Angesichts des Kostendrucks und des Fachkräftemangels im Gesundheitswesen stehen Organisationen vor der Herausforderung, ihre Effizienz zu steigern. Einen vielversprechenden Ansatz bietet die Integration von Künstlicher Intelligenz (KI) in das Workforce Management. In einem gemeinsamen Projekt haben das Fraunhofer IKS und ATOSS Software einen KI-gesteuerten Schichtplanungsagenten entwickelt, der die Personaleinsatzplanung automatisiert und dabei eine hohe Skalierbarkeit aufweist.
6. März 2025
© iStock/Andrey Popov
Workforce Management ist der Schlüssel, um Ressourcen optimal zu nutzen, insbesondere angesichts der bemerkenswerten Entwicklungen im Bereich der Integration Künstlicher Intelligenz (KI). KI-gestützte Methoden können die Ressourcenzuteilung effizienter machen und manuelle Arbeit reduzieren, indem sie unter der Einhaltung interner und externer Regeln maßgeschneiderte Pläne erstellen. Das Fraunhofer-Institut für Kognitive Systeme IKS hat in Zusammenarbeit mit Atoss Software einen automatisierten Personaleinsatzplanung-Aagenten auf Basis von Graph Neural Networks (GNNs) und Deep-Reinforcement-Learning-(RL)-Algorithmen entwickelt und getestet. Dieses Projekt lieferte einige interessante Erkenntnisse zu Skalierbarkeit und Performanz.
Beim Workforce Management geht es darum sicherzustellen, dass die Mitarbeitenden produktiv sind und zur richtigen Zeit die richtigen Rollen übernehmen. Es dreht sich auch darum, die Mitarbeiterinnen und Mitarbeiter mit den richtigen Aufgaben zu betrauen, was einen großen Einfluss darauf haben kann, wie effizient sie arbeiten und wie zufrieden sie sind. Einige wichtige Punkte, die es zu beachten gilt:
Traditionell erstellen und aktualisieren Fachleute mit jahrelanger Erfahrung die Pläne manuell und versuchen, unter Berücksichtigung externer und interner Regeln und Anforderungen die Planungskosten zu minimieren. Die manuelle Erstellung individueller Pläne ist jedoch zeitaufwändig, aufgrund der hohen Anzahl und Komplexität von Einschränkungen herausfordernd und führt häufig zu nicht-optimalen Plänen, zum Beispiel wenn Ruhezeiten nicht eingehalten werden. Auch ist es kaum möglich, bei unvorhergesehenen Abwesenheiten oder außerplanmäßigen Änderungen im Geschäftsbetrieb kurzfristig und unter Einhaltung aller Regeln umzuplanen.
Eine KI-gestützte Personaleinsatzplanung kann Zeitersparnis, höhere Genauigkeit, Flexibilität und verbesserte Compliance bieten.
Im Rahmen eines aktuellen Forschungsprojekts hat das Fraunhofer IKS in Zusammenarbeit mit ATOSS Software einen KI-basierten Schichtplanungsagenten für den Personaleinsatz in Krankenhäusern entwickelt, der auf Reinforcement Learning (RL) basiert. Ziel war es, einen Dienstplan auf der Grundlage des Krankenhausbedarfs zu erstellen, der das nötige Personal, die Arbeitsplätze (Stationen) und frühere Schichtpläne als Input umfasst, unter Berücksichtigung einer Vielzahl von harten und weichen externen und internen Einschränkungen. Lineare Programmierung und Costraint-Programmierung eignen sich nicht gut für höherdimensionaIe Eingaben und erfordern oft eine umfangreiche Abstimmung für jeden Anwendungsfall. Im Vergleich zu diesen kombinatorischen Optimierungsansätzen können KI-Modelle aus verschiedenen bestehenden Plänen lernen und sich an sich ändernde Geschäftsanforderungen und dynamische Anwendungsfälle anpassen.
Reinforcement Learning (RL) ist ein Ansatz des Maschinellen Lernens, bei dem ein Agent durch Interaktion mit seiner Umgebung iterativ lernt. Bei jedem Schritt erhält das RL-Modell Eingabedaten, die den Zustand der Umgebung darstellen, trifft Entscheidungen über zukünftige Aktionen und erhält dann Feedback in Form einer Belohnung, die die Qualität seiner Aktionen bewertet. Basierend auf dieser Belohnung und seinem internen Trainingsalgorithmus passt das RL-Modell seine Entscheidungsstrategie an und geht zum nächsten Zeitschritt über. Dieser Lernzyklus wird fortgesetzt, bis der Agent eine optimale Strategie erreicht oder die maximale Anzahl von Trainingsiterationen erreicht hat.
Der von unserem Team entwickelte Schichtplanungsagent verwendet ein Modell des Reinforcement Learning (RL), das Graph Neural Networks (GNNs) und Deep-RL-Algorithmen integriert, um systematisch Dienstpläne zu erstellen. Dieser RL-Agent untersucht mehrere Planungskonfigurationen und optimiert sie im Hinblick auf Belohnungen, die Faktoren wie die Kosten für den Ressourceneinsatz berücksichtigen. Durch seinen iterativen Ansatz verbessert sich das Modell kontinuierlich und passt sich dynamisch an sich ändernde Einschränkungen und Präferenzen an. Diese Pipeline liefert eine robuste Planungslösung, die die betriebliche Effizienz verbessert und eine bessere Entscheidungsfindung beim Personaleinsatz im Krankenhaus unterstützt – und dabei die traditionellen Methoden der Schichtplanung übertrifft.
Drei Ergebnisse aus unserem Forschungsprojekt sind:
KI-basiertes Personalmanagement bietet ein erhebliches Potenzial für die Automatisierung. Dabei hat sich das Reinforcement Learning als vielversprechende Strategie herauskristallisiert, um Verstöße gegen die Einschränkungen der Schichtplanung zu verhindern und gleichzeitig verschiedene Planungsoptionen zur Kostenminimierung zu untersuchen. In unserem gemeinsamen Projekt haben wir verschiedene Methoden untersucht, um Herausforderungen bei der Kostenoptimierung von Schichtplänen zu bewältigen, wie zum Beispiel die Handhabung hoher Belohnungswerte und die große Anzahl möglicher Aktionen. Mit Blick auf die Zukunft sind weitere Experimente geplant, um die Fähigkeiten des RL-Schichtplanungsagenten zu verbessern.
Über unser RL-Projektbeispiel hinaus möchten wir zwei (von vielen) wichtige Überlegungen zur Nutzung von KI für das Personaleinsatz-Management und ähnliche Anwendungsfälle hervorheben:
Wenn Sie Fragen haben zu diesem Projekt oder zur KI-gestützten Personalplanung oder KI in der Medizin allgemein, wenden Sie sich bitte an business.development@iks.fraunhofer.de
Am Fraunhofer-Institut für Kognitive Systeme IKS entwickeln wir daher Frameworks und Lösungen, die nicht nur genaue Vorhersagen für einen bestimmten Anwendungsfall liefern, sondern auch die Einflussfaktoren analysieren und Methoden zur Verbesserung der Erklärbarkeit von KI einsetzen.
