Open Access

Durch den Einsatz von mobilen Endgeräten (z.B. Tablets, Smartphones) erschließen sich immer mehr Möglichkeiten, die Ausführung von Geschäftsprozessen zu unterstützen. Beispielsweise können Geschäftsprozessaktivitäten (z.B. Genehmigung eines Angebots) ortsunabhängig bearbeitet werden, wodurch die Durchlaufzeit signifikant reduziert wird. Die Nutzung von mobilen Apps beschränkt sich hierbei meist nur auf die Unterstützung von effizienter und flexibler Interaktion zwischen den verschiedenen ausführenden Rollen. Dieser Artikel beschreibt, wie mobile Apps nicht nur die Ausführung, sondern auch die Optimierung von Geschäftsprozessen unterstützen können. Hierzu werden vordefinierte Qualitätskriterien kontextabhängig während der Ausführung von Aktivitäten erfasst. Die durch traditionelle Methoden erfassten Daten (z.B. Messung von Kennzahlen) werden somit durch in Echtzeit gesammeltes User Feedback ergänzt. Der Ansatz wird am Beispiel einer eigens entwickelten mobilen App demonstriert und evaluiert.

Deep learning is a field of machine learning that has been the focus of active research and successful applications in recent years. Offline handwriting recognition is one of the research fields and applications were deep neural networks have shown high accuracy. Deep learning models and their training pipeline show a large amount of hyper-parameters in their data selection, transformation, network topology and training process that are sometimes interdependent. This increases the overall difficulty and time necessary for building and training a model for a specific data set and task at hand. This work proposes a novel visualization-assisted workflow that guides the model developer through the hyper-parameter search in order to identify relevant parameters and modify them in a meaningful way. This decreases the overall time necessary for building and training a model. The contributions of this work are a workflow for hyper-parameter search in offline handwriting recognition and a heat map based visualization technique for deep neural networks in multi-line offline handwriting recognition. This work applies to offline handwriting recognition, but the general workflow can possibly be adapted to other tasks as well.