
    • FastForest – Schnelle, präzise Ensemble-Methode
    • LightGBM – Gradient Boosting für große Datensätze
    • FastTree – Entscheidungsbaum mit hoher Leistung
    • Linear – Einfache, interpretierbare lineare Modelle
  • Suchintensität – Balance zwischen Trainingszeit und Modellqualität
  • Benachrichtigung – Erhalten Sie eine Meldung nach Abschluss des Trainings

Aktivitätsvorhersagbarkeit-Scan: Vor dem Training scannt das System Ihre Daten, um vorherzusagen, welche Aktivitäten gut prognostizierbar sind:

  • Aktivität – Die zu prognostizierende Aktivität
  • Bewertung – Vorhersagbarkeit (Empfohlen, Akzeptabel etc.)
  • Prozentsatz – Auftretensrate im Datensatz
  • Fälle – Anzahl Fälle mit dieser Aktivität

Dies unterstützt Sie dabei, Aktivitäten auszuwählen, die zuverlässige Vorhersagen liefern.

Warnungen & Aktionen

Konfigurieren Sie Auslöser basierend auf Vorhersagen:

  • Hochrisikofall erkannt -> E-Mail an Fallverantwortlichen
  • SLA-Verstoß prognostiziert -> Erstelle Aufgabe im Workflow
  • Anomalie erkannt -> Protokollierung in Untersuchungsschlange
  • Modelldrifts erkannt -> Automatischer Neustart des Trainings

Modellaktualisierung

Automatisches Lifecycle-Management für Modelle:

  • Überwachung der Modellleistung über die Zeit
  • Erkennung von Genauigkeitsabnahmen
  • Automatisches Auslösen von Retraining
  • Vergleich neuer Modelle mit dem aktuellen Einsatz

MODELS – Ihre KI-Ressourcen

Verwalten Sie Ihre trainierten Modelle und deren Bereitstellung.

Modell-Register

Katalog aller trainierten Modelle mit Status, Leistungskennzahlen und Versionshistorie.

Bereitstellungen

Stellen Sie trainierte Modelle bereit, um Vorhersagen als Anreicherungsoperatoren verfügbar zu machen.

Modellbereitstellungen

Bereitstellung für Anreicherung: Wählen Sie ein abgeschlossenes Training für die Bereitstellung aus. Das Modell wird als Anreicherungsoperator hinzugefügt, der für jeden Fall Vorhersageattribute generiert.

Jedes trainierte Modell zeigt:

  • Modellname – Die vorhergesagte Aktivität (z. B. „Imaging Ordered“, „Consult Completed“)
  • Anreicherung – Welcher Datensatzanreicherung das Training zugrunde lag
  • Abgeschlossen – Zeitpunkt des Trainingsabschlusses
  • Bereitstellungsschaltfläche – Klicken zum Bereitstellen des Modells

Bereitgestellte Modelle: Nach der Bereitstellung erscheinen Modelle im Panel „Bereitgestellte Modelle“. Von hier aus können Sie:

  • Überwachen, welche Modelle aktiv sind
  • Vorhersageeigenschaften ansehen
  • Lebenszyklus der Modelle verwalten

Bereitgestellte Modelle stehen als Anreicherungsoperatoren in Ihren Datenpipelines zur Verfügung und fügen automatisch Vorhersagespalten zu Ihren Fällen hinzu.

Leistung

Verfolgen Sie Modellgesundheit und Genauigkeit über die Zeit:

  • Vorhersagevolumen und Latenz
  • Genauigkeitstrends
  • Drift-Indikatoren
  • Vergleich mit Validierungsdaten

Roadmap

Die Funktionen von AI Studio werden schrittweise veröffentlicht. Aktuelle Fokusbereiche sind:

Derzeit verfügbar:

  • Geplantes Training mit mehreren Algorithmen
  • Modellbereitstellungen für Anreicherungen
  • Was-wäre-wenn-Analysen mit Simulation
  • Visualisierung Digitaler Zwilling
  • Merkmalseinfluss mit SHAP-Erklärungen

Demnächst verfügbar:

  • Kostenprognose – Schätzung der Gesamtkosten pro Fall und Identifikation von Kostentreibern
  • Ergebnisprognose – Binäre und Multi-Klassen-Vorhersagen
  • Anomalieerkennung – Echtzeit-Erkennung ungewöhnlicher Muster
  • Prozessgeschichte – KI-generierte Fallbeschreibungen

Feedback geben

Wir freuen uns auf Ihr Feedback zu AI Studio! Ihre Beiträge helfen, diese Funktionen vor der allgemeinen Veröffentlichung zu gestalten:

  • E-Mail: support@mindzie.com
  • Betreff: Bitte „Alpha Feedback: AI Studio“ angeben
  • Bitte fügen Sie bei: Was Sie versucht haben, was passiert ist und was Sie erwartet hatten hinzu