Welche Aufgaben hast du als Werkstudent übernommen?
Ich habe meine Werkstudententätigkeit im Bereich der Qualitätssicherung begonnen, wo ich unter anderem für die Durchführung und Dokumentation von Softwaretests für das Team „Telematikinfrastruktur (TI)“ verantwortlich war, um die korrekte Funktionsweise des Codes sicherzustellen. Die Telematikinfrastruktur ist das Gerüst für digitale Anwendungen im Gesundheitswesen. Sie verbindet alle Akteure miteinander und ermöglicht einen schnellen und geschützten Austausch medizinischer Informationen.
Nach sechs Monaten änderte sich meine Rolle in die eines Softwareentwicklers, und ich konzentrierte mich auf die Entwicklung neuer Funktionen für die Praxissoftware, hauptsächlich im Bereich der Benutzeroberfläche, sowie auf die Behebung von Fehlern. Während dieser Zeit habe ich mir viele Problemlösungskompetenzen angeeignet, die mir später bei meiner Masterarbeit geholfen haben. Einige Monate später hatte ich alle Kurse an der Universität Bamberg abgeschlossen und konnte mich ganz meiner Masterarbeit widmen.
Warum hast du das Thema „Automatic Classification of Customer Tickets in German: A Comparative Study on Machine Learning and Deep Learning Approaches“ ausgewählt?
Ich habe mich für dieses Thema entschieden, da ich ein großes Interesse an der Klassifizierung von Daten und am Maschinellen Lernen habe. Künstliche Intelligenz bietet durch Tools wie ChatGPT viele Möglichkeiten, um repetitive Aufgaben und Prozesse zu vereinfachen, sodass sich Menschen wieder auf andere Problemstellungen konzentrieren können. Hier die Möglichkeiten im Rahmen eines realen Anwendungsfalles zu erforschen, war eine spannende Chance und somit war das Thema für mich die ideale Wahl.
Welche Prozesse bei medatixx hast du mit deiner Masterarbeit genau untersucht?
Vor Beginn meiner Masterarbeit befand sich die systematische Klassifizierung von Support-Tickets bei medatixx noch in der Entwicklungsphase. Gelegentlich gab es Diskussionen bezüglich der richtigen Zuweisung der Tickets. Insbesondere da nicht alle Mitarbeiter des Support-Teams genau wussten, für welche Problembereiche die unterschiedlichen Softwareproduktionsteams zuständig waren, wurden einige Tickets falsch zugeordnet und zwischen den verschiedenen Teams hin und her geschickt. Dies führte auch mal zu Verzögerungen bei der Bearbeitung der Tickets. Meine Arbeit bestand darin, bereitgestellte Ticket-Datensätze zu analysieren und auszuwerten, um herauszufinden, wie diese "Ping-Pong"-Situation durch den Einsatz von Deep Learning und Machine Learning zur Klassifizierung und automatischen Zuweisung von Tickets zu den unterschiedlichen Entwicklerteams, gelöst werden kann.
Welche Hilfsmittel und Methoden hast du für die Erarbeitung genutzt?
Für meine Arbeit habe ich eine Vielzahl von Hilfsmitteln und Methoden, wie Deep Learning (BERT-Modell), Machine Learning (SVM) und NLP (Natural Language Processing) verwendet. Programmiert habe ich in Python und auch eine GPU (Graphical Processing Unit) spielte eine elementare Rolle, doch die Details sprengen wohl hier den Rahmen. :)
Gab es besondere Herausforderungen, die du dabei meistern musstest?
Ja, ich musste einige besondere Herausforderungen bewältigen. Da medatixx als Praxissoftwareanbieter mit besonders schützenswerten Daten arbeitet, unterliegen alle Arbeitsbereiche hohen Sicherheitsstandards. Um bei der Forschung meiner Masterarbeit den Abfluss von Daten sicher zu vermeiden, arbeitete ich daher in einer abgeschotteten Arbeitsumgebung, die, nachdem die benötigten Daten heruntergeladen wurden, von allen externen Verbindungen getrennt wurde.
Die Einrichtung dieser Arbeitsumgebung war die erste Herausforderung, da ich in meiner Masterarbeit Deep-Learning-Module verwendete und hierzu das Arbeiten mit einer GPU notwendig war. Jedoch fehlte mit bis dahin jegliche Erfahrung mit deren Nutzung. Die sorgfältige Planung der benötigten Ressourcen für die reibungslose Funktion war essenziell, da ich nicht, wie bei offenen Arbeitsumgebungen, kurzfristig Ressourcen aus dem Internet auf das Projektsystem herunterladen konnte.
Diese Einschränkungen ließen mich anfangs zweifeln, ob ich ausreichend vorbereitet war. Auch verlangsamte die Arbeitsumgebung selbst meinen Arbeitsfortschritt, da das System automatisch alle Anwendungen schloss, wenn ich längere Zeit keine Eingaben oder Mausbewegungen machte. Dieses Verhalten ist natürlich ebenfalls zum Schutz von Kundendaten gedacht. Ich kann verstehen, dass diese Sicherheitsmaßnahme notwendig ist, um die Integrität und Vertraulichkeit sensibler Informationen zu gewährleisten, jedoch erforderte meine Forschung teilweise langwierige Verarbeitungsprozesse, die dadurch unterbrochen wurden und ich musste zunächst einen geeigneten „Workaround“ finden.
Wie wurdest du von medatixx bei der Abschlussarbeit unterstützt?
Für meine Abschlussarbeit erhielt ich von medatixx natürlich technische Unterstützung in Form einer separaten Arbeitsumgebung, insbesondere die Möglichkeit, eine GPU zu nutzen. Zudem wurden mir wichtige Daten zu den Support-Tickets zur Verfügung gestellt, die die Grundlage meiner Arbeit bildeten. Gleichzeitig konnte ich immer auf die Unterstützung von meinen Kolleginnen und Kollegen aus dem Team TI bauen – sie haben mich sehr unterstützt. Wenn ich Fragen hatte, gaben sie mir gute Ratschläge oder halfen mir direkt Verbindungen herzustellen. Eine wesentliche Rolle spielte auch das CRM-Team, mit dem ich regelmäßige Besprechungen hatte, um die Ticket-Daten zu diskutieren. Diese Kooperation war aufgrund des umfangreichen Datenvolumens besonders hilfreich, da ich so viele relevante Informationen für meine Studie gewinnen konnte. Mein Betreuer Daniel Hahn war ebenfalls eine große Stütze! Er fungierte als Vermittler zwischen mir und medatixx, half mir bei meinem Projekt und gab mir während der Korrekturphase meiner Arbeit viele nützliche Hinweise, die zur Vervollständigung meiner Forschung beitrugen.
Was ist das Ergebnis deiner Masterarbeit?
Zusammenfassend zeigt das Ergebnis meiner Masterarbeit, dass die Ticketzuweisung unter Verwendung des Machine-Learning-Modells (SVM) eine Genauigkeit von etwa 86 % erreichen kann. Dies liegt zwar unter der menschlichen Zuweisung (89 %), sofern man jedoch indirekte Zuweisungen berücksichtigt, bei denen Tickets zunächst vom Support-Team an das Projektmanagement-Team, d.h. eine weitere personelle Ebene, weitergeleitet werden, bevor sie final zugeordnet werden. Wenn wir diese Situation nicht berücksichtigen, da sie zusätzliche personelle Ressourcen bindet, beträgt die Korrektheit menschlicher Zuweisung nur 59% und wird von der Verwendung des Machine-Learning-Modells (SVM) übertroffen.
medatixx wird anhand des Ergebnisses die Umsetzung des Modells auf das Live-System prüfen und die Vor- und Nachteile abwägen. Grundsätzlich ließe sich der entstandene Code problemlos auf das aktuelle Ticketsystem anwenden.
Wie geht es für dich (bei medatixx?) weiter?
Die Entscheidung steht noch aus. Ich würde gerne bei medatixx bleiben und bin mit meiner Führungskraft und dem Personalbereich im Austausch zu den Einstiegsmöglichkeiten bei medatixx.
_______________________________________________________
medatixx ist ein führender Anbieter von Software und IT-Dienstleistungen für ambulant tätige Ärztinnen und Ärzte sowie Psychotherapeutinnen und Psychotherapeuten.
Mithilfe der medatixx-Praxissoftwarelösungen sowie der umfangreichen Beratungs- und Dienstleistungsangebote unterstützen wir aus 20 Standorten in ganz Deutschland unsere Anwenderinnen und Anwender im Praxisalltag.
Du möchtest auch eine Abschlussarbeit mit medatixx schreiben oder suchst einen spannenden Job in einer zukunftssicheren Branche? Weitere Informationen zu medatixx als Arbeitgeber und Einstiegsmöglichkeiten findest du unter karriere.medatixx.de
Ein Beitrag in Kooperation mit medatixx
