Datenpflege leicht gemacht – KI zur Unterstützung unserer Personalprofilplattform

Post image

Als Unternehmensberatung für komplexe IT-Projekte entwickeln wir nicht nur kundenindividuelle Lösungen, sondern treiben auch eigene Produktideen voran. Eine dieser Entwicklungen ist Profilery , eine Plattform zur digitalen Verwaltung von Mitarbeiterprofilen – konzipiert für Organisationen, die regelmäßig Personalprofile für Kundenprojekte erstellen und aktuell halten müssen.

Um die manuelle Pflege dieser Profile zu vereinfachen und gleichzeitig die Datenqualität zu verbessern, setzen wir gezielt auf Künstliche Intelligenz. Gemeinsam mit dem Mittelstand-Digital Zentrum Augsburg haben wir bestehende KI-Ideen hinterfragt, neue Ansätze entwickelt und unser Know-how weiter vertieft.

Das Mittelstand-Digital Zentrum Augsburg unterstützt kleine und mittlere Unternehmen dabei, die Chancen der Digitalisierung zu nutzen. Mit praxisnahen Angeboten vermittelt das Zentrum Wissen rund um digitale Technologien – von Künstlicher Intelligenz bis hin zu Industrie 4.0. Der Fokus liegt dabei auf konkretem Mehrwert und Umsetzbarkeit im Unternehmensalltag.

Unsere Plattform: Digitale Kompetenzprofile zentral verwalten

Unsere SaaS-Lösung Profilery unterstützt Unternehmen – z.B. Personaldienstleister oder Beratungsfirmen – bei der Erfassung, Pflege und Verwaltung von Qualifikationen und Erfahrungen ihrer Mitarbeitenden. Die Profile lassen sich zentral auf einer digitalen Plattform pflegen, wodurch der gesamte Angebotsprozess beschleunigt und transparenter gestaltet wird.

Ein wesentliches Ziel: Vertriebsmitarbeitende sollen jederzeit auf eine verlässliche, aktuelle Datenbasis zugreifen können, um geeignetes Personal für Kundenprojekte auszuwählen.

KI im Einsatz: Automatisierung und Qualitätssicherung

KI kommt bei Profilery bereits an mehreren Stellen zum Einsatz:

  • Vereinfachte Dateneingabe, z.B. in der type-ahead-Suche und bei der Generierung von individuellen Vorschlägen durch LLMs
  • Intelligente Filter- und Suchfunktionen zur gezielten Kandidatenauswahl
  • Automatische Kategorisierung von Kompetenzen in thematische Cluster

Diese Funktionen ermöglichen es, mühelos Kompetenzen zu pflegen, aber auch bestimmte Kompetenzen gezielt zu finden und Daten systematisch zu strukturieren. Doch wir wollen weitergehen. Deshalb wurden im Dialog mit dem Mittelstand-Digital Zentrum Augsburg neue Ansätze entwickelt. Die KI-Experten Dr. Martin Gottwald und Alexandros Tsakpinis von fortiss haben die Plattform unter die Lupe genommen und sich die vorhandenen Ideen im Detail betrachtet und als Sparrings-Partner mit dem “Blick von Außen” kritisch hinterfragt.

fortiss ist das Landesforschungsinstitut des Freistaats Bayern für softwareintensive Systeme. Getragen vom Freistaat Bayern und der Fraunhofer-Gesellschaft agiert fortiss als wissenschaftliches An-Institut der Technischen Universität München. Das Institut betreibt anwendungsorientierte Spitzenforschung in den Bereichen Software & Systems Engineering, AI Engineering und IoT Engineering. Es fungiert als Brücke zwischen Wissenschaft und Industrie und entwickelt Lösungen für Herausforderungen in verschiedenen Branchen wie Automotive, Energie, Luft- und Raumfahrt, Produktion, Finanzen, Versicherungen, Verwaltung und Gesundheitswesen.

Assistenzsystem zur teilautomatisierten Profilerstellung

Die manuelle Pflege von Kompetenzprofilen kommt im Alltag häufig zu kurz. Daher verfolgen wir die Idee einer KI-gestützten Assistenz, die Nutzende beim Ausfüllen ihrer Profile unterstützt – vergleichbar mit einem digitalen Ratgeber zur Verbesserung der Einheitlichkeit, Vollständigkeit und Datenqualität.

Ein solches Assistenzsystem kann:

  • Vorschläge zu ähnlichen oder häufig genutzten Kompetenzen anbieten,
  • auf eventuell “vergessene” Kompetenzen für das Job-Profil hinweisen,
  • Schreibweisen vereinheitlichen,
  • typische Stolperfallen vermeiden.

Technisch könnte der Advisor als Recommender-System (Empfehlungssystem) umgesetzt werden. Nach einer initialen Lernphase, in der die Kompetenzen und deren Zusammenhänge erfasst werden, kann das System anschließend selbstständig individuelle Vorschläge generieren. Ziel ist es, die Nutzerfreundlichkeit zu steigern und gleichzeitig die Vollständigkeit und Korrektheit der Daten sicherzustellen.

Kompetenzen intelligent clustern

Eine besondere Herausforderung liegt in der semantischen Vereinheitlichung. Begriffe wie “MS-Word” und “Microsoft Office” sollen als zusammengehörig erkannt werden – auch wenn sie in einer Teil-Ganzes-Beziehung stehen. Ebenso wollen wir thematisch verwandte Kompetenzen, z.B. im Bereich agile Softwareentwicklung, systematisch gruppieren.

Dazu haben wir verschiedene moderne Verfahren des Natural Language Processing (NLP) zur semantischen Clusterbildung erprobt. Ein Ansatz basiert auf Embeddings: Wir wandeln Kompetenzbegriffe mithilfe vortrainierter Transformer-Modelle (z.B. sentence-transformers) in hochdimensionale Vektoren um. Diese erfassen semantische Ähnlichkeiten, woraufhin Algorithmen dichte Cluster identifizieren können. Ein anschließendes hierarchisches Clustering deckt die Beziehungen zwischen diesen Clustern auf.

In weiteren Ansätzen transformierten wir Kompetenzbegriffe mithilfe von Large Language Models in hierarchische Knowledge-Graphen. Dabei repräsentieren die Knoten einzelne Kompetenzen und die Kanten semantische Relationen zwischen ihnen. Auf diese Weise entsteht ein strukturiertes, Ontologie-ähnliches Netzwerk von Kompetenzen, das als Basis für die Empfehlungsfunktionen dienen kann.

Datenqualität erhalten – trotz Freitexteingabe

Ein weiteres Ziel ist die Balance zwischen Flexibilität und Struktur: Nutzende sollen Kompetenzen frei eingeben können, ohne dass die Datenqualität leidet. Hier prüfen wir den Einsatz eines Large Language Models (LLM) zur Harmonisierung der Eingaben.

Ein Sprachmodell analysiert eingegebene Freitexte und standardisiert dem System unbekannte Kompetenzen in Echtzeit. Die Herausforderung dabei ist, dass das Modell zwischen echten Synonymen (“JavaScript” und “JS”) und unterschiedlichen Konzepten (“React” vs “React Native”) zuverlässig unterscheiden muss. Über ein Confidence-Scoring-System und Human-in-the-Loop kann die Zuverlässigkeit des Modells verbessert werden. Ein kontinuierliches Active Learning-System verbessert die Modellgenauigkeit durch Nutzerfeedback. Bereits gelernte Synonyme werden im System hinterlegt und können so für die Zukunft verwendet werden.

So können wir Varianten desselben Begriffs erkennen, konsolidieren und zugleich vermeiden, dass unterschiedliche Kompetenzen fälschlich zusammengeführt werden.

Ziel ist es, eine Balance zwischen freier Dateneingabe und einheitlicher Datenstruktur zu schaffen. Eine rein auf Cluster-Namen basierende Eingabe würde zwar für Konsistenz sorgen, aber die Ausdrucksmöglichkeiten der Nutzenden stark einschränken. Umgekehrt führt völlige Freiheit schnell zu unübersichtlichen und inkonsistenten Daten.

Ein möglicher Mittelweg: Durch frühzeitige, KI-gestützte Empfehlungen – etwa mit Hilfe eines LLM – lassen sich Eingaben vereinheitlichen, ohne starre Vorgaben zu machen. So bleibt die Datenqualität erhalten, während die Nutzerfreundlichkeit gewahrt wird.

Gemeinsam Lösungen finden – mit starken Partnern

In der Zusammenarbeit mit den Experten des Mittelstand-Digital Zentrums Augsburg und den KI-Spezialisten Dr. Martin Gottwald und Alexandros Tsakpinis (fortiss) konnten wir unsere bestehenden Ideen validieren und neue Ansätze für Profilery konkretisieren. Besonders wertvoll war die Diskussion strategischer Fragen wie:

  • Wofür setzen wir KI gezielt ein und welchen Mehrwert wollen wir schaffen?
  • Welche alternativen Ansätze zur Lösung einer Problemstellung gibt es?
  • Welche Daten stehen uns zur Verfügung – und sind sie für den jeweiligen KI-Ansatz geeignet?
  • Wie messen wir den Erfolg unserer KI-Lösungen objektiv und nachvollziehbar?

Dank des intensiven Austauschs konnten wir unsere Ansätze weiterentwickeln – sowohl technisch als auch in Bezug auf den konkreten Nutzen für unsere Nutzer und Kunden.

Fazit

Mit den prototypisch entwickelten KI-Features schaffen wir nicht nur eine Basis für den weiteren Ausbau unserer effizienten Profilverwaltung, sondern auch neue Möglichkeiten für datengetriebene Personalentscheidungen. Geplant ist die Erweiterung um predictive Analytics für Skill-Trends und eine automatische Matching-Engine, die basierend auf Projektanforderungen die passendsten Kandidaten vorschlägt.

Die enge Zusammenarbeit mit Forschungspartnern zeigt: durch den Austausch zwischen Praxis und Wissenschaft gelingt es, KI-Lösungen zu schaffen, die nicht nur technisch spannend, sondern auch im Unternehmensalltag wirksam sind.

You May Also Like