Predictive process mining
Predictive process mining er en kombination af process mining, kunstig intelligens og machine learning. Denne kombination bliver til et kunstigt intelligent system, som for det første kan finde svar på, hvilke processer og aktiviteter, der tidligere har været effektive til at hjælpe den ledige ind på arbejdsmarkedet og reducere administrative byrder. For det andet skal den kunne bruge erfaringer fra tidligere processer og aktiviteter til at 'bliver klogere' og forudse, hvilke specifikke indsatser der vil være særligt effektive i specifikke forløb.
AI - Kunstig intelligens
Artificial Intelligence vinder frem. Selvkørende biler, tale- eller billedgenkendelse, robotter og chat-bots er blot få eksempler på, hvad kunstig intelligens bliver brugt til i dag.
Kunstig intelligens kan forstås som computere, der kan tænke og udføre opgaver, som på normal vis ville kræve en form for menneskelig tænkning og intelligens. Algoritmer er kodet til at kunne efterligne elementer af den menneskelige intelligens, for eksempel evnen til at tænke abstrakt, overveje, analysere, lære, problemløse, genkende mønstre, beherske sprog og forstå, tage beslutninger og handle fornuftigt. Selvom menneskelig intelligens stadig er overlegen på flere af førnævnte områder, er AI overlegen på særligt ét område - hastighed. Computerdrevet AI kan på få øjeblikke behandle en mængde data, som ville tage et menneske uendeligt langt tid at overskue og bearbejde. Derfor er AI ofte anvendt til formål, som dette, der har med data og ofte meget store mængder data at gøre.
Machine learning
Machine learning går ofte hånd i hånd med AI, idét det beskriver, hvordan en kunstig intelligens indsamler data/erfaringer med f.eks. hvordan forskellige ting er forbundet, hvilke konsekvenser bestemte handlinger har, hvor effektiv én indsats er sammenlignet med en anden mm. Disse erfaringer kan den blandt andet bruge til at lære, hvordan den fremover skal agere i lignende situationer. På samme måde som vi mennesker i høj grad lærer og udvikler os ud fra erfaringer, oplevelser og indtryk, samler den kunstige intelligens på forskelligartede og typisk store mængder data, for at forstå og blive klogere.
Den kunstige intelligens' læringsevne, afhænger i høj grad af de parametre der definere susceskriterier i en given kontekst - hvad er en god erfaring her, og hvad er ikke - og som bestemmer, hvordan den så skal udvikle sig / ændre adfærd ud fra en 'god' eller 'dårlig' erfaring. Disse paramentre er bestemt af de algoritmer, altså den kode, som udgør den kunstige intelligens. Derfor afhænger den kunstige intelligens, såvel som process mining-systemerne i høj grad af, hvilken teknologisk platform der vælges.
Process mining
Process mining handler om at indsamle data omkring specifikke processer, så som et ledighedsforløb. Disse procesdata kan man bruge til bedre at kunne overskue komplekse processer og forløb på en helhedsorienteret måde. Typisk vil man definere nogle nedslag i processerne, som man er særligt interesseret i at indsamle data på. Et sådan nedslag kunne for eksempel være borgerens ledighedsstatus i en periode efter en specifik aktivitet er igangsat - for at fokusere på effekten af denne aktivitet. Ved at sammenligne kortlagte processer, brugerrejser, eller forløb, kan man etablere best practise løsninger.
Predictive process monitoring
Predictive process monitoring kigger på data fra historiske og igangværende processer for at forudse, hvilke aktiviteter eller forløb, der bør igangsættes i en specifik situation. Det er her den kunstige intelligens anvender, hvad den har lært ved at behandle process data og samle på erfaringer, til at forslå best practise løsninger til et specifikt forløb.
