Der Proof of Concept ist die Nachweisführung zur Durchführbarkeit von Vorhaben, das auf einer iterativen Vorgehensweise basiert.

Mit Hilfe eines Proof of Concepts sollen brauchbare Lösungsansätze mit einem vertretbaren Aufwand nachgewiesen werden. Um sich diesen Lösungsansätzen anzunähern und nicht sofort mit hohen Investitionen oder anderen größeren Aufwänden beginnen zu müssen, wird ein iteratives Vorgehen angewendet. Durch diese Vorgehen wird sich brauchbaren Lösungen im Laufe der Iterationen angenähert, wodurch Grenzen und Möglichkeiten eines Systems (für eine Kosten-Nutzen-Analyse) deutlicher werden und nicht machbare Ideen frühzeitig verworfen werden können. Das iterative Vorgehen schließt sich dabei auch dem Lernprozess an, den Prozessexperten und KI-Spezialisten im Rahmen des Proof of Concepts ebenfalls durchlaufen.

Vorgehen:

1. Hypothesen/Lösungsansätze
   -Auswahl eines vielversprechenden Lösungsansatzes
   -Erstellung eines ML-Pipeline-Diagramms inkl. Datenflüsse
   -Verfeinerung oder Verwerfung des Lösungsansatzes in späteren Iterationen
2. Datenbereitstellung
   -im ML-Pipeline-Diagramm notwendige Datenquellen erkennbar
   -Erhebung von Beispieldaten mit reduziertem Aufwand (bspw. durch Stichproben o.ä.)
   -Vorverarbeitung der Daten für das Modell-Training
   -Einbezug von Prozessbedienern zur Verbesserung der Datenqualität
3. Lösungsentwicklung
   -Umsetzung der Pipeline, bis ein kompletter Durchlauf möglich ist (ggf. noch mit manueller Unterstützung)
4. Evaluation
   -Evaluation der entwickelten Lösung anhand aufgestellter Zielkriterien
   -falls Lösung den Zielkriterien entsprechend, weiter in folgenden Phasen der Prozessassistenz
   -falls unzureichende Ergebnisse, Verfeinerung der ML-Pipeline über weitere Iteration, ansonsten Verfolgung eines anderen Lösungsansatzes
5. Nächste Iteration
   -die nächste Iteration beginnt mit einer Überarbeitung, bzw. Verfeinerung der Hypothesen in Schritt 1

• Ziel des Proof of Concept soll nicht nur die Bewertung der Machbarkeit, sondern vor allem die Grundlagenermittlung für eine ganzheitliche Bewertung eines bestimmten Lösungsansatzes sein.
• Zur Aufstellung von Zielen der Gestaltung eines bestimmten Anwendungsfalls können die Informationen aus dem Kapitel „Gestalten & Testen“ genutzt werden.
• Zur Verbesserung der Datenqualität sollten neben KI-Experten auch Prozessspezialisten und Prozessbediener einbezogen werden.

Der Ablauf der hier präsentierten Methode ist sehr individuell, weshalb auch ein Beispiel die Abläufe und auftretenden Probleme nur schwer verdeutlicht. Dennoch ist hier ein kurzes Beispiel dargestellt:

1. Modell vom Typ x wird ausgewählt
2. Erhebung von Beispieldaten und Vorverarbeitung dieser Daten
3. Testen des Modells mit Hilfe der Beispieldaten
4. Modell liefert unzureichende Ergebnisse
5. Erhebung weiterer Daten (Menge und Typ)
6. Testen des Modells mit Hilfe der zusätzlich beschafften Daten
7. Modell liefert erneut unzureichende Ergebnisse
8. Auswahl eines Modells vom Typ x
9. Test des neuen Modells mit dem ersten Datensatz
10. Modell liefert zufriedenstellende Ergebnisse

• ML4P Whitepaper (2020)
  Fraunhofer