Ausgangssituation

Die Valeo Schalter und Sensoren GmbH entwickelt innovative Technologien für die Automobilbranche. Das Unternehmen verfolgt eine Strategie zur Wissenserweiterung, die es seinen Mitarbeitenden ermöglicht, sich auf zukünftige Herausforderungen in den Projekten optimal vorzubereiten. Dazu wird eine Vielzahl an technischen Trainings durch interne Trainer*innen und Expert*innen angeboten. Dabei ist das Ziel, möglichst effiziente Trainings bereitzustellen, so dass sowohl Teilnehmende als auch Trainer*innen und Führungskräfte mit dem Lernerfolg der einzelnen Mitarbeitenden zufrieden sind und das Gelernte im Anschluss sicher im Arbeitsumfeld angewendet werden kann. Die adäquate Ausbildung der Projektmitarbeitenden ist insbesondere aus dem Grund wichtig, da sich Innovationszyklen stetig verkürzen und sich unsere Gesellschaft zugleich in einem Wandel zum lebensbegleitenden Lernen befindet. Im Rahmen des Projekts soll ermittelt werden, welche Faktoren den Trainingserfolg beeinflussen, wie diese verbessert werden können und das lebensbegleitende Lernen optimal umgesetzt werden kann.

Das Projekt zur Steigerung der Effizienz von Trainings ist ein Pilotprojekt im Bereich KI-gestützter Unternehmensprozesse und wird dem Aufsichtsrat in regelmäßigen Abständen präsentiert.

 

Lösungsansatz

Valeo verfolgt die Idee, Methoden der KI im Rahmen einer „personalisierten, intelligenten Lernstrategie“ einzusetzen. Dadurch sollen die Einflussfaktoren für effiziente Trainings ermittelt und Empfehlungen in Echtzeit ermöglicht werden. Es soll eine für die Lernenden interessante und motivierende, sich an die jeweils persönliche Situation in Tempo und Inhalt anpassende Wissensvermittlung gestaltet werden („adaptive learning features“). Lehrende können wichtige Rückmeldungen erhalten und so ihr Training verbessern. Daraus soll sich ein effizienter Lernprozess ergeben.

 

Beteiligte Interessengruppen

Die KI-Anwendung wird von einer technischen Abteilung entwickelt und richtet sich vor allem an Trainer*innen, die Trainingsakademie und die Trainingsteilnehmenden. Dabei sind Fachleute für KI, Trainer*innen, die Zuständigen für die unternehmenseigene Trainingsakademie, die Personalabteilung sowie der Betriebsrat und Datenschutzexpert*innen in das Projektteam eingebunden. Zusätzlich ist eine pädagogische Hochschule als externe Dienstleisterin zur Konzeption der Datenaufnahme involviert.

Technologie

Daten kommen aus Fragebögen, die von den Trainees, deren Führungskräften und den Trainer*innen zu verschiedenen Zeitpunkten erfasst werden. Merkmale werden über ihre Bedeutung klassifiziert und die KI-Anwendung sucht automatisiert nach Korrelationen. Dabei werden feste und lernende Algorithmen kombiniert.

Die Auswertung erfolgt mittels Python (PyCharm) und angepassten .csv Dateien, die aus der Fragebogen-Datenbasis exportiert werden.

Es werden folgende Schritte durchgeführt:

1. Gruppierung ähnlicher Daten durch Clustering Analysis, um zunächst die geschlossenen Fragen zu bewerten. Mit diesem Verfahren werden Muster und Trends aus den Daten extrahiert, welche später die Einblicke bezüglich der Präferenzen darstellen.
2. Als nächstes werden für die Segmentierung Decision Trees (Entscheidungsbäume) angewendet.
3. Alternative Methoden werden bei jeder Evaluationsrunde in einen Continuous Improvement (Kontinuierliche Verbesserung) Plan integriert, um die bestmöglichen Ergebnisse zu erreichen. In einer weiteren Version werden auch offene Fragen in das Verfahren eingebunden.
4. Peer Reviews werden im Kontext organisiert, um die Daten zu plausibilisieren.
5. Verbesserungen werden im Prozess mittels Prozess-Tickets eingeleitet und vom Projektgremium auditiert.

 

Herausforderungen

Verschiedene Herausforderungen haben sich in diesem Projekt ergeben, vor allem in Bezug auf die Datenerhebung. Sowohl die benötigte Datenmenge als auch die erforderliche Datenqualität muss sichergestellt werden. Um die benötigte Datenmenge zu erreichen, muss hier auf die Motivation der Teilnehmenden zum Ausfüllen des Fragebogens gesetzt werden. Dabei braucht es das Vertrauen darin, dass durch ihre Zuarbeit am Ende ein Mehrwert für sie selbst geschaffen wird. Um die Datenqualität zu gewährleisten, ist das Stellen aussagekräftiger Fragen zum Unterstützen oder Widerlegen bestimmter Thesen wichtig. Zudem muss sichergestellt werden, dass die Daten anonymisiert sind und es keine Rückschlüsse auf Einzelpersonen oder Diskriminierung von Personengruppen geben kann. Die Zuordnung von Daten kann über einen Trainingscode durchgeführt werden.

Zudem handelt es sich um ein Pilotprojekt, in dem Pionierarbeit für die Einführung von KI-Anwendungen in Unternehmensprozessen geleistet wird. Hierbei gilt es, dauerhaft alle beteiligten Parteien einzubinden und zur Unterstützung zu motivieren, um das anvisierte Ziel zu erreichen.

 

Ergebnis

Der Prozess zur Durchführung des Projektes ist grundsätzlich abgestimmt. Die Art der Datenerhebung und auch die Auswahl der Daten sind bereits erfolgt und erste Daten liegen vor. Im nächsten Schritt geht es nun darum, die Datenmenge zu erhöhen, um eine Auswertung mit Hilfe einer KI überhaupt durchführen zu können. Dies soll durch die breite Verteilung der Fragebögen geschehen. Bis eine ausreichende Datenmenge zur Verfügung steht, wird auf eine statistische Auswertung zurückgegriffen.

Learnings

Insgesamt wurde der Zeitaufwand für die vorbereitenden Arbeiten deutlich unterschätzt. Die Klärung der Datenerhebung und auch der Datenschutz haben mehr Zeit beansprucht als veranschlagt wurde. Zudem verzögerte sich die Projektdurchführung durch die begrenzten Kapazitäten des Projektteams.

Außerdem gilt es alle beteiligten Parteien wie Betriebsrat, Personalabteilung, Datenschutz und in unserem Fall auch die Trainingsabteilung frühzeitig einzubinden und damit wichtige Entscheider*innen zur Unterstützung des Projektes zu gewinnen.