Zum Inhalt

2025 | Buch

Künstliche Intelligenz (KI) für Unternehmenssoftware (ERP)

Konzepte für Enterprise AI mit Beispielen von SAP S/4HANA

insite
SUCHEN

Über dieses Buch

Dieses Buch erklärt, wie Künstliche Intelligenz (KI) in ERP Software integriert werden kann, um digitalisierte Geschäftsprozesse zu optimieren. Es adressiert zwei zentrale Herausforderungen: die systematische Integration von KI in ERP Prozesse und die Anpassung der KI an Unternehmensanforderungen wie Compliance, Erklärbarkeit, Erweiterbarkeit, Modellvalidierung und -degradation. Der erste Teil bietet eine Einführung in intelligente ERP Systeme, gefolgt von einer Referenzarchitektur und -prozessen für ERP Software. Der zweite Teil vertieft die technische Einbettung von KI und behandelt alle notwendigen Konzepte dazu. Im letzten Teil wird ein Implementierungsframework präsentiert, ergänzt durch Fallstudien von SAP S/4HANA in Logistik, Finanzen und Vertrieb. Das Buch richtet sich an Entwickler, Business Analysten, Berater und Manager, die KI in ERP-Systemen umsetzen oder nutzen möchten.

Inhaltsverzeichnis

Frontmatter

Teil I

Frontmatter
1. Intelligentes ERP
Zusammenfassung
In diesem Kapitel führen wir den Leser durch die Geschichte von ERP-Systemen, beleuchten deren Stärken und Schwächen und erläutern, wie die Anbieter auf die ständigen Veränderungen der Anforderungen reagieren. In diesem Zusammenhang werden die ERP-Anbieter und ihre Marktanteile kurz vorgestellt. Die ersten Materialbedarfsplanungssysteme wurden als Best-of-Breed Lösungen vor mehr als 50 Jahren bereitgestellt. Darauf folgten monolithische ERP-Systeme, die die Integrationsprobleme der MRP-Produkte bewältigten. Heute stehen cloudbasierte ERP-Lösungen im Fokus, die durch Cloud-Computing-Techniken darauf abzielen, die Hardware- und Betriebskosten zu senken. Die Zukunft jedoch liegt in intelligenten ERP-Systemen, die mithilfe von Künstlicher Intelligenz die kognitiven Fähigkeiten des Menschen nachahmen, um die Automatisierung von Geschäftsprozessen zu steigern. Dies ist ein völlig neuer Forschungsbereich, für den wir in diesem Buch Antworten geben.
Siar Sarferaz
2. ERP-Referenzprozesse
Zusammenfassung
Obwohl ERP-Systeme seit Jahren genutzt werden, gibt es keine gemeinsame Definition des Funktionsumfangs. Daher bieten Marktanalysten und ERP-Anbieter ihre eigene, äußerst subjektive Interpretation von ERP-Funktionen an. Um jedoch systematisch Künstliche Intelligenz in ERP-Software einzubetten, benötigen wir über ein klares Verständnis des ERP-Funktionsumfangs. In diesem Kapitel wird ein Referenzprozess vorgeschlagen, der als funktionale Spezifikation für ERP-Systeme dient. Die Referenzprozesse skizzieren den Funktionsumfang von ERP-Software und die Komplexität der Einbettung von Künstlicher Intelligenz in diese. Gleichzeitig betonen sie das hohe Potenzial, Künstliche Intelligenz zur Verbesserung dieser Geschäftsprozesse einzusetzen. Darüber hinaus bilden die Referenzprozesse die Grundlage der ERP-Referenzarchitektur des nächsten Kapitels. Die Referenzprozesse können auch verwendet werden, um die Funktionalität verschiedener ERP-Produkte zu vergleichen.
Siar Sarferaz
3. ERP-Referenzarchitektur
Zusammenfassung
Um Künstliche Intelligenz in ERP-Software zu integrieren, ist es notwendig, die zugrunde liegende Architektur zu verstehen. Die Lösungsarchitektur von ERP unterscheidet sich jedoch je nach Anbieter aufgrund unterschiedlicher Funktionsumfänge und verwendeter Technologie. Um diesem Problem entgegenzuwirken, abstrahieren wir von den verschiedenen ERP-Produkten und schlagen eine Referenzarchitektur vor. Auf diese Weise können wir unsere Konzepte zur Integration von Künstlicher Intelligenz systematisch in die ERP-Referenzarchitektur einbetten und deren Gültigkeit unabhängig vom jeweiligen ERP-Anbieter sicherstellen. Aber wie kommen wir zu der Referenzarchitektur? Um diese Herausforderung zu bewältigen, nutzen wir die Referenzprozesse aus dem vorherigen Kapitel, um eine gemeinsame Referenzarchitektur abzuleiten, indem wir die Softwaremodule Forschung und Entwicklung, Vertrieb, Lieferkette, Beschaffung, Fertigung, Verkauf, Service, Anlagenmanagement, Personalwesen und Finanzwesen definieren. Ein Nebeneffekt ist, dass die Referenzarchitektur auch verwendet werden kann, um verschiedene ERP-Produkte zu vergleichen und zu bewerten.
Siar Sarferaz
4. ERP-Referenztechnologie für Künstliche Intelligenz
Zusammenfassung
In diesem Kapitel werden die Technologien der Künstlichen Intelligenz erläutert, die in ERP-Systemen verwendet werden, um intelligente Geschäftsanwendungen zu implementieren. Wir haben zwei Arten der Technologiebereitstellung im Kontext von ERP-Systemen identifiziert. Es gibt Technologien der Künstlichen Intelligenz, die in das Datenbanksystem und den Anwendungsserver von ERP-Systemen eingebettet sind. Zusätzlich wird aus Gründen der Skalierbarkeit auch eine KI-Infrastruktur (z. B. GPU-Computing) neben der ERP-Plattform bereitgestellt. Wir werden beide Arten von ERP-Technologien einführen, um ein allgemeines Verständnis zu vermitteln. Aus unserer Sicht ist es jedoch nicht sinnvoll, dieses Thema abstrakt zu betrachten. Daher werden wir als konkretes Beispiel SAP S/4HANA als bekanntes ERP-Produkt darstellen und die enthaltenen Technologien der Künstlichen Intelligenz erläutern. Dies ist auch hilfreich für das Verständnis der Fallstudien und des Implementierungsframeworks, die im letzten Teil der Ausarbeitung eingeführt werden. Ziel ist es, zu beschreiben, wofür diese Technologien verwendet werden, und nicht alle technische Merkmale und Funktionen im Detail zu erklären.
Siar Sarferaz
5. Geschäftsanforderungen und Anwendungsmuster
Zusammenfassung
In diesem Kapitel werden die Herausforderungen bei der Anwendung von Künstlicher Intelligenz im Kontext von ERP-Systemen beleuchtet. Die Identifizierung und Lösung dieser Herausforderungen stellt einen wichtigen Mehrwert dieses Buchs dar. Künstliche Intelligenz muss tief in Geschäftsprozesse und Benutzeroberflächen der zugrunde liegenden ERP-Systeme integriert werden, um den Anwendern Vorteile zu bieten. Typische ERP-Benutzer sind Geschäftsexperten mit fast keinen Kenntnissen über Data Science oder statistische Techniken. ERP-Software muss auf Unternehmensebene einsatzbereit sein, das heißt, sie muss zum Beispiel gesetzeskonform, erweiterbar oder konfigurierbar sein. Diese Anforderung ist jedoch für Künstliche Intelligenz noch nicht vollständig gelöst und wird in diesem Buch thematisiert. Im Rahmen unserer Untersuchungen zu Implementierungsprojekten haben wir verschiedene Muster der Künstlichen Intelligenz im Kontext von ERP-Software identifiziert. Die Ermittlung der relevanten ERP-Anwendungsmuster für Künstliche Intelligenz ist ebenfalls eine neue Erkenntnis und essenziell, um die entsprechende Lösungsarchitektur voranzutreiben.
Siar Sarferaz

Teil II

Frontmatter
6. Lösungsarchitektur
Zusammenfassung
In diesem Kapitel definieren wir die Lösungsarchitektur für die Einbettung von Künstlicher Intelligenz in ERP-Software. Die zuvor diskutierten ERP-Produktqualitäten, ERP-Referenzprozesse, ERP-Referenzarchitektur, ERP-Referenztechnologie und ERP-Anwendungsmuster für Künstliche Intelligenz bilden die Grundlage für die Lösungsarchitektur, die wir in diesem Kapitel vorschlagen. Es gibt einfache Anwendungsfälle wie Trends und Prognosen, die mit klassischen Algorithmen wie Regression und Clustering bedient werden können. In der Regel benötigen diese Algorithmen auch nicht viel Daten, Speicher oder Rechenleistung. Daher schlagen wir vor, diese Art von Anwendungsfällen innerhalb der ERP-Plattform zu implementieren und sie als Embedded AI zu bezeichnen. Es gibt jedoch komplexere Anwendungsfälle wie Bilderkennung oder Verarbeitung natürlicher Sprache, die neuronale Netzwerke und Deep Learning benötigen. Diese Algorithmen erfordern ein hohes Datenvolumen und Systemressourcen. Um zu vermeiden, dass die kritischen Geschäftsprozesse in ERP-Systemen von einem übermäßigen Hardwareverbrauch beeinträchtigt werden, empfehlen wir, diese Kategorie von Anwendungsfällen auf der entsprechende KI-Technologieplattform zu realisieren und als Side-by-Side AI zu bezeichnen. Während wir uns in diesem Kapitel auf die Gesamtarchitektur konzentrieren, werden wir in den nächsten Kapiteln zusätzliche Aspekte (wie Datenschutz und Erweiterbarkeit) erörtern.
Siar Sarferaz
7. Lebenszyklusmanagement
Zusammenfassung
In diesem Kapitel beschreiben wir die Geschäftsanforderungen und schlagen ein Lösungskonzept für das Lebenszyklusmanagement vor. Im Zusammenhang mit der Künstlichen Intelligenz werden neue Artefakte und Prozesse eingeführt, die aus der Perspektive des Lebenszyklusmanagements berücksichtigt werden müssen. Zum Beispiel müssen Modelle der Künstlichen Intelligenz trainiert, implementiert, aktiviert und überwacht werden. Diese Aspekte werden von herkömmlichen Lebenszyklusmanagement-Werkzeugen und -Konzepten nicht abgedeckt. ERP-Systeme haben einen sehr komplexen Lebenszyklus, da sie langlebig und umfangreich sind und in verschiedenen Bereitstellungsformen (z. B. On-Premise und in der Cloud) verfügbar sind. Artefakte der Künstliche Intelligenz müssen nahtlos in das gesamte ERP-Lebenszyklusmanagement integriert werden.
Siar Sarferaz
8. Datenintegration
Zusammenfassung
In diesem Kapitel beschreiben wir die Geschäftsanforderungen und schlagen ein entsprechendes Lösungskonzept für die Datenintegration vor. Für den Side-by-Side-AI-Ansatz ist eine Datenintegration notwendig, da Anwendungsdaten aus dem ERP-System extrahiert werden müssen, sowohl für das Modelltraining als auch für Batch-Inferenz. Während die Datenintegration für das Modelltraining unidirektional verläuft, müssen die Ergebnisse der Batch-Inferenz zurück in das ERP-System übertragen werden. Die Erstdatenübernahme sowie die Deltabehandlung und die Packetierung müssen für die Datenreplikation geklärt werden, da ERP-Systeme immer Massendaten verarbeiten.
Siar Sarferaz
9. Datenschutz
Zusammenfassung
In diesem Kapitel beschreiben wir die Geschäftsanforderungen und schlagen ein entsprechendes Lösungskonzept für den Datenschutz vor. ERP-Systeme müssen gesetzliche Anforderungen erfüllen. Daher muss die Verarbeitung durch Künstliche Intelligenz datenschutzkonform erfolgen. Beispielsweise dürfen Trainingsjobs nur personenbezogene Daten berücksichtigen, für die eine Einwilligung erteilt wurde. Die Einhaltung aller Aspekte der Datenschutz-Grundverordnung (DSGVO) muss gewährleistet werden. Das Berechtigungskonzept muss sicherstellen, dass nur autorisierte Benutzer Inferenzaufrufe durchführen und die Ergebnisse der KI-Modelle nutzen können.
Siar Sarferaz
10. Konfiguration
Zusammenfassung
In diesem Kapitel beschreiben wir die Geschäftsanforderungen und schlagen ein entsprechendes Lösungskonzept für die Konfiguration vor. ERP-Software beinhaltet vordefinierte Szenarien für Künstliche Intelligenz. Das bedeutet, dass für jede geschäftliche Fragestellung, die durch Künstliche Intelligenz gelöst werden soll, alle notwendigen Entwicklungen bereits bereitgestellt werden. Dazu zählt die Integration in Geschäftsprozesse und Benutzeroberflächen, die Definition der Datenquelle für das Training, die Implementierung von Daten-Transformationen sowie die Bereitstellung vordefinierter Modelle. ERP-Kunden oder Partner müssen diesen vorgefertigten Inhalt jedoch auf Basis der Konfiguration an ihre spezifischen Anforderungen anpassen. Der Schwerpunkt liegt hierbei auf der spezifischen Anpassung der Künstlichen Intelligenz, während allgemeine Konzepte wie die Konfiguration von Benutzeroberflächen, Formularen oder Analysen als bekannt vorausgesetzt werden.
Siar Sarferaz
11. Erweiterbarkeit
Zusammenfassung
In diesem Kapitel beschreiben wir die Geschäftsanforderungen und schlagen ein Lösungskonzept für die Erweiterbarkeit vor. ERP-Software bietet vordefinierte Szenarien für Künstliche Intelligenz. Kunden oder Partner können jedoch verlangen, dass diese Inhalte an ihre spezifischen Anforderungen basierend auf der Erweiterbarkeit angepasst werden. Dies kann auch für Anwendungsfälle notwendig sein, in denen ERP-Kunden oder Partner selbst Entwicklungen vornehmen. Daher ist eine technische Lösung erforderlich, die Erweiterungen bestehender KI-Anwendungen ermöglicht und diese Erweiterungen gleichzeitig vor Upgrades schützt, um zu vermeiden, dass sie überschrieben werden.
Siar Sarferaz
12. Modelldegradation
Zusammenfassung
In diesem Kapitel beschreiben wir die Geschäftsanforderungen und schlagen ein Lösungskonzept für die Modelldegradation vor. Im Laufe der Zeit nimmt die Vorhersagekraft von Modellen der Künstlichen Intelligenz aufgrund von Änderungen im Datenumfeld ab. Das Ziel der Modelldegradation ist es, diesen Zeitpunkt zu bestimmen und ein erneutes Training auszulösen. Dies stellt jedoch eine anspruchsvolle Aufgabe dar, da neben statistischen Techniken auch Rückmeldungen der Benutzer erforderlich sind und die Möglichkeit besteht, Modelle parallel in ERP-Systemen auszuführen. Unser Fokus liegt weniger auf den Data-Science-Methoden zur Modelldegradation, sondern auf den Integrationsaspekten in Bezug auf ERP-Software.
Siar Sarferaz
13. Erklärbarkeit der Ergebnisse
Zusammenfassung
In diesem Kapitel beschreiben wir die Geschäftsanforderungen und schlagen ein Lösungskonzept für Erklärbarkeit der Ergebnisse vor. Um Vertrauen zwischen Mensch und Maschine aufzubauen, ist es wichtig, die Ergebnisse von Modellen der Künstlichen Intelligenz zu erklären. Transparenz und Rückverfolgbarkeit von Modellen der Künstlichen Intelligenz sind zudem aus gesetzlichen Gründen notwendig. Je nach den zugrunde liegenden Techniken der Künstliche Intelligenz kann dies jedoch sehr schwierig sein. Beispielsweise sind neuronale Netzwerke schwer verständlich. Im Kontext von ERP-Systemen muss die Erklärung zusätzlich in die Geschäftssprache übersetzt werden. Daher müssen Designer von Benutzungsoberflächen viel Zeit investieren, um für jeden Anwendungsfall die statischen Zahlen in der Domäne des Endbenutzers zu übertragen.
Siar Sarferaz
14. Workload-Management und Performance
Zusammenfassung
In diesem Kapitel beschreiben wir die Geschäftsanforderungen und schlagen ein Lösungskonzept für Workload-Management und Performance vor. Das Training von Modellen der Künstlichen Intelligenz kann, abhängig von den zugrunde liegenden Algorithmen, hohe Hardwareanforderungen haben. Inferenzaufrufe müssen kurze Antwortzeiten aufweisen. Daher sind Maßnahmen notwendig, um diese Herausforderung zu bewältigen. Insbesondere darf der Verbrauch von Rechenressourcen für Künstliche Intelligenz die Transaktionsprozesse in ERP-Systemen nicht verlangsamen, da diese für den Betrieb des Unternehmens entscheidend sind. Daher schlagen wir neben der bereits vorgeschlagenen Lösungsarchitektur, die sich vom Embedded-AI-zum Side-by-Side-AI-Ansatz skaliert, zusätzliche Techniken zur Performance-Optimierung vor.
Siar Sarferaz
15. Auditierbarkeit
Zusammenfassung
In diesem Kapitel beschreiben wir die Geschäftsanforderungen und schlagen ein Lösungskonzept für die rechtliche Revision vor. Die Trainings- und Inferenzprozesse der Künstlichen Intelligenz müssen nachvollziehbar sein. Dazu ist es erforderlich, eine ordnungsgemäße Protokollierung sicherzustellen. Diese Protokolle dienen auch als Grundlage für die Auditierbarkeit der Künstlichen Intelligenz, da eine rechtliche Verpflichtung besteht. Anwendungen der Künstlichen Intelligenz müssen daher in die Auditing-Infrastruktur von ERP-Systemen integriert werden, um Auditoren bei der Ausführung all ihrer Aufgaben zu unterstützen, einschließlich der Erstellung von Auditberichten. Insbesondere identifizieren wir die Artefakte, die im Rahmen der rechtlichen Prüfung enthalten sein sollten. Zusätzlich definieren wir die erforderlichen Aufgaben und Prozesse für die rechtliche Prüfung im Kontext von ERP-Software mit Künstlicher Intelligenz.
Siar Sarferaz
16. Modellvalidierung
Zusammenfassung
In diesem Kapitel beschreiben wir Geschäftsanforderungen und schlagen ein Lösungskonzept für die Modellvalidierung vor. Es gibt statistische Methoden, um Modelle der Künstlichen Intelligenz hinsichtlich ihrer Vorhersagegenauigkeit zu validieren. Für ERP-Geschäftsanwendungen allein reicht dieser mathematische Ansatz jedoch nicht aus. Eine zusätzliche Validierung aus fachlicher und geschäftsprozessbezogener Sicht ist erforderlich. Vorhandene ERP-Techniken wie A/B-Tests, Feature Toggle, Business Feature oder Switch Framework müssen in diesem Zusammenhang analysiert werden. Wir schlagen einen Validierungsprozess vor, der für ERP-Software geeignet ist und die Zustandsübergänge von Modellen der Künstlichen Intelligenz berücksichtigt. Abschließend schlagen wir ein Modellvalidierungs-Cockpit als zentrale Administrationsumgebung vor.
Siar Sarferaz
17. Design der Benutzeroberfläche
Zusammenfassung
In diesem Kapitel beschreiben wir die Geschäftsanforderungen und schlagen ein Lösungskonzept für das Design der Benutzeroberfläche vor. Die Integration von Funktionen für Künstliche Intelligenz in Benutzeroberflächen erfordert ein spezielles Design sowie die Bereitstellung neuer Benutzeroberflächentechnologien. Nur mit der richtigen Einbindung in die Benutzeroberflächen kann der sofortige Nutzen von Künstlicher Intelligenz effektiv ausgeschöpft werden. Daher schlagen wir Muster wie Abgleich, Empfehlung oder Ranking für die Benutzeroberfläche vor, um das Design für intelligente Anwendungen zu erleichtern. Hierfür sind teilweise völlig neue Benutzeroberflächenkomponenten erforderlich, um die Szenarien der Künstlichen Intelligenz zu unterstützen.
Siar Sarferaz
18. Einbettung generativer KI
Zusammenfassung
In diesem Kapitel beschreiben wir die Geschäftsanforderungen und schlagen ein Lösungskonzept für die Einbettung generativer Künstlicher Intelligenz in ERP-Software vor. Generative Künstliche Intelligenz hat das Potenzial, die Art und Weise, wie wir Künstliche Intelligenz in verschiedenen Branchen und Bereichen anwenden, radikal zu verändern. Durch die Nutzung der Stärke dieser Modelle können Benutzer ohne technischen Hintergrund ihre geschäftlichen Ausforderungen bewältigen, indem sie diese in natürlicher Sprache formulieren. Dies eröffnet Unternehmen und Einzelpersonen eine breite Palette an Möglichkeiten. Im Kontext von ERP-Systemen stellen sich die zentralen Fragen, welchen Mehrwert generative Künstliche Intelligenz bietet, welche technischen Anforderungen zu erfüllen sind und wie sich diese Technologie in Geschäftsanwendungen integrieren lässt. Die Beantwortung dieser Fragen ist das Ziel dieses Kapitels.
Siar Sarferaz

Teil III

Frontmatter
19. Implementierungs-Framework
Zusammenfassung
In diesem Kapitel stellen wir ein Implementierungs-Framework vor, das die eingeführten Konzepte zur Einbettung von Künstlicher Intelligenz in ERP-Software umsetzt. Der Mehrwert des Frameworks liegt in der Standardisierung der Entwicklung der Embedded-AI- und Side-by-Side-AI-Architekturen, um die Effizienz zu erhöhen. Darüber hinaus übernimmt das Framework die technische Umsetzung der zuvor eingeführten Konzepte und macht diese so weit wie möglich unsichtbar für den Entwickler. Aktionen des Lebenszyklusmanagements wie das Trainieren von Modellen, das Analysieren von Modell-KPIs und das Implementieren von Modellen werden vom Framework ausgeführt. Das Framework besteht aus zwei Anwendungen: Eine Anwendung dient der Implementierung intelligenter Geschäftsanwendungen durch Entwickler, und die andere Applikation ist für den Betrieb durch Administratoren vorgesehen. In den nächsten Kapiteln wird das Framework für die Entwicklung von Fallstudien der SAP-ERP-Lösung verwendet und basiert daher auf SAP-Technologie. Wir erläutern das Framework aus der Perspektive von Entwicklern und Administratoren Schritt für Schritt.
Siar Sarferaz
20. Vertrieb und Forschung
Zusammenfassung
In diesem Kapitel beschreiben wir intelligente Geschäftsanwendungen im Vertriebs- und Forschungsbereich und erläutern, wie Kunden von dieser Funktion profitieren können. Wir geben einen kurzen Überblick über die Anforderungen des Anwendungsfalls, die beteiligten Geschäftsprozesse und deren Umsetzung. Der Geschäftsbereich Vertrieb ist riesig und verfügt über ein großes Potenzial zur Automatisierung und Optimierung der Prozesse. Der Schwerpunkt des Kapitels liegt auf der Umsetzung von Angeboten in Kundenaufträge, der Vorhersage von Absatzprognosen, der Prognose von Lieferverzögerungen, der Projektkostenprognose und der Verarbeitung digitaler Inhalte. Die in diesem Buch beschriebenen Konzepte und Frameworks wurden auf diese Anwendungsfälle angewendet, um ihre Praxistauglichkeit zu demonstrieren.
Siar Sarferaz
21. Bezugsquellenfindung und Beschaffung
Zusammenfassung
In diesem Kapitel beschreiben wir intelligente Geschäftsanwendungen in der Bezugsquellenfindung und Beschaffung und erläutern, wie Kunden von dieser Funktion profitieren können. Wir geben einen kurzen Überblick über die Anforderungen des Anwendungsfalls, die beteiligten Geschäftsprozesse und deren Umsetzung. Der Geschäftsbereich Bezugsquellenfindung und Beschaffung ist enorm, und es gibt viele Möglichkeiten, die Prozesse zu automatisieren und zu verfeinern. Der Schwerpunkt des Kapitels liegt auf der Vertragsausschöpfung, der Auflösung der Zahlungssperre für Rechnungen, der Vorhersage von Lieferantenlieferungen, neuen Katalogpositionen, der bildbasierten Belegung und dem intelligenten Genehmigungs-Workflow. Die in diesem Buch beschriebenen Konzepte und Frameworks wurden auf diese Anwendungsfälle angewendet, um ihre Praxistauglichkeit zu demonstrieren.
Siar Sarferaz
22. Bestand und Lieferkette
Zusammenfassung
In diesem Kapitel beschreiben wir intelligente Geschäftsanwendungen im Geschäftsbereich Bestand und Lieferkette und erläutern, wie Kunden von dieser Funktion profitieren können. Wir geben einen kurzen Überblick über die Anforderungen des Anwendungsfalls, die beteiligten Geschäftsprozesse und deren Umsetzung. Der Geschäftsbereich Bestand und Lieferkette ist riesig und bietet ein großes Potenzial zur Automatisierung und Optimierung der Prozesse. Der Schwerpunkt des Kapitels liegt auf dem Transitbestand, der bedarfsorientierten Wiederbeschaffung, dem Fehlercode mit Texterkennung, der Früherkennung von nicht gängigem Bestand, der Automatisierung von Ursachenanalyse, der Optimierung von Prüfplänen und der Fehlererfassung. Die in diesem Buch beschriebenen Konzepte und Frameworks wurden auf diese Anwendungsfälle angewendet, um ihre Praxistauglichkeit zu demonstrieren.
Siar Sarferaz
23. Finanzwesen
Zusammenfassung
In diesem Kapitel beschreiben wir intelligente Geschäftsanwendungen im Finanzbereich und erläutern, wie Kunden von dieser Funktion profitieren können. Wir geben einen kurzen Überblick über die Anforderungen des Anwendungsfalls, die beteiligten Geschäftsprozesse und deren Umsetzung. Der Geschäftsbereich Finanzen ist riesig und verfügt über ein großes Potenzial zur Automatisierung und Feinabstimmung der Prozesse. Der Schwerpunkt des Kapitels liegt auf der Debitorenbuchhaltung, der Kreditorenbuchhaltung, der Buchhaltung und dem Finanzperiodenabschluss. Die in diesem Buch beschriebenen Konzepte und Frameworks wurden auf diese Anwendungsfälle angewendet, um ihre Praxistauglichkeit zu demonstrieren.
Siar Sarferaz
24. Epilog – Ethische Aspekte
Zusammenfassung
Wir schließen das Buch mit ethischen Überlegungen zur Künstlichen Intelligenz im Kontext von Geschäftsanwendungen ab. Obwohl Künstliche Intelligenz positive Auswirkungen auf die Wirtschaft und unsere Gesellschaft hat, wirft sie gleichzeitig öffentliche Bedenken auf, wie negative Auswirkungen auf Arbeitsplätze oder den Verlust der menschlichen Kontrolle in der automatisierten Entscheidungsfindung. Somit hängt der Erfolg der Künstlichen Intelligenz von ihrer breiten gesellschaftlichen Akzeptanz ab. Daher diskutieren wir in diesem abschließenden Epilog kurz ethische Leitprinzipien, um die Entwicklung und den Einsatz von Software für Künstliche Intelligenz zu steuern.
Siar Sarferaz
Backmatter
Metadaten
Titel
Künstliche Intelligenz (KI) für Unternehmenssoftware (ERP)
verfasst von
Siar Sarferaz
Copyright-Jahr
2025
Electronic ISBN
978-3-031-86152-9
Print ISBN
978-3-031-86151-2
DOI
https://doi.org/10.1007/978-3-031-86152-9