Traditionell haben Geschäftsprozesse das Internet der Dinge (IoT) als Quelle für die Datenverteilung genutzt. Der aktuelle Standard Business Process Model and Notation (BPMN 2.0) bietet jedoch sowohl Modellierern als auch IoT-Anwendern Unterstützung, um Low-Code für IoT-Geräte zu generieren und Aspekte der Geschäftslogik auszuführen.
BPMN 2.0 ist ein von der Object Management Group entwickelter und gepflegter Standard, der eine grafische Notation für die einheitliche Kommunikation von Geschäftsprozessen verwendet. Dieser Artikel konzentriert sich auf die Verwendung von IoT und maschinellem Lernen mit BPMN 2.0 zur Erstellung von Workflows und den Kommunikationsprozess zwischen der Ausführungsmaschine und IoT-Geräten.
Geschäftsprozesse können IOT und ML für die datengestützte Entscheidungsfindung nutzen
Viele Unternehmen setzen verstärkt Geschäftsprozesse ein, um ihre Arbeitsabläufe zu optimieren. Ein Geschäftsprozess ist eine Sammlung von Aktivitäten, Aufgaben, Ressourcen und Beteiligten, die zusammenarbeiten, um ein Ergebnis zu erzielen, das für das Unternehmen und den Kunden einen Mehrwert darstellt. Auch Bereiche wie die Lieferkette, das Onboarding von Kunden, Kontoeröffnungen und andere können mit IoT-Geräten einen Wettbewerbsvorteil erzielen. Und wie? Nun, Geschäftsprozesse können IoT-Geräte und maschinelles Lernen zur Erkennung, Datenerfassung, Datenspeicherung und -auslösung sowie zur Optimierung der Ausführung datengesteuerter Entscheidungen nutzen. Tatsächlich können IoT und maschinelles Lernen Daten aus der realen Welt filtern, um Entscheidungen auf lokaler Ebene zu treffen, wo eine zentrale Verwaltung und Koordination nicht erforderlich ist. Da IoT-Geräte jedoch von Natur aus heterogen sind, erfordert die Dezentralisierung eine durchdachte Planung und Ausführung.
BPMN 2.0 bietet Modellierern bereits die Möglichkeit, IoT, maschinelles Lernen und Geschäftsprozesse über unterschiedliche Pools zu definieren und über Kollaborationsdiagramme zu spezifizieren. Allerdings muss dies über Programmiercode verbunden werden, der von IoT und maschinellem Lernen ausgeführt werden kann. Wählen Sie dann die richtige Sprache, führen Sie den Code aus und setzen Sie ihn in IoT-Geräten ein. Die BPMN-2.0-Darstellerklasse kann dann verwendet werden, um zu definieren, welche IoT-Geräte an dem Geschäftsprozess teilnehmen werden. Es ist von entscheidender Bedeutung, über portablen, ausführbaren Code zu verfügen, der von verschiedenen IoT-Geräten verwendet wird, sogar für den Fernsupport und die Programmierung.
IoT und maschinelles Lernen nutzen unterschiedliche Formen der Kommunikation
In der Regel stellen Webservices für IoT und maschinelles Lernen die Verbindung zu Geschäftsprozessen mit Details auf niedriger Ebene her. Modellsprachen unterstützen bereits Webdienste und bieten einen zentralisierten Ansatz. Außerdem werden IoT-Funktionalitäten als Webservices ausgegeben, die durch SOA-Tools oder Middleware implementiert werden können. Auf der anderen Seite können spezifische BPMN 2.0-Erweiterungen können ein IoT-spezifisches Prozessmodell enthalten.
So kann beispielsweise eine grafische Benutzeroberfläche (UI) Erweiterungsmöglichkeiten bei der Gestaltung von IoT-Prozessen von einem zentralen Portal aus bieten, während diese direkt als eine Folge von Operationsaufrufen an die vorgesehenen IoT-Geräte unter Verwendung proprietärer Kommunikationsprotokolle gesendet werden.
Machen Sie IoT und maschinelles Lernen zu aktiven Teilnehmern bei der Erstellung von Arbeitsabläufen
IoT und maschinelles Lernen können zusammenarbeiten, um Aufgaben innerhalb von Workflows zu verwalten und auszuführen, die Skalierbarkeit zu verbessern und die Anzahl der notwendigen Nachrichtenaustausche zu reduzieren. Dennoch erfordert die Verwendung von IoT und maschinellem Lernen mit BPMN 2.0 zur Erstellung von Workflows ein einheitliches Framework. BPMN 2.0 definiert das IoT-Verhalten für die Ausrichtung auf IoT-Geräte-spezifischen Code. Je nach IoT-Gerät wird unterschiedlicher Code generiert. Verwenden Sie die BPMN 2.0-Ressourcenklasse, um IoT-Geräteinformationen hinzuzufügen.
Modellierung von IoT- und maschinellem Lernverhalten
BPMN definiert das Verhalten und die Interaktion durch die Verwendung verschiedener Pools zusammen mit Kollaborationsdiagrammen. Daher können Sie Standard-BPMN-2.0-Elemente verwenden, um das Verhalten von IoT und maschinellem Lernen zu modellieren. Betrachten Sie die folgenden Elemente:
- Flusskontrolle: Ereignisse, Aktivitäten und Gateways
- Verbinden von Objekten: Sequenz und Nachrichtenfluss
- Daten: Datenobjekte
Sie können dann Skriptaufgaben verwenden, um die IoT-Sensoren zu lesen und die Aktivierung des Workflows zu modellieren. Außerdem kann die Performer-Klasse definieren, welche Ressource die Prozesse ausführt. Und das IoT-Gerät kann auf drei Arten definiert werden:
- Adresse
- Betrieb
- deviceType
Als Nächstes übersetzen Sie BPMN 2.0-Prozesse in ausführbaren Code, der in IoT-Geräten und beim maschinellen Lernen eingesetzt und ausgeführt werden kann. Es ist hilfreich, einen Code zu verwenden, der sich an etablierten formalen Semantiken orientiert und portablen, ausführbaren Code für IoT und maschinelles Lernen darstellt. Sie können den mobilen Code auch aus der Ferne in IoT-Geräten installieren. So können Start-Ereignis-Nachrichten in Funktionsaufrufe übersetzt werden, um Prozesse und Workflows auszulösen. Denken Sie daran, dass IoT und maschinelles Lernen immer bereit sind, neue Anforderungen zu erfüllen.
Zweifelsohne ist ein erfolgreicher Konzeptnachweis der Ausgangspunkt. Nutzbares IoT und maschinelles Lernen können durch Cloud-Dienste und im architektonischen Sinne erleichtert werden. Die Einführung von IoT und maschinellem Lernen in vollständig manuelle Arbeitsabläufe ist nicht gerade ein müheloser Übergang. Nutzen Sie diese Fragen, um festzustellen, ob ein Arbeitsablauf für IoT und maschinelles Lernen bereit ist:
- Wie oft wird dieser Arbeitsablauf ausgeführt?
- Wie kostspielig sind die Aktivitäten?
- Wie viel Laufzeit benötigt er?
- Wäre es sinnvoll, die Ein- und Ausgabe der einzelnen Tätigkeiten zu automatisieren?
Zur Veranschaulichung: IoT und maschinelles Lernen können aus der Historie der manuellen Klassifizierung eingehender Geschäftsdateien lernen und sie auf ähnliche Weise klassifizieren. Es sollte eine Zielkennzahl festgelegt und optimiert werden. Eine Trefferquote würde die Anzahl der korrekten gegenüber den ungenauen Klassifizierungen beschreiben. Der Arbeitsablauf verbessert sich, wenn die Trefferquote steigt. Folglich sollen IoT und maschinelles Lernen die Trefferquote maximieren. Die Ziele des Workflow-Designs sollten wie folgt lauten:
- Einfachheit (Verwendung eines regelbasierten Ansatzes)
- Determinismus
- Erklärbarkeit (Aufdeckung von Anomalien)
Erstens sollten Sie ein System zur Entscheidungsunterstützung verwenden, bei dem menschliche Entscheidungen erforderlich sind, bevor IoT und maschinelles Lernen zum Einsatz kommen. Oft kann diese Art von Unterstützungssystem die Transparenz für Missverständnisse, Fehler oder Voreingenommenheit erhöhen. IoT mit maschinellem Lernen kann als Qualitätskontrolle für jede Entscheidung dienen, egal ob es sich um eine einfache oder eine wichtige Entscheidung handelt, z. B. Kreditgenehmigungen, Compliance, HR-Prozesse und Betrugserkennung. Dann können IoT und maschinelles Lernen bei Bedarf mit neuen Daten trainiert werden.
Ein Beispiel: Eine Pandemie hätte Auswirkungen auf alle Geschäftsvorgänge und Arbeitsabläufe weltweit. Wenn die COVID-19-Pandemie jedoch endemisch wird, würden neue Prozesse und neue Daten zur Verfügung stehen, um die Relevanz für die aktuellen Marktbedingungen zu gewährleisten. Andere Szenarien, wie z. B. neue Marken für medizinische Geräte oder Automodelle, erfordern die Zusammenarbeit zwischen Entscheidungen, die von Menschen getroffen werden, und maschinellem Lernen.
Letzter Gedanke
IoT und maschinelles Lernen bieten spannende Möglichkeiten, BPMN 2.0 bei der Erstellung von Arbeitsabläufen zu verbessern. Geschäftsprozesse können von den Sensorfähigkeiten von IoT-Geräten, Netzwerkfunktionen und maschinellen Lernfähigkeiten profitieren. Durch die Übersetzung von BPMN 2.0 in portablen Code können Sie IoT, maschinelles Lernen und BPMN 2.0 erfolgreich kombinieren.
