KI-basierte Kompetenz-Assistenzsysteme für die Arbeitswelt von morgen

Das Projekt KERN

Das Projekt “Kern” entwickelt neue Konzepte für das Kompetenzmanagement von Mitarbeiterinnen und Mitarbeitern in der digitalen Arbeitswelt. Die Ideen werden in softwarebasierten Prototypen umgesetzt und in einem betrieblichen Lern- und Experimentierraum erprobt. Das Ziel ist die Entwicklung KI-basierter Kompetenz-Assistenzsysteme (KAS), welche in der Arbeitsumgebung dabei unterstützten, richtige Entscheidungen für die persönliche Weiterentwicklung zu treffen.
Kern gehört zu den Projekten, die im Rahmen einer BMAS-Förderrichtlinie zu Lern- und Experimentierräumen unter dem Dach der Initiative Neue Qualität der Arbeit (INQA) gefördert werden.

Aktuelles

Pressemitteilung Arbeiten 4.0: Voll im Flow dank Künstlicher Intelligenz

Am Arbeitsplatz können Menschen so in Tätigkeiten aufgehen, dass sie in einen konzentrierten Zustand – den „Flow“ – kommen, der zu mehr Wohlbefinden, Zufriedenheit und Leistungsfähigkeit führen kann. Diesen Zustand zu erhalten oder herzustellen, darum geht es in dem vom Karlsruher Institut für Technologie (KIT) koordinierten Projekt „Kern“.

Weiterlesen

Besuch im Experiementierraum bei B.Braun

Bei einem Workshopmeeting in Melsungen wurden Ideen und Konzepte des Kern Projektes mit Mitarbeitern von B.Braun diskutiert. Durch die intensiven Gespräche konnten neue Denkanstöße gewonnen werden.
B.Braun Melsungen AG stellt den Experimentierraum für das Projekt Kern zur Verfügung.

Weiterlesen

INQA-Interview zum Start des Projekts Kern

Professor Dr. Alexander Mädche, Projektleiter des Projekts Kern, erörtert in einem durch die Initiative Neue Qualität der Arbeit (INQA) geführten Interview die Vision des Projekts Kern.

Weiterlesen

Partner

Themen

Kompetenz

Kompetenzen versetzen Menschen in die Lage komplexe Anforderungen in bestimmten Kontexten zu bewältigen (Trautwein, 2009)
Zu den vielen Komponenten kompetenter Leistung gehören insbesondere Fach-, Methoden-, Sozial-, Führungs- und Personale Kompetenz (Kauffeld, 2006).
Fachkompetenzen sind Kompetenzen die meist im in formalen Lernprozessen erworben wurden, sie beinhalten spezifische Kenntnisse und Fähigkeiten, die zur Bewältigung von Aufgaben erforderlich sind. Methodenkompetenz beschreibt die Fähigkeit Herausforderungen und Probleme zielgerichtet, strukturiert und effektiv lösen zu können. Unter der Sozialkompetenz werden Fähigkeiten zusammengefasst, die im Austausch mit anderen Menschen zum Tragen kommen. Gruppen- und beziehungsorientiertes Verhalten sind dabei der Schlüssel zum gemeinschaftlichen erreichen geeigneter Problemlösungen. Die Personale Kompetenz beschreibt die reflexive und selbstorganisatorische Befähigung einer Person. Dazu gehört auch die Motivation sich selbst einzuschätzen, eigene Haltungen und Motive fort zuentwickeln sowie diese kontinuierlich zu hinterfragen. Führungskompetenzen zielen auf die strategisch Positionierung von Unbernehmensbereichen oder dem gesamten Unternehmen ab. Außerdem sind Definition von Ziel und Rahmenbedingungen sowie die Delegation und Zuweisung von Aufgaben zentrale Fähigkeiten der Führungskompetenz

Intelligente Assistenzsysteme

Ein Oberbegriff für Systeme oder Systemfunktionen, die eine Anleitung oder Beratung zu einem Thema bieten sowie die aktuellen Aktivitäten und das Nutzungsumfeld erfassen, um den Benutzern zu helfen, ihre Aufgaben besser zu erfüllen. (Mädche et al, 2016)
Damit Assistenzsysteme den Wooldridges Krtierien für intelligente Systeme entsprechend, müssen verschiedene Anforderungen erfüllt sein. Das Assistenzsystem muss in der Lage sein auf Interaktionen mit dem Nutzer zu reagieren. Außerdem muss das System in der Lage sein autonom und proaktiv zu handeln. Sozialkompetenz befähigt das intelligente Assistenzsystem zum Austausch relevanter und kontextbezogener Informationen mit dem Nutzer, die für die pro- und reaktiven Aktivitäten des Systems erforderlich sind (Wooldridge, 2009).

Künstliche Intelligenz

Die Veränderungen physiologischer Daten wie der Herzratenvariabilität oder dem Hautleitwert sind komplexe Muster, die von Person zu Person stark variieren können. Neuartige Ansätze aus dem Bereich Künstliche Intelligenz sind erforderlich um diese Muster erkennen und auf das Erleben von Flow übertragen zu können.
In aktuellsten Untersuchungen konnten Forscher am KIT erste Erfolge beim Nachweis von Flow auf der Basis physiologischer Daten erreichen. So gelang die Klassifikation von Flow mit einem neuroevolutionären Deep-Learning Ansatz.
Abseits dieser Erfolge müssen im Rahmen des Kern-Projektes noch eine Reihe weiterer Fragen beantwortet werden. Unter anderem muss die Eignung der Algorithmen für die Klassifikation in Echtzeit untersucht werden und in wie fern diese für den Einsatz auf mobilen Endgeräten geeignet sind.

Flow

„ein ganzheitliches Gefühl, welches Menschen empfinden, wenn sie mit vollem Einsatz handeln und dabei hoch fokussiert sind“ (Csikszentmihalyi, 1975)
Mitarbeiter, die Flow auf der Arbeit erleben sind glücklicher.

(Fullagar, 2010)

Flow wurde erstmals in den 1970er Jahren durch den Psychologen Mihaly Csikszentmihalyi untersucht, der eine Theorie dieses Phänomens entwickelte. Bei der Analyse von Personen, welche verschiedene Tätigkeiten ausübten, erkannte Csikszentmihalyi ein Muster, in welchem die Individuen in einer Aufgabe vollständig aufgingen und dabei hoch konzentriert waren – der sogenannte Flow-Zustand.

Csikszentmihalyi’s initiale Untersuchungen thematisierten Flow vorwiegend bei privaten, intrinsisch motivierten Aktivitäten:

Neuere Studien zeigen, dass Flow ein allgemeines Phänomen darstellt, dass ebenso bei extrinsisch motivierten Aktivitäten auftreten kann. Besonders interessant ist das Phänomen im Kontext der Arbeit, da Mitarbeiter im Flow gleichsam zufriedener, glücklicher und produktiver sind. Die Maximierung der Zeit im Flow während der Arbeit kann somit als ein gemeinsames Ziel von Arbeitgebern und Arbeitnehmern identifiziert werden. Ein erster Schritt dazu ist der kontinuierliche Nachweis von Flow. Dazu bietet sich die Auswertung physiologischer Daten wie der Herzratenvariabilität zum Beispiel über Wearables an.

Geräte

Empatica E4

Die Empatica E4 Smartwatch gilt als etabliertes Wearable einer Reihe von Sensoren. Über die Uhr können physiologischer Daten wie die Temperatur, der Hautleitwert und die Herzfrequenz gemessen werden.
Die Uhr verfügt über einen internen Speicher zur verbindungsunabhängigen Speicherung der Messdaten und eine Bluetooth Low Energy Schnittstelle, die eine Übertragung der Daten an mobile Endgeräte und Computer in Echtzeit erlaubt.

Polar H10

Brustgurte wie der Polar H10 ermöglichen die elektrische Ableitung von Herzfrequenz und Herzratenvariabilität. Die Messergebnisse dieser Sensoren sind inzwischen so exakt, dass sie mit konventionelle EKG-Geräten aus dem klinischen Bereich vergleichbar sind. Neben der guten Genauigkeit sind Brustgurte weniger empfindlich für Bewegungsbedingte Messartefakte.
Der Polar H10 Brustgurt über einen internen Speicher und über eine Bluetooth Low Energy Schnittstelle. Er eignet sich damit sowohl für die Erhebung physiologischer Daten in Echtzeit als auch für deren Speicherung und zeitversetzter Auswertung.

© Polar

Raspberry Pi

Der Raspberry Pi ist ein Einplatinencomputer, an den eine Reihe von Sensoren (zum Beispiel eine Pulsuhr, ein Pulsbrustgurt, Sensoren für den Hautleitwert oder Kameras) angeschlossen werden können. Die direkt an die Platine angeschlossenen Sensoren liefern nicht aggregierte Rohdaten, was die Transparenz bei der Datenverarbeitung erhöht. Außerdem können alle auf Linux lauffähigen Technologien für die Datenanalyse und Auswertung verwendet werden.

Events

Gefördert durch:

aufgrund eines Beschlusses des Deutschen Bundestages

Im Rahmen der Initiative:

Fachlich begleitet durch:

Close
Go top