{"id":3262,"date":"2025-01-27T14:24:21","date_gmt":"2025-01-27T13:24:21","guid":{"rendered":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/?p=3262"},"modified":"2025-01-27T14:24:21","modified_gmt":"2025-01-27T13:24:21","slug":"reinforcement-learning-fuer-die-personalplanung","status":"publish","type":"post","link":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/","title":{"rendered":"Reinforcement Learning f\u00fcr die Personalplanung"},"content":{"rendered":"

Ein innovativer Ansatz mit der DATEV<\/h2>\n

Ein Interview mit Dr. Quirin G\u00f6ttl, Fraunhofer IIS<\/em><\/p>\n

Reinforcement Learning (RL) hat in den letzten Jahren erheblich an Bedeutung gewonnen, insbesondere im Kontext industrieller Anwendungen. Wir haben dazu bereits ein interessantes Interview mit unserem Experten Dr. Axel Plinge ver\u00f6ffentlich, bei dem es um die Anwendung von RL beim autonomen Fahren und f\u00fcr nachhaltigen Biotreibstoff<\/a> ging. Nun erschlie\u00dft sich das Team in der Gruppe Self-Learning Systems am Fraunhofer IIS in N\u00fcrnberg neue Anwendungsm\u00f6glichkeiten f\u00fcr Reinforcement Learning und zwar im Bereich der Personalplanung. Der traditionelle Ansatz, Ressourcen manuell zu planen, st\u00f6\u00dft schnell an seine Grenzen, wenn unvorhersehbare Faktoren wie pl\u00f6tzliche Abwesenheiten oder individuelle Arbeitsgeschwindigkeiten ins Spiel kommen. Reinforcement Learning birgt Potenziale zur Optimierung betrieblicher Prozesse, die im Rahmen des Projekts ROLF<\/a> (\u201eReinforcement Learning f\u00fcr betriebswirtschaftliche Prozesse\u201c) in Zusammenarbeit mit der DATEV eG erforscht werden. In einem Gespr\u00e4ch mit unserem Experten Dr. Quirin G\u00f6ttl, habe ich mehr \u00fcber die innovativen Ans\u00e4tze und konkreten Anwendungen erfahren:<\/p>\n

Von ADA \u00fcber Biotreibstoffe zur Personalplanung<\/strong><\/h3>\n
Quirin, ich wei\u00df, dass ihr bei Fraunhofer an vielen verschiedenen Projekten arbeitet, von ADA \u2013 in diesem Fall bin nicht ich gemeint, sondern steht die Abk\u00fcrzung f\u00fcr Anomalie-Detektion-Algorithmen \u2013 bis hin zu Biotreibstoffen. Wie kam es, dass ihr euch jetzt auf Personalplanung mit Reinforcement Learning konzentriert? Was ist der Zusammenhang zwischen diesen verschiedenen Bereichen?<\/h5>\n

Dr. Quirin G\u00f6ttl: <\/em><\/strong>Ja, das klingt erstmal nach unterschiedlichen Welten, aber sie teilen ein gemeinsames Ziel: Effizienzsteigerung durch intelligente Systeme. In Projekten wie ADA haben wir gelernt, wie man gro\u00dfe, dynamische Datenmengen analysiert und Anomalien erkennt, was auch im Energiesektor n\u00fctzlich ist. Das gleiche Prinzip \u2013 datengetriebene Entscheidungen \u2013 l\u00e4sst sich auch auf die Personalplanung anwenden. Unternehmen stehen vor der Herausforderung, nicht nur die Arbeitszeiten zu koordinieren, sondern auch unvorhergesehene Ereignisse wie ungeplante Abwesenheiten zu managen. Hier kommt Reinforcement Learning ins Spiel: Es hilft uns, diese komplexen Prozesse zu optimieren
\n<\/em><\/p>\n

Die gr\u00f6\u00dften Herausforderungen in der Personalplanung<\/strong><\/h3>\n
Das klingt spannend! Was sind die spezifischen Herausforderungen bei der Personalplanung, zum Beispiel in Bezug auf den Unternehmensgewinn?<\/h5>\n

Dr. Quirin G\u00f6ttl:<\/em><\/strong> Die Personalplanung mag auf den ersten Blick simpel erscheinen \u2013 wie das Zuteilen von Jobs in einem Rechencluster. Doch in der Realit\u00e4t gibt es viele weiche Faktoren. Zum Beispiel variieren die Arbeitsgeschwindigkeiten der Mitarbeiter, und unerwartete Abwesenheiten k\u00f6nnen gro\u00dfe L\u00fccken rei\u00dfen. Der Unternehmensgewinn l\u00e4sst sich nicht so leicht optimieren, weil man nicht nur die Produktivit\u00e4t steigern, sondern auch die Zufriedenheit der Mitarbeiter ber\u00fccksichtigen muss. Und da kommt die KI ins Spiel: Sie kann durch Simulationen und Optimierungen verschiedene Szenarien durchspielen, zum Beispiel, welche Auswirkungen die Weiterbildung eines Mitarbeiters hat, wenn er dadurch mehr Verantwortung \u00fcbernehmen kann.<\/p>\n

Vorteile des Reinforcement Learning<\/strong><\/h3>\n
Das scheint sehr herausfordernd zu sein. Was sind die Vorteile, wenn man KI, besonders Reinforcement Learning, f\u00fcr diese Art der Planung einsetzt? Wie funktioniert die Methode im Vergleich zu traditionellen Ans\u00e4tzen?<\/h5>\n

Dr. Quirin G\u00f6ttl:<\/em><\/strong> RL hat das Potenzial, nicht nur eine effizientere Planung zu erm\u00f6glichen, sondern auch Pl\u00e4ne zu entwickeln, die robuster gegen\u00fcber St\u00f6rungen sind \u2013 zum Beispiel, wenn ein Mitarbeiter krank wird. Der Vorteil ist, dass die KI durch Erfahrung lernt. Sie muss nicht alle Eventualit\u00e4ten vorher berechnen, sondern kann dynamisch auf neue Situationen reagieren. Das macht den Planungsprozess flexibler. Und wie bei unseren Projekten im ADA Lovelace Center<\/a> ist der Schl\u00fcssel die datengetriebene Optimierung, die es uns erlaubt, mit verschiedenen Szenarien zu experimentieren, um das Beste aus den verf\u00fcgbaren Ressourcen herauszuholen.<\/p>\n

Reinforcement Learning im ROLF-Projekt
\n<\/strong><\/h3>\n
Sehr interessant! K\u00f6nntest du uns ein konkretes Beispiel geben, wie das Reinforcement Learning im ROLF-Projekt angewendet wird? Was habt ihr bisher herausgefunden?<\/h5>\n

Dr. Quirin G\u00f6ttl:<\/em><\/strong> Im ROLF-Projekt untersuchen wir konkret die Anwendung von RL in der Personalplanung f\u00fcr Steuerkanzleien. Kanzleien planen ihre Ressourcen oft manuell, was zeitaufwendig und fehleranf\u00e4llig ist. Unser Demonstrator zeigt, wie RL diese Prozesse optimieren kann. Zum Beispiel k\u00f6nnte die KI erkennen, dass bestimmte Aufgaben vorgezogen werden sollten, um Fristen einzuhalten, was die Effizienz steigert, und Fehler reduziert. Erste Ergebnisse zeigen, dass die KI in der Lage ist, Personalressourcen besser zu verteilen und dabei flexibel auf unvorhergesehene Ereignisse zu reagieren.<\/p>\n

Das hei\u00dft der Demonstrator zeigt, wie das RL-gest\u00fctzte System in der Praxis aussieht? Wie muss ich mir das genau vorstellen, also wie wird die KI in realen Szenarien eingesetzt, und welche konkreten Verbesserungen ergeben sich daraus? Kannst du uns ein Beispiel zeigen?<\/h5>\n

Dr. Quirin G\u00f6ttl:<\/em><\/strong> Nat\u00fcrlich. Betrachten wir zun\u00e4chst ein vereinfachtes Beispiel aus einer Steuerkanzlei. Traditionell w\u00fcrde die Planung der Aufgaben manuell erfolgen, indem die Lohnaufgaben nach dem fr\u00fchestm\u00f6glichen Fristdatum sortiert und bearbeitet werden. In der Abbildung sieht man 4 Mitarbeiter, die bestimmte Aufgabenarten (Lohn, FiBu, Steuer) abarbeiten k\u00f6nnen. Manche Aufgaben sind voneinander abh\u00e4ngig (gekennzeichnet durch Verbindungen), d.h., dass diese nicht parallel bearbeitet werden k\u00f6nnen. Zudem hat jede Aufgabe eine Frist, die eingehalten werden muss. Aufgaben die nicht innerhalb der Frist bearbeitet werden, sind mit einer roten Umrandung markiert.<\/p>\n

\"\"
\u00a9 Fraunhofer IIS<\/figcaption><\/figure>\n

Dies erscheint auf den ersten Blick sinnvoll, kann jedoch zu Problemen f\u00fchren, wie wir in einem unserer Beispiele gesehen haben. Denn aufgrund von Abh\u00e4ngigkeiten zwischen den Aufgaben kann es passieren, dass die Zeit f\u00fcr andere Aufgaben nicht mehr ausreicht. Mit einem RL-System k\u00f6nnte die KI entscheiden, welche Aufgaben zuerst erledigt werden sollten, um alle Fristen einzuhalten und m\u00f6gliche Engp\u00e4sse zu vermeiden.<\/p>\n

\"\"
\u00a9 Fraunhofer IIS<\/figcaption><\/figure>\n

In einem unserer Demonstrationsszenarien haben wir gezeigt, dass die KI die Aufgaben den Mitarbeitenden effizienter zuteilt, die Anh\u00e4ngigkeiten ber\u00fccksichtigt und dabei alle Fristen einh\u00e4lt. Diese Optimierung reduziert Fehler und spart Zeit, was in der Praxis oft eine erhebliche Verbesserung bedeutet.<\/p>\n

\"\"
\u00a9 Fraunhofer IIS<\/figcaption><\/figure>\n

 <\/p>\n

Das ist echt beeindruckend, wie RL die Personalplanung vereinfachen und verbessern kann. Es gibt sicher noch viele weitere Anwendungsm\u00f6glichkeiten.<\/h5>\n

Dr. Quirin G\u00f6ttl:<\/em><\/strong> Ja, die M\u00f6glichkeiten von RL sind wirklich faszinierend, und wir freuen uns darauf, weiter an der Optimierung der Planung zu arbeiten. Aktuell erforschen wir weitere Anwendungsf\u00e4lle und entwickeln die Technologie weiter, um noch pr\u00e4zisere und flexiblere L\u00f6sungen anbieten zu k\u00f6nnen.<\/p>\n

Dann sage ich Danke Quirin f\u00fcr die interessanten Einblicke und freu mich, wenn ihr mich und unsere Leserinnen und Leser auf dem Laufenden haltet, wie eure Forschung und Entwicklung voranschreitet.<\/h5>\n

Titelbild \u00a9 Adobe Stock \/ ipopba – stock.adobe.com<\/em><\/p>\n

\n

 <\/p>\n

Reinforcement learning for personnel planning<\/span><\/span>\u00a0<\/span><\/h1>\n

An innovative approach with DATEV<\/h2>\n

An interview with Dr. Quirin G\u00f6ttl, Fraunhofer IIS<\/span><\/i>\u00a0<\/span><\/p>\n

\u00a0<\/span><\/p>\n

Reinforcement learning (RL) has become considerably more important in recent years, especially in the context of industrial applications. We have already published an interesting interview with our expert Dr. Axel Plinge about the application of RL in autonomous driving and for sustainable biofuel<\/a>. Now the team in the Self-Learning Systems group at Fraunhofer IIS in Nuremberg is exploring new applications for reinforcement learning in the field of personnel planning. The traditional approach of planning resources manually quickly reaches its limits when unpredictable factors such as sudden absences or individual working speeds come into play. Reinforcement learning holds potential for optimizing operational processes, which is being researched as part of the ROLF<\/a> (“Reinforcement Learning for Business Processes”) project in collaboration with DATEV eG. In an interview with our expert Dr. Quirin G\u00f6ttl, I learned more about the innovative approaches and concrete applications:<\/span>\u00a0<\/span><\/p>\n

From ADA to biofuels to personnel planning<\/span><\/b>\u00a0<\/span><\/h3>\n
Quirin, I know that you work on many different projects at Fraunhofer, from ADA – in this case I’m not referring to myself, but the abbreviation stands for <\/span>A<\/span><\/b>nomaly <\/span>D<\/span><\/b>etection <\/span>A<\/span><\/b>lgorithms – to biofuels. How did it come about that you are now focusing on personnel planning with reinforcement learning? What is the connection between these different areas?<\/span>\u00a0<\/span><\/h5>\n

Dr. Quirin G\u00f6ttl:<\/strong> Yes, they sound like different worlds at first, but they share a common goal: increasing efficiency through intelligent systems. In projects such as ADA, we have learned how to analyze large, dynamic amounts of data and detect anomalies, which is also useful in the energy sector. The same principle – data-driven decisions – can also be applied to personnel planning. Companies are faced with the challenge of not only coordinating working hours, but also managing unforeseen events such as unplanned absences. This is where reinforcement learning comes into play: it helps us to optimize these complex processes<\/span>.<\/span><\/p>\n

The biggest challenges in personnel planning<\/span><\/b>\u00a0<\/span><\/h3>\n
That sounds exciting! What are the specific challenges in personnel planning, for example in terms of company profit?<\/span>\u00a0<\/span><\/h5>\n

Dr. Quirin G\u00f6ttl:<\/strong> Personnel planning may seem simple at first glance \u2013 like allocating jobs in a computing cluster. But in reality, there are many soft factors. For example, employees\u2019 working speeds vary and unexpected absences can leave large gaps. It is not so easy to optimize company profits because you not only have to increase productivity, but also take employee satisfaction into account. And this is where AI comes into play: it can run through various scenarios using simulations and optimizations, for example the impact of training an employee if it allows them to take on more responsibility.<\/span>\u00a0<\/span><\/p>\n

Advantages of reinforcement learning<\/span><\/b>\u00a0<\/span><\/h3>\n
This seems very challenging. What are the advantages of using AI, especially reinforcement learning, for this type of planning? How does the method work compared to traditional approaches?<\/span>\u00a0<\/span><\/h5>\n

Dr. Quirin G\u00f6ttl:<\/strong> RL has the potential not only to enable more efficient planning, but also to develop plans that are more robust in the face of disruptions – for example, if an employee falls ill. The advantage is that the AI learns through experience. It does not have to calculate all eventualities in advance, but can react dynamically to new situations. This makes the planning process more flexible. And as with our projects at the ADA Lovelace Center<\/a>, the key is data-driven optimization, which allows us to experiment with different scenarios to get the best out of the available resources.<\/span>\u00a0<\/span><\/p>\n

Reinforcement learning in the ROLF project<\/span><\/b>\u00a0<\/span><\/h3>\n
Very interesting! Could you give us a concrete example of how reinforcement learning is used in the ROLF project? What have you found out so far?<\/span>\u00a0<\/span><\/h5>\n

Dr. Quirin G\u00f6ttl:<\/strong> In the ROLF project, we are specifically investigating the application of RL in personnel planning for tax firms. Law firms often plan their resources manually, which is time-consuming and error-prone. Our demonstrator shows how RL can optimize these processes. For example, the AI could recognize that certain tasks should be brought forward to meet deadlines, which increases efficiency and reduces errors. Initial results show that the AI is able to better allocate personnel resources and react flexibly to unforeseen events.<\/span>\u00a0<\/span><\/p>\n

So the demonstrator shows what the RL-supported system looks like in practice? How exactly do I have to imagine this, i.e. how is the AI used in real scenarios, and what specific improvements result from this? Can you show us an example?<\/span>\u00a0<\/span><\/h5>\n

Dr. Quirin G\u00f6ttl:<\/strong> Of course. Let’s start by looking at a simplified example from a tax office. Traditionally, tasks would be planned manually by sorting and processing payroll tasks according to the earliest possible deadline date. The illustration shows 4 employees who can process certain task types (payroll, financial accounting, tax). Some tasks are interdependent (indicated by links), i.e. they cannot be processed in parallel. In addition, each task has a deadline that must be met. Tasks that are not completed within the deadline are marked with a red border.
\n<\/span><\/p>\n

\"\"
\u00a9 Fraunhofer IIS<\/figcaption><\/figure>\n

In the example shown above, the deadline is not met for 2 orders. AI, especially RL, should now be used to prevent this from happening. In addition, the generated work plan should be as resilient as possible to certain events, such as illness or new incoming orders. A possible solution for the above example problem is shown in the following figure.<\/span><\/p>\n

\"\"
\u00a9 Fraunhofer IIS<\/figcaption><\/figure>\n

In reality, the situations are much more complex, i.e. more orders, internal dependencies and employees have to be taken into account, as shown in the following diagram. The use of RL enables an increase in efficiency here.<\/p>\n

\"\"
\u00a9 Fraunhofer IIS<\/figcaption><\/figure>\n

\u00a0<\/span><\/p>\n

That’s really impressive how RL can simplify and improve personnel planning. There are certainly many more possible applications.<\/span>\u00a0<\/span><\/h5>\n

Dr. Quirin G\u00f6ttl:<\/strong> Yes, the possibilities of RL are really fascinating and we are looking forward to continuing to work on optimizing planning. We are currently researching further use cases and developing the technology further in order to be able to offer even more precise and flexible solutions.<\/span>\u00a0<\/span><\/p>\n

Thank you Quirin for the interesting insights and I look forward to you keeping me and our readers up to date on how your research and development is progressing. <\/span>\u00a0<\/span><\/h5>\n","protected":false},"excerpt":{"rendered":"

Ein innovativer Ansatz mit der DATEV Ein Interview mit Dr. Quirin G\u00f6ttl, Fraunhofer IIS Reinforcement Learning (RL) hat in den letzten Jahren erheblich an Bedeutung gewonnen, insbesondere im Kontext industrieller Anwendungen. Wir haben dazu bereits ein interessantes Interview mit unserem Experten Dr. Axel Plinge ver\u00f6ffentlich, bei dem es um die Anwendung von RL beim autonomen […]<\/p>\n","protected":false},"author":1,"featured_media":3264,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[54,1,55],"tags":[105,67,66,64,63,125],"class_list":["post-3262","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-anwendungen","category-forschung","category-menschen","tag-adabloggt","tag-ai","tag-artificial-intelligence","tag-ki","tag-kuenstliche-intelligenz","tag-reinforcement-learning"],"acf":[],"yoast_head":"\nReinforcement Learning f\u00fcr die Personalplanung - adalovelacecenter-blog<\/title>\n<meta name=\"description\" content=\"Interview mit Dr. Quirin G\u00f6ttl: Reinforcement Learning optimiert die Personalplanung und gestaltet betriebliche Prozesse effizienter.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Reinforcement Learning f\u00fcr die Personalplanung - adalovelacecenter-blog\" \/>\n<meta property=\"og:description\" content=\"Interview mit Dr. Quirin G\u00f6ttl: Reinforcement Learning optimiert die Personalplanung und gestaltet betriebliche Prozesse effizienter.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/\" \/>\n<meta property=\"og:site_name\" content=\"adalovelacecenter-blog\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/de-de.facebook.com\/FraunhoferIIS\" \/>\n<meta property=\"article:published_time\" content=\"2025-01-27T13:24:21+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-content\/uploads\/2025\/01\/AdobeStock_624291842.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"2048\" \/>\n\t<meta property=\"og:image:height\" content=\"666\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Karin Matura\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@FraunhoferIIS\" \/>\n<meta name=\"twitter:site\" content=\"@FraunhoferIIS\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Karin Matura\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"13\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/\",\"url\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/\",\"name\":\"Reinforcement Learning f\u00fcr die Personalplanung - adalovelacecenter-blog\",\"isPartOf\":{\"@id\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/#website\"},\"datePublished\":\"2025-01-27T13:24:21+00:00\",\"dateModified\":\"2025-01-27T13:24:21+00:00\",\"author\":{\"@id\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/#\/schema\/person\/f2f76807d5c8384ac5757117fb37083c\"},\"description\":\"Interview mit Dr. Quirin G\u00f6ttl: Reinforcement Learning optimiert die Personalplanung und gestaltet betriebliche Prozesse effizienter.\",\"breadcrumb\":{\"@id\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Reinforcement Learning f\u00fcr die Personalplanung\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/#website\",\"url\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/\",\"name\":\"adalovelacecenter-blog\",\"description\":\"Kompetenzzentrum f\u00fcr Analytics, Daten und Applikationen\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/#\/schema\/person\/f2f76807d5c8384ac5757117fb37083c\",\"name\":\"Karin Matura\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/a11f47af638f995b238e04d7d533245eda1ab3282b33f8940a2ad1be9249db7a?s=96&d=blank&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/a11f47af638f995b238e04d7d533245eda1ab3282b33f8940a2ad1be9249db7a?s=96&d=blank&r=g\",\"caption\":\"Karin Matura\"},\"sameAs\":[\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\"],\"url\":\"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/author\/karin-maturaiis-fraunhofer-de\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Reinforcement Learning f\u00fcr die Personalplanung - adalovelacecenter-blog","description":"Interview mit Dr. Quirin G\u00f6ttl: Reinforcement Learning optimiert die Personalplanung und gestaltet betriebliche Prozesse effizienter.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/","og_locale":"de_DE","og_type":"article","og_title":"Reinforcement Learning f\u00fcr die Personalplanung - adalovelacecenter-blog","og_description":"Interview mit Dr. Quirin G\u00f6ttl: Reinforcement Learning optimiert die Personalplanung und gestaltet betriebliche Prozesse effizienter.","og_url":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/","og_site_name":"adalovelacecenter-blog","article_publisher":"https:\/\/de-de.facebook.com\/FraunhoferIIS","article_published_time":"2025-01-27T13:24:21+00:00","og_image":[{"width":2048,"height":666,"url":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-content\/uploads\/2025\/01\/AdobeStock_624291842.jpg","type":"image\/jpeg"}],"author":"Karin Matura","twitter_card":"summary_large_image","twitter_creator":"@FraunhoferIIS","twitter_site":"@FraunhoferIIS","twitter_misc":{"Verfasst von":"Karin Matura","Gesch\u00e4tzte Lesezeit":"13\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/","url":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/","name":"Reinforcement Learning f\u00fcr die Personalplanung - adalovelacecenter-blog","isPartOf":{"@id":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/#website"},"datePublished":"2025-01-27T13:24:21+00:00","dateModified":"2025-01-27T13:24:21+00:00","author":{"@id":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/#\/schema\/person\/f2f76807d5c8384ac5757117fb37083c"},"description":"Interview mit Dr. Quirin G\u00f6ttl: Reinforcement Learning optimiert die Personalplanung und gestaltet betriebliche Prozesse effizienter.","breadcrumb":{"@id":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/reinforcement-learning-fuer-die-personalplanung\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/"},{"@type":"ListItem","position":2,"name":"Reinforcement Learning f\u00fcr die Personalplanung"}]},{"@type":"WebSite","@id":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/#website","url":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/","name":"adalovelacecenter-blog","description":"Kompetenzzentrum f\u00fcr Analytics, Daten und Applikationen","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/#\/schema\/person\/f2f76807d5c8384ac5757117fb37083c","name":"Karin Matura","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/a11f47af638f995b238e04d7d533245eda1ab3282b33f8940a2ad1be9249db7a?s=96&d=blank&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/a11f47af638f995b238e04d7d533245eda1ab3282b33f8940a2ad1be9249db7a?s=96&d=blank&r=g","caption":"Karin Matura"},"sameAs":["https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog"],"url":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/author\/karin-maturaiis-fraunhofer-de\/"}]}},"_links":{"self":[{"href":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-json\/wp\/v2\/posts\/3262","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-json\/wp\/v2\/comments?post=3262"}],"version-history":[{"count":11,"href":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-json\/wp\/v2\/posts\/3262\/revisions"}],"predecessor-version":[{"id":3280,"href":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-json\/wp\/v2\/posts\/3262\/revisions\/3280"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-json\/wp\/v2\/media\/3264"}],"wp:attachment":[{"href":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-json\/wp\/v2\/media?parent=3262"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-json\/wp\/v2\/categories?post=3262"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/websites.fraunhofer.de\/adalovelacecenter-blog\/wp-json\/wp\/v2\/tags?post=3262"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}