Advertisement

Künstliche Intelligenz in der Öffentlichen Verwaltung

Status Quo und zukünftige Entwicklungen
  • Alexander FelfernigEmail author
  • Martin StettingerEmail author
  • Manfred WundaraEmail author
  • Christoph Stanik
Living reference work entry

Zusammenfassung

Im Kontext der Digitalisierung macht der Erfolgslauf von Technologien der „Künstlichen Intelligenz“ (KI) auch in der öffentlichen Verwaltung nicht Halt. Diese Technologien finden in einer Reihe von Szenarien Einsatz – Beispiele sind Systeme zur Entscheidungsunterstützung, zur Unterstützung von intelligenten e-Learning Prozessen und zur Unterstützung der Kommunikation mit Bürgern. Das Hauptziel dieses Artikels ist es, einen Einblick in unterschiedliche Technologien der Künstlichen Intelligenz zu geben und gleichzeitig auch anhand von Beispielen Anwendungen und die damit verbundenen Prozessverbesserungen zu beleuchten.

Schlüsselwörter

Künstliche Intelligenz Digitalisierung Machine Learning Recommender Systeme Anwendungen 

1 Einleitung

Künstliche Intelligenz (KI) (Russel und Norvig 2003, S. 1) kann als Sammlung von Technologien verstanden werden, die dabei helfen, Aufgaben besser (bspw. effizienter oder optimaler) zu lösen als dies von Menschen in vernünftiger Zeit erreicht werden kann. Grundlegend wird sehr oft zwischen der sogenannten „schwachen KI“ („weak AI“) und der „starken KI“ („strong AI“) unterschieden.

Das vordergründige Ziel der schwachen KI ist es, Aufgaben besser zu lösen, als dies von Menschen gemacht werden kann. Ein Beispiel sind sog. Konfigurationsprozesse (Felfernig et al. 2014, S. 10): die Identifikation einer korrekten Konfiguration eines Autos kann ohne die Mithilfe von Computern sehr lange dauern. Übernimmt der Computer die Erstellung und Korrektheitsprüfung einer Konfiguration, kann der Zeitaufwand von einigen Tagen auf ein paar Minuten reduziert werden. Diese Technologien helfen auch dabei, die Fehlerquote auf nahezu null zu senken. Ein typisches Beispiel für „schwache KI“ in der öffentlichen Verwaltung sind sog. „Bot“ Technologien, die in einen Dialog mit dem Kunden treten und damit Routine-Beratungsprozesse vom Menschen auf KI-basierte Technologien verlagern. Das damit verbundene Potenzial ist enorm, da kostenintensive Routineprozesse einfach durch intelligente Beratungstechnologien unterstützt bzw. ersetzt werden können.

Das Ziel der „starken KI“ ist es, generell menschliches Problemlösungs- und Entscheidungsverhalten zu entschlüsseln und auf Basis der resultierenden Technologien intelligente Agenten zu kreieren, die über Eigenschaften wie Selbstbewusstsein, Gewissen, generelle Problemlösungskapazität und weitere dem Menschen ureigene Eigenschaften und Fertigkeiten verfügen. Zugegebenermaßen sind solche Fertigkeiten noch Theorie und werden von existierenden Algorithmen und Plattformen nicht realisiert.

Der Hauptfokus in diesem Artikel liegt auf dem Einsatz von KI Technologien zur Umsetzung der erwähnten „schwachen KI“ Szenarien. Unser wesentlicher Beitrag besteht in diesem Kontext vor allem darin, bestehende KI-basierte Lösungen im Bereich der öffentlichen Verwaltung zu analysieren und entsprechend zusammenzufassen. In diesem Kontext geben wir Beispiele, wie solche Systeme auf algorithmischer Ebene realisiert sind, wie entsprechende User Interfaces aussehen und welche Möglichkeiten der Prozessverbesserung sich durch solche Systeme eröffnen.

Die verbleibenden Abschnitte gliedern sich wie folgt. Im folgenden Abschnitt (Abschn. 2) geben wir eine kurze Übersicht über existierende KI Techniken. In Abschn. 3 diskutierten wir unterschiedliche Anwendungen von KI Techniken in der öffentlichen Verwaltung. In Abschn. 4 diskutieren wir Forschungsfragen, die durch aktuelle Forschung und vorhandene Systeme noch nicht beantwortet wurden. In Abschn. 5 fassen wir die grundlegenden Aussagen im Rahmen eines Ausblicks zusammen.

2 Basis KI-Techniken

In diesem Abschnitt gehen wir kurz auf Basistechniken der Künstlichen Intelligenz ein und bringen bekannte Beispiele, die nicht in jedem Fall der Öffentlichen Verwaltung zuordenbar sind. Eine Diskussion der Anwendung von KI Techniken in der Öffentlichen Verwaltung findet sich in Abschn. 3.

2.1 Suche

Eine grundlegende KI Technik ist Suche. Es geht dabei darum, für ein definiertes Problem eine algorithmische Lösung zu finden, wobei die Identifikation der Lösung als Suchproblem dargestellt werden kann. Ein Beispiel für ein Suchproblem ist das sog. „8-queens“ Problem (Russel und Norvig 2003, S. 151), bei dem acht auf einem Schachfeld befindliche Königinnen so positioniert werden müssen, dass keine Königin eine andere bedroht. Sehr viele Aufgabenstellungen der Künstlichen Intelligenz können als Suchproblem interpretiert werden. Beispiele sind die Suche nach einer Rundreise mit dem kürzesten Weg, die Suche nach einer Farbgebung für eine Landkarte, sodass benachbarte Länder/Regionen nicht die gleiche Färbung bekommen und die Suche nach einer möglichst optimalen Produktionsplanung, sodass alle Kundenanforderungen in der vorgegebenen Zeit erfüllt werden können.

2.2 Machine Learning

Digitalisierung macht auch im Kontext von eGovernment nicht halt. Zielsetzungen sind u. a. Prozessoptimierung und verbesserte Gesundheit und Sicherheit von Bürgern. „Machine Learning“ ist ein interdisziplinäres Feld, das sich damit beschäftigt, Lernprozesse auf Basis vonhandener Datensätze zu ermöglichen. „Supervised Learning“ bezieht sich auf Szenarien, in denen bspw. Regeln auf Basis von gegebenen Beispielen (repräsentiert als Input und dazugehöriger Output) gelernt werden. Im Gegensatz dazu wird bei „Unsupervised Learning“ nach Mustern gesucht – in diesem Zusammenhang spricht man auch von explorativer Datenanalyse. Ein Beispiel dieses Lernansatzes ist Data Mining, bei dem es um die Identifikation von „versteckten“ Regeln in Datensätzen geht. Ein Beispiel für den Einsatz von „Unsupervised Learning“ ist das Lernen sog. Assoziationsregeln, die u. a. dazu verwendet werden das Auswahlverhalten von Kunden zu beschreiben (bspw. „Kunden die A gekauft haben, haben auch B gekauft“). Im Kontext der öffentlichen Verwaltung finden Machine Learning Verfahren in unterschiedlichen Kontexten ihren Einsatz. Ein Beispiel für den Einsatz von Machine Learning Verfahren ist das Lernen von Regeln im öffentlichen Verkehrsmanagement, d. h., bspw. Regeln für das Scheduling von öffentlichen Verkehrsmitteln. „Deep Learning“ bezeichnet in diesem Zusammenhang einen Teilbereich von „Machine Learning“, in dem neuronale Netzwerke (Abstraktionsmodell des menschlichen Gehirns besteht aus künstlichen Neuronen) verwendet werden, um Modelle aus gegeben Datensätzen abzuleiten. Wesentliche Anwendungsbereiche von Deep Learning sind Spracherkennung, wobei Systeme sukzessive ihren Sprachschatz erweitern.

2.3 Recommender Systeme

Recommender Systeme (Felfernig et al. 2018a, S. 3) (Jannach et al. 2010, S. 1) bilden die Grundlage von vielen existierenden Online Plattformen. Eines der bekanntesten Beispiele ist wohl amazon.com. Empfehlungen wie beispielsweise „Kunden die A gekauft haben, haben auch B gekauft“ basieren auf unterschiedlichsten Empfehlungsalgorithmen, die für Einzelpersonen herausfinden, welche Produkte/Services für sie am besten geeignet sind. Beispiele für die Anwendung von Empfehlungssystemen sind die Online Verkaufsplattformen wie bspw. amazon.com, Musikplattformen wie bspw. pandora.com oder Kleidungsempfehlungen wie bspw. zalando.com. Neben Empfehlungssystemen für Einzelpersonen nehmen Empfehlungssysteme für Gruppen einen zunehmend wichtigeren Stellenwert ein. Diese Systeme berechnen Empfehlungen nicht für Einzelpersonen, sondern berücksichtigen die Präferenzen aller Gruppenmitglieder, d. h., präsentieren Empfehlungen, die für Gruppenmitglieder in der einen oder anderen Form akzeptabel sind (Felfernig et al. 2018a, S. 3).

2.4 Logik-basierte Systeme

Im Kontrast zu Machine Learning und traditionellen Recommender Systemen fokussieren logik-basierte Systeme auf einer formalen Wissensrepräsentation. Auf Basis dieser Repräsentation versuchen Suchalgorithmen entsprechende Lösungen zu identifizieren. Ein bekanntes Beispiel für logik-basierte Repräsentationen sind sogenannte Constraint Satisfaction Probleme (CSPs) (Felfernig et al. 2014, S. 43). Eine Definition eines Constraint Satisfaction Problems basierte auf der Definition einer Menge von „finite domain“ Variablen, einer entsprechenden Domänendefinition für einzelne Variable und einer Aufzählung von Constraints, die durch identifizierte Variablenwertebelegungen erfüllt werden müssen. Constraint Satisfaction Probleme werden sehr oft durch sog. „vollständige“ Algorithmen gelöst, d. h., Algorithmen, die eine Lösung finden, falls eine solche existiert. Bei sehr komplexen Problemen, bei denen die Suche nach einer Lösung u. U. zu lange dauert, kommt eine sog. „lokale Suche“ zum Einsatz. Dabei handelt es sich um eine Klasse von Algorithmen, die zwar keine optimale Lösung garantieren können, aber sehr oft in relativ kurzer Zeit eine für den Benutzer akzeptable Lösung identifizieren können.

Bei den aufgeführten Techniken handelt es sich um solche, die sehr oft im industriellen Kontext zum Einsatz kommen. Es sind aber bei weitem nicht alle. Da es den Umfang dieses Artikels sprengen würde, werden wir diese Technologien nicht in diesem Artikel diskutieren, sondern verweisen den interessierten Leser bspw. auf (Russel und Norvig 2003, S. 1).

3 Beispielhafte KI Anwendungen in der Öffentlichen Verwaltung

3.1 KI im eLearning

Wie im industriellen Umfeld sind Prozess- und Weiterbildung auch zentrale Aspekte für die Entwicklung von Mitarbeitern in der öffentlichen Verwaltung. Das Ziel ist es, dass Mitarbeiter über unterschiedliche rechtliche Rahmenbedingungen Bescheid wissen, sich entsprechend gegenüber dem Kunden (die BürgerInnen) verhalten und Beratungsprozesse korrekt umsetzen.

Im Kontext der Aus- und Weiterbildung spielen e-Learning Systeme eine sukzessiv wichtigere Rolle. Aufgaben der Fort- und Weiterbildung liegen unterschiedlichen Optimierungsprozessen, in denen die Ausbildung soweit als möglich auf e-Learning Technologien ausgelagert wird. Ein immer noch vorhandenes Problem in existierenden e-Learning Lösungen ist die just-in-time Verfügbarkeit von Wissen. Neue Mitarbeiter sollten vom ersten Tag an die Möglichkeit besitzen, sich auf einfache Art und Weise in bestehende Prozesse einzuarbeiten. Mitarbeiter, die bestimmte Schulungen bereits besucht haben, sollten jederzeit die Möglichkeit besitzen, bereits Gelerntes zu wiederholen um im „Fall der Fälle“ das notwendige Wissen zur Verfügung zu haben.

In diesem Zusammenhang bekommen Personalisierungstechnologien eine immer wichtigere Bedeutung. Vor allem, wenn es darum geht, Wissen auf personalisierte Art und Weise und auch zum richtigen Zeitpunkt an jene Mitarbeiter weiterzuleiten, die sehr wahrscheinlich von diesem Wissen profitieren können. Von wesentlicher Bedeutung in den angesprochenen Lernszenarien ist die sog. Kurve des Vergessens: bereits Gelerntes wird nach einiger Zeit wieder vergessen und geht ohne entsprechende Auffrischung früher oder später komplett verloren. KI Technologien können in diesem Zusammenhang helfen, Wissen auf personalisierte Art und Weise an jene weiterzugeben, die von diesem Wissen profitieren können. In diesem Zusammenhang spricht man auch von sog. „autonomen Systemen“ oder im Speziellen von „self-organizing learning“ basierten Systemen, die ohne das Einwirken von menschlichen Operatoren das Lernmanagement für Mitarbeiter auf personalisierte Art und Weise übernehmen. Im Folgende gehen wir kurz auf die Funktionen eines solchen Systems anhand des KnowledgeCheckR Systems (www.knowledgecheckr.com) ein.

KnowledgeCheckR basiert auf der Idee, dass Lerninhalte nicht nur einmal vermittelt und abgeprüft werden sollten, sondern bedürfnisorientiert an Lernende verteilt werden. Lernende werden mit Inhalten konfrontiert, die für sie u. U. neu sind bzw. aufgefrischt werden müssen, um der sog. „Kurve des Vergessens“ entgegen zu wirken. Zur Berechnung von relevanten Inhalten verwendet das KnowledgeCheckR System Recommender Technologien. Um festzustellen, welche Inhalte/Fragen in einem bestimmten Kontext relevant sind, werden utility-basierte Recommender Algorithmen (Felfernig et al. 2018a, S. 7) eingesetzt, welche die Utility von Inhalten aufgrund der aktuellen Lernperformanz des Benutzers bewerten. Diese Algorithmen werden mit kollaborativen Empfehlungsansätzen kombiniert, die es erlauben, die Lernperformance ähnlicher Benutzer (sog. „nearest neighbors“) in die Berechnung von Empfehlungen für den aktuellen Benutzer mit einfließen zu lassen. Ein Beispiel für die Berechnung von solchen Empfehlungen auf Basis von Collaborative Filtering findet sich in Tab. 1. Die Lernerfolge von Benutzer u1 und u2 sind bereits in der Tabelle gespeichert. Der aktuelle Benutzer ua konnte die Fragen q1 und q3 beantworten. Ein Benutzer mit einer ähnlichen Antwortperformance ist der Benutzer u1. In einer solchen Situation würde ein Collaborative Filtering basierte Recommender darauf schließen, dass Benutzer ua aufgrund der Ähnlichkeit zu Benutzer u1 die Frage q4 nicht und die Frage q5 beantworten können wird. Um den Lernerfolg von Benutzer ua zu verbessern, könnte bspw. Frage q4 als nächste Frage für den Benutzer ausgewählt werden.
Tab. 1

Ein einfaches Beispiel für eine „Collaborative Filtering“ basierte Empfehlungsaufgabe

user

q1

q2

q3

q4

q5

u1

1

0

1

0

1

u2

0

1

1

1

0

ua

1

0

1

?

?

Abb. 1 vermittelt einen Eindruck über die in KnowledgeCheckR vorhandenen Funktionen.
Abb. 1

Benutzerinterface der KnowledgeCheckR Lernumgebung

Lernanwendungen bestehen aus einer Reihe von Fragenstellungen und dazugehörigen Antworten. Kann ein Benutzer eine Frage richtig beantworten, wird die nächste Frage angezeigt. Kann ein Benutzer eine Frage nicht beantworten, wird eine entsprechende Erklärung angezeigt, die auf die richtige Antwort hinweist bzw. auch im Detail ausführt, warum die aktuelle Antwort falsch ist. Werden keine Detailerklärungen vom Entwickler einer Lernanwendung zur Verfügung gestellt, werden Erklärungen von System aus den als richtig markierten Antwortmöglichkeiten generiert. Abb. 1 zeigt einerseits die KnowledgeCheckR Übersicht über die einem Benutzer zugeordneten Lernanwendungen. Darüber hinaus sind die Darstellung von Fragen und entsprechende Statistikfunktionen dargestellt. Statistiken helfen, den Administratoren einer Lernanwendung mehr über den Wissensstand der Community zu erfahren. Daraus können bspw. Gegenmaßnahmen abgeleitet werden, u. a., in welchen Kategorien/Themen muss mehr in Mitarbeiterausbildung investiert werden bzw. welche Schulungsunterlagen sollten erweitert bzw. verbessert werden. In Abb. 1 ist u. a. eine einfache Übersicht zu sehen, die darstellt in welcher Relation die persönliche Lernperformance zu jener der gesamten Benutzer-Community steht.

Zu erwartende Verbesserungen durch den Einsatz von „self-organizing learning“. Der Einsatz von „self-organizing“ Lernsystemen wie KnowledgeCheckR bringt eine Reihe von Verbesserungen für existierende Business Prozesse mit sich. Signifikante Zeitereinsparungen können u. a. dadurch erreicht werden, dass die Organisation von Lernprozessen teilweise durch die Software selbst übernommen wird. Zudem werden Lernende in erster Linie mit Themen konfrontiert, mit denen sie sich weniger gut auskennen, d. h., auf höchstwahrscheinlich bekannte Themen wird durch den Empfehlungsalgorithmus weniger Schwerpunkt gelegt. Folgekosten und Opportunitätskosten, die durch fehlerhaftes Verhalten von Mitarbeitern entstehen, können zu einen erhöhten Grad vermieden werden. Durch die fokussierte Vermittlung von Beratungswissen kommen bspw. Mitarbeiter der öffentlichen Verwaltung seltener in die Rolle, durch fehlerhafte Beratung Folgekosten zu verursachen. In KnowledgeCheckR gespeichertes Wissen dient in weiterer Folge als sog. „Corporate Memory“, welches neuen Mitarbeitern sofort zur Verfügung gestellt werden kann, d. h., Mitarbeiter müssen nicht mehr darauf warten, den nächsten Kurs besuchen zu dürfen, um das notwendige Wissen bzgl. wichtiger Themen zu erhalten.

3.2 Gruppenentscheidungen im Öffentlichen Sektor

Beispiele für Gruppenentscheidungen, die oft u. a. auch in der öffentlichen Verwaltung zu treffen sind, sind die Anschaffung von neuen Softwaresystemen, der Bau eines neuen Gebäudes und die Anschaffung einer Autoflotte. Entscheidungen in solchen Szenarien werden sehr oft von einer Gruppe von Personen getroffen. Soll bspw. eine neue Buchhaltungssoftware angeschafft werden, sind Personen aus unterschiedlichen Abteilungen mit dem Entscheidungsprozess befasst. In diesem Zusammenhang ist es extrem wichtig, dass die für die Entscheidung relevante Information auch für alle Entscheidungsträger zugänglich ist und dass Entscheidungsprozesse so organisiert sind, dass nicht durch sog. „Decision Biases“ suboptimale Lösungen als beste identifiziert werden. Ein Beispiel für Decision Biases sind sog. „Ankereffekte“ bei denen durch die frühzeitige Definition von Präferenzen einer Person die anderen Personen in ihrer Auswahl manipuliert werden (Felfernig 2014, S. 32–37). Auf Recommender Systemen basierende Gruppenentscheidungstechnologien helfen einer Gruppe dabei, suboptimale Entscheidungen zu vermeiden und vor allem auf den Austausch von entscheidungsrelevanten Informationen zu fokussieren.

Ein Beispiel für ein Tool zur Unterstützung von Gruppenentscheidungen ist im Tool EventHelpr integriert (www.eventhelpr.com). EventHelpr basiert auf der Idee, dass die am Entscheidungsprozess beteiligten Personen jederzeit Entscheidungsalternativen im System definieren können. Geht es beispielsweise um die Identifikation eines neuen Domänennamens, können so Ideen gesammelt werden, bevor eine Entscheidung getroffen wird. Eine solche Flexibilität ist in anderen Szenarien nicht notwendig. Geht es bspw. um die Auswahl von neuen MitarbeiterInnen aus einer Menge an KandidatInnen, ist die Entscheidungsmenge bereits fixiert und wird in den meisten Fällen nicht während des Entscheidungsprozesses weiter adaptiert. Ähnliches gilt für die Anschaffung von neuen Hardware bzw. Softwaresystemen. In all diesen Szenarien ist es von extremer Wichtigkeit, dass Entscheidungs-relevantes Wissen allen Entscheidungsträgern bekannt ist und dass wesentliche Argumente für und gegen eine bestimmte Alternative möglichst transparent aufbereitet sind. Abb. 2 zeigt ein einfaches Beispiel für ein in EventHelpr definiertes Entscheidungsproblem. Die zugrunde liegende Aufgabenstellung ist es, aus einer Liste von Internet-Domänennamen jenen Namen zu identifizieren, der in Zukunft für eine öffentliche Veranstaltungsplattform verwendet werden soll. Am Entscheidungsprozess beteiligte Personen können nun die vorhandenen Alternativen bewerten und auch entsprechende Argumente für und gegen die Auswahl einer bestimmten Alternative vorbringen. Auf diese Art und Weise werden unterschiedliche Argumente für und gegen bestimmte Alternativen gesammelt. Solche Argumente können von Entscheidungsträgern entsprechend unterstützt werden. Eine Unterstützung eines „Pro“ Arguments verbessert die Bewertung einer Alternative, eine Unterstützung eines „Contra“ Arguments führt zu einer entsprechenden Verschlechterung der Bewertung der Alternative. Eine detailliertere Diskussion von in diesem Zusammenhang verwendeten Formelgerüsten findet sich in (Felfernig, Gruber et al. 2018b, S. 1–4). Abb. 2 zeigt die in EventHelpR zur Verfügung gestellte Funktion zur Erfassung/Definition von Alternativen. In weiterer Folge können Alternativen durch die Integration von Argumenten („pro“ und „con“) und Bewertung von Argumenten in eine entsprechende Reihenfolge gebracht werden.
Abb. 2

Ein einfaches Interface für die Unterstützung von Gruppenentscheidungen

Zu erwartende Verbesserungen durch den Einsatz von Systemen zur Unterstützung von Gruppenentscheidungen. Der Einsatz von Gruppenentscheidungstechnologien bringt eine Reihe von Verbesserungen mit sich, die sich in erster Linie in einer Verbesserung der Entscheidungsqualität niederschlagen können. Werden bspw. Argumente für und gegen spezifische Alternativen für alle leicht sichtbar ausgetauscht, passiert es weniger oft, dass auf wesentliche Argumente vergessen wird und suboptimale Alternativen ausgewählt werden. Eine weitere Konsequenz von argumentationsbasierten Ansätzen ist eine intensivere Auseinandersetzung mit dem Thema und daraus resultierendes tieferes Gruppenwissen über Entscheidungs-relevante Aspekte. Eine Alternative zur argumentationsbasierten Entscheidungsunterstützung sind Ansätze der gruppenbasierten Nutzwertanalyse (Felfernig et al. 2018a, S. 40–44). Auch in diesem Zusammenhang erfolgt eine Fokussierung der Analyse von Entscheidungs-relevanten Faktoren (sog. Dimensionen). Nutzwertanalyse basiert auf der Idee, dass vorhandene Alternativen bzgl. unterschiedlicher Bewertungsdimensionen evaluiert werden und eine Nutzwertfunktion auf Basis von gewichteten Bewertungen die einzelnen Alternativen in eine Reihenfolge bringt. Weitere Details zum Thema Nutzwertanalyse finden sich u. a. in (Felfernig et al. 2018a, S. 7). Eine Übersicht über unterschiedliche algorithmische Ansätze zur Unterstützung von Gruppenentscheidungen findet sich in (Felfernig et al. 2018a, S. 27–56). Schließlich sei noch erwähnt, dass EventHelpr auch über sog. Person2Person Empfehlungstechnologien verfügt. Auf Events mit sehr vielen Besuchern ermöglicht es diese Technologie, genau jene Besucher zu identifizieren, die bspw. an Kooperationen interessiert sein könnten. Technologien dieser Art werden auch von sozialen Netzwerken wie bspw. LinkedIn (www.linkedin.com) verwendet.

3.3 Open Innovation in e-Government

Eine wesentliche Quelle für die Verbesserung von internen Prozessen ist der direkte Kontakt zum Kunden. Firmen gehen verstärkt den Weg der Open Innovation mit der Idee, auf strukturierte Art und Weise Kunden-Communities in interne produkt-/service-bezogene Entscheidungsprozesse zu integrieren. Ähnlich verhält es sich in der öffentlichen Verwaltung. Auch hier ist es extrem wichtig, die Anforderungen und Bedürfnisse der Bürger so genau wie möglich zu verstehen und auch bspw. in Form entsprechender Services darauf reagieren zu können. Einerseits können solche Unterfangen in Form von direkten Befragungen realisiert werden, andererseits entwickeln sich speziell im Bereich der Künstlichen Intelligenz weiterführende Konzepte, die auf die (teil-)automatisierte Erkennung von Anforderungen abzielen. Beispielsweise werden auf Basis von unterschiedlichen Machine Learning Verfahren Twitter Kanäle analysiert, um spezielle neue Kundenanforderungen bzgl. eines Softwaresystems auf automatisierte Art und Weise zu identifizieren. Eine detaillierte Diskussion eines beispielhaften Ansatzes findet sich u. a. in (Guzman Ortega et al. 2017, S. 11–20). Eines der Hauptziele des EU Projektes OpenReq (www.openreq.eu) ist die Verwendung von Recommender Systemen zur Empfehlungsunterstützung im Kontext von Requirements Engineering Szenarien. Genau solche Softwarekomponenten haben auch Einsatzpotenzial im Bereich der öffentlichen Verwaltung, da sie bei der Identifikation von sog. „hidden requirements“ Unterstützung bieten können. Ein Screenshot des OpenReq User Interfaces findet sich in Abb. 3. In diesem Beispiel findet eine Anbindung von OpenReq an einen anonymisierten Twitter Kanal mit dem Ziel statt, Probleme und Anforderungen seitens der Bürger auf einfache Art und Weise zu identifizieren, ohne dabei „manuell“ den Twitter Kanal zu analysieren, um die wesentlichen und wichtigen Tweets zu identifizieren.
Abb. 3

Analyse des Twitter Kanals einer öffentlichen Verwaltung

Zu erwartende Verbesserungen durch den Einsatz von Sensing Technologien. Wesentlicher Vorteil des Einsatzes der beschriebenen „Sensing“ Technologien ist die sofortige Verfügbarkeit neuer Anforderungen und der wesentlich geringere Aufwand, solche Anforderungen zu identifizieren. In vielen Fällen werden ansonsten Anforderungen gar nicht als solche erkannt und können im Extremfall zu falschen Entscheidungen führen. Beispielsweise werden Kinderspielplätze dann am Außenrand eines Ortes platziert oder Flächenwidmungen werden durchgeführt, ohne die Bedürfnisse aller Anrainer eines Ortes (und nicht nur der Nachbarn) besser zu kennen.

3.4 Verbrechensbekämpfung mittels der Analyse von Sozialen Netzwerken

Soziale Netzwerke (Soundaraya et al. 2016, S. 212–220) finden unterschiedliche Einsatzbereiche. Im Bereich der Recommender Systeme werden diese Technologien eingesetzt, um beispielsweise Empfehlungen zu verbessern, da davon ausgegangen wird, dass Empfehlungen von Freunden und Verwandten (das soziale Netzwerk) mehr Glauben geschenkt wird, als den Empfehlungen von Unbekannten dritten. Analysen können bspw. darauf abzielen herauszufinden, welchen Status eine Person in einem Sozialen Netzwerk besitzt. Maße wie „Zentralität“ geben u. a. darüber Auskunft, wie eine Person in einem Netzwerk positioniert ist und wie diese Person zu anderen wichtigen Personen in Beziehung steht. Die Analyse von Sozialen Netzwerken zum Zwecke der Empfehlung findet Anwendung in Plattformen wie bspw. LinkedIn: die soziale Umgebung einer Person wird analysiert, um weitere für diese Person relevante Kontakte zu empfehlen. Eine interessante Anwendung von Methoden der Analyse von Sozialen Netzwerken findet sich auch im Bereich der Verbrechensbekämpfung (Soundaraya et al. 2016, S. 212–220). Soziale Netzwerke werden in diesem Kontext verwendet, um das soziale Umfeld bspw. von verdächtigen Personen zu modellieren, umso leichter herauszufinden, welche Personen an einem Verbrechen beteiligt gewesen sein könnten.

Zu erwartende Verbesserungen durch den Einsatz von Technologien zur Analyse von Sozialen Netzwerken. Im Wesentlichen helfen diese Technologien, die Qualität von Empfehlungen zu verbessern. Es kann also besser vorhergesagt werden, welche Präferenzen eine Person hat. In Kontext der Verbrechensbekämpfung können Täter leichter gefunden werden und in vielen Fällen können solche Technologien auch zu Vermeidung von zukünftigen Verbrechen führen. In (Soundaraya et al. 2016, S. 212–220) wird davon berichtet, dass die Aufklärungsrate von Verbrechen verbessert werden konnte.

3.5 Wissensbasierte Technologien für Services der Öffentlichen Verwaltung

Die öffentliche Verwaltung sieht sich in erster Linie auch als Serviceeinrichtung, für die die effiziente Abwicklung von Prozessen eine wesentliche Rolle spielt (Accenture 2017, S. 1). Für BürgerInnen spielt in diesem Kontext die Effizienz der Serviceunterstützung eine wesentliche Rolle. Niemand möchte bspw. Tage darauf warten, um herauszufinden, unter welchen Bedingungen eine zusätzliche Einfahrt für ein Grundstück erlaubt wird. Im Kontext der Beratungsunterstützung für BürgerInnen spielen sog. Chatbots eine zusehends wichtige Rolle. Mittels unterschiedlicher Technologien zur Abbildung von Beratungsdialogen können Beratungsgespräche simuliert werden und viele Routineberatungstätigkeiten an intelligente Chatbots ausgelagert werden. Technologien, die bei der Realisierung solcher Systeme eine Rolle spielen, sind u. a. wissenbasierte Systeme (Felfernig et al. 2014, S. 1) in Kombination mit Ansätzen des Natural Language Processing (Grasch et al. 2013, S. 157–164), die auf Basis von Regeln und Dialogdefinitionen feststellen, ob für eine Kundenanfrage bereits eine Antwort gefunden wurde oder noch weitere Fragen gestellt werden müssen, um sich bzgl. der richtigen Antwort noch sicherer zu sein. Typische Einsatzbereiche für Chatbot Technologien sind Routine Beratungsprozesse wie bspw. „was muss ich berücksichtigen, wenn ich ein Haus baue?“ oder „unter welchen Voraussetzungen ist es mir erlaubt, eine weitere Einfahrt auf mein Grundstück zu bauen?“.

Ein Beispiel für ein ChatBot System in der öffentlichen Verwaltung ist WienBot, der Antworten zu Themen wie Meldezettel, Parken und öffentliche Einrichtungen auf Basis von Suchanfragen eines Benutzers zur Verfügung stellt (siehe Abb. 4).
Abb. 4

WienBot ChatBot zur Unterstützung bei Wien-spezifischen Fragestellungen

Das System erlaubt bereits die Formulierung von Anfragen in natürlicher Sprache. Spracherkennungsalgorithmen übersetzen Anfragen in Kriterien, die vom Suchalgorithmus entsprechend weiterverarbeitet werden können. Viele existierende Spracherkennungstechnologien erlauben die Interpretation von Aussagen auf der semantischen Ebene. Die Entwicklung dieser Technologien geht jedoch weiter und führt zur Möglichkeit, nicht nur die Wörter und deren Bedeutung, sondern auch in der Sprache mitschwingende Zusatzinformationen wie Emotionen, Sarkasmus und Begeisterung zu identifizieren. Diese Informationen können in weiterer Folge zu einer weiteren Verbesserung der Qualität von Vorhersagen führen. Neben dem Einsatz der beschriebenen Spracherkennungstechnologien werden sehr oft auch reine wissensbasierte Systeme eingesetzt, mit denen sämtliche mögliche Kommunikationspfade in Form von Fragen und entsprechenden Antworten modelliert werden. Ein Beispiel für die Verwendung von wissensbasierten Beratungsanwendungen findet sich u. a. in (Jannach et al. 2010, S. 81–122).

Zu erwartende Verbesserungen durch den Einsatz von Chatbot Technologien. Im Wesentlichen helfen diese Technologien dabei, die Verfügbarkeit von Beratungsservices zu verbessern. Damit einhergehend kann auch davon ausgegangen werden, dass die Qualität der Beratung steigt, da durch die Formalisierung des Beratungswissens weniger fehlerhafte Informationen/Entscheidungen an BürgerInnen weitergegeben werden.

4 Weitere Forschungsfragen

Um die Verwendbarkeit von KI Technologien im eGovernment Kontext weiter zu steigern, sind eine Reihe von Forschungsfragen zu beantworten, die hier nur beispielhaft aufgezählt werden können. Die Anwendbarkeit von KI Technologien hängt im hohen Maße von der leichten Integrierbarkeit in existierende Infrastrukturen ab. Die Anwendbarkeit von wissensbasierten Technologien hängt bspw. in hohem Maße davon ab, inwieweit das Wissen auf einfache Art und Weise definiert und gewartet werden kann. Man spricht in diesem Zusammenhang sehr oft auch von sog. „end user programming environments“, d. h., Entwicklungsumgebungen, die es erlauben, dass Fachbereichsexperten ohne Informatik-Kenntnisse die erwähnten Wissensbasen entwickeln und warten. Ein weiterer wichtiger Punkt kann unter dem Stichwort „explainable AI“ zusammengefasst werden. Gibt ein System bspw. Empfehlungen, so ist es in der Regel für den Benutzer enorm wichtig, dass diese Empfehlungen entsprechend erklärt werden. Empfehlungen schaffen Vertrauen und steigern das Domänenwissen des Benutzers. Ein wesentliches in vielen Facetten offenes Forschungsgebiet ist also die Berechnung von Erklärungen für Ergebnisse, die von einem KI-basierten System berechnet wurden.

5 Facit

Technologien der Künstlichen Intelligenz spielen eine zusehends wichtige Rolle in unterschiedlichen industriellen Kontexten. Auch für den Bereich eGovernment wird die Rolle dieser Technologien immer wichtiger. In diesem Artikel haben wir beispielhafte Anwendungen von Technologien der Künstlichen Intelligenz in eGovernment Szenarien zusammengefasst und sind dabei auf Potenziale der Verbesserung von existierenden Prozessen eingegangen. Weitere Entwicklungen sind notwendig, um das volle Potenzial von AI Technologien auszuschöpfen. Diese Potenziale wurden in einem abschließenden Abschnitt entsprechend diskutiert.

Literatur

  1. Accenture. (2017). Helfer in der Not, smarte Roboter und Künstliche Intelligenz bringen öffentliche Verwaltung in Schwung.Google Scholar
  2. Felfernig, A. (2014). Biases in decision making, Proceedings of the international workshop on decision making and recommender systems 2014, Bolzano, Italy, S. 32–37, ISSN 1613-0073, CEUR Proceedings, Vol 1278.Google Scholar
  3. Felfernig, A., Hotz, L., Bagley, C., & Tiihonen, J. (2014). Knowledge-based configuration – From research to business cases. Morgan Kaufann.Google Scholar
  4. Felfernig, A., Boratto, L., Stettinger, M., & Tkalcic, M. (2018a). Group recommender systems: An introduction. Springer.Google Scholar
  5. Felfernig, A., Gruber, T., Brandner, G., Blazek, P., & Stettinger, M. (2018b). Customizing events with EventHelpr, Proceedings of MCP-CE 2018, Novisad, S. 1–4.Google Scholar
  6. Grasch, P., Felfernig, A., & Reinfrank, F. (2013). ReComment: Towards critiquing-based recommendation with speech interaction, 7th ACM conference on Recommender Systems (RecSys 2013), Hong Kong, China, (full paper), S. 157–164.Google Scholar
  7. Guzman Ortega, E., Ibrahim, M., & Glinz, M. (2017). A little bird told me: Mining tweets for requirements and software evolution. In 25th IEEE international requirements engineering conference (RE’17), S. 11–20.Google Scholar
  8. Jannach, D., Zanker, M., Felfernig, A., & Friedrich, G. (2010). Recommender systems: An introduction. Cambridge University Press.Google Scholar
  9. Russel, S., & Norvig, P. (2003). Artificial intelligence: A modern approach. Prentice Hall.Google Scholar
  10. Soundaraya, V., Kanimozhi, U., & Manjula, D. (2016). Recommendation system for criminal behavioral analysis on social network using genetic weighted K-Means clustering. Journal of Computers, 12(3), 212–220.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Applied Artificial IntelligenceTU GrazGrazÖsterreich
  2. 2.Magistrat VillachInformations- und KommunikationstechnologienVillachÖsterreich
  3. 3.HiTeCUniversity of HamburgHamburgDeutschland

Personalised recommendations