Получите больше преимуществ от автоматизации с помощью ИИ:ваш учебник по ИИ (часть 2)

Роботизированная автоматизация процессов (RPA) — это только начало. Это основа, но не цель вашей программы автоматизации.

В первой части вы узнали, как проверить, готовы ли ваша программа автоматизации и ваша компания к искусственному интеллекту (ИИ). В этом посте я подробно расскажу о том, как вы и ваша команда по автоматизации можете внедрить искусственный интеллект на уровне земли.

Модели искусственного интеллекта — это одновременно и ускоритель, и мультипликатор для вашей программы автоматизации.

Окупаемость инвестиций в RPA колеблется от 30% до 200% в первый год, согласно тематическому исследованию, проведенному Лесли Уилкокс, профессором технологий, работы и глобализации на факультете менеджмента Лондонской школы экономики. Среди клиентов UiPath мы видели, как компании достигают окупаемости инвестиций всего за один месяц (DHL Global Forwarding, Freight), достигают рентабельности инвестиций 2:1 (Postbank) и т. д.

И возврат — это только начало:компании нашли преимущества в повышении производительности, улучшении вовлеченности сотрудников и уменьшении количества ошибок. Представьте себе, что может сделать добавление когнитивного интеллекта в ваш пакет автоматизации. Обработка ошибок? Исключения? Человек в петле? ИИ может помочь.

На вебинаре, посвященном AI Playbook (проходившем во время нашего Саммита по искусственному интеллекту), Брайан Клочков, руководитель отдела автоматизации в Северной и Южной Америке в dentsu international, присоединился ко мне, чтобы объяснить, как добавление моделей искусственного интеллекта в вашу программу автоматизации может открыть и создать ценность.

Разработайте план поддержки выполнения ИИ

В первой части этой серии статей мы показали вам, как демистифицировать ИИ и заинтересовать людей возможностями ИИ. Мы также обсудили, как продемонстрировать аргументы в пользу инвестирования в ИИ. Как только вы завоюете расположение стейкхолдеров, вы не захотите терять этот импульс. Убедитесь, что вы готовы к работе с планом выполнения, состоящим из следующих элементов.

Управление ИИ и этика

Управление и этика для ИИ — относительно новая область, поэтому путь вперед еще не проторен. Многие компании и государственные учреждения все еще разбираются в том, как должно выглядеть управление, особенно в том, что касается этических соображений.

Однако по большей части типичная модель управления центром передового опыта (CoE) работает как для ИИ, так и для RPA. Ключи, которые важны и для RPA CoE, заключаются в создании правил подотчетности, прозрачности и справедливости.

Например, как избежать систематических ошибок в вашей модели и данных? У вас должны быть контрольные точки, которые позволят вам проследить решения до человека, робота или их смеси. Эта часть вашего плана поддержки исполнения также будет включать правила о конфиденциальности данных и кибербезопасности.

Мы ставим управление и этику на первое место, потому что управление и этика должны быть целеустремленными усилиями команды, которая реализует ИИ. Все, что ниже высшего приоритета, создает риск, который ваша компания не хочет брать на себя.

Операционная модель

Мы неоднократно писали о модели работы автоматизации, в том числе:

• Преимущества его разработки

• На что обратить внимание при создании команды

• Оптимизация вашего полного потенциала автоматизации

Когда дело доходит до ИИ, ядром вашей операционной модели должна быть межфункциональная команда. Эта кросс-функциональная команда включает в себя людей из бизнеса, аналитики данных, RPA и поддержки. Важно, чтобы вы разработали свою операционную модель таким образом, чтобы в ней не было разрозненных элементов. Ваши каналы взаимодействия должны быть эффективными и иметь множество возможностей для совместной работы.

Определите заранее, будете ли вы создавать модели самостоятельно или будете использовать готовые модели. Это решение повлияет на ваши требования к инфраструктуре и ваши ресурсы, которые мы рассмотрим в следующих двух разделах.

В идеале ваша операционная модель имеет структуру, которая позволяет интегрировать новые технологии по мере их появления и по мере того, как вы можете их внедрять. Интеграция и внедрение должны осуществляться в соответствии с реалиями вашего жизненного цикла разработки программного обеспечения (SDLC) и требованиями управления.

В dentsu, по словам Клочкова, «мы рассматриваем операционную модель как оболочку для всех этих вещей». Таким образом, dentsu фокусируется на создании исчерпывающей документации и прозрачной публикации этой работы во внутренней сети компании. "Люди могут понять, чем мы занимаемся и как они могут принять участие".

Инфраструктура и поддержка

Как только вы определитесь с управлением и операциями, вам нужно будет подумать об инфраструктуре. Собираетесь ли вы разместить свою платформу ИИ локально, в изолированном пространстве или в облаке? Где ты собираешься машину ставить? Как вы собираетесь размещать данные, которые питают эти модели ИИ? Здесь вы также захотите решить, какие методы вы используете для обучения.

В зависимости от этих решений время выполнения, необходимые усилия и бюджет будут меняться, поэтому принимайте их осторожно.

Навыки ресурсов

Установив свою инфраструктуру, вы захотите оценить, насколько квалифицированы ваши текущие ресурсы и какие пробелы в навыках могут быть. Вашим основным ресурсом будут разработчики RPA, которые могут повысить свою квалификацию и научиться применять ИИ в RPA. Специалисты по обработке данных также будут играть ключевую роль. В идеале это должен быть коллектив, в котором разработчики RPA и специалисты по обработке данных тесно сотрудничают.

В зависимости от ваших предыдущих решений, вы, вероятно, сможете повысить квалификацию нынешних сотрудников, но хорошо подумайте и о найме со стороны. Вам понадобится сочетание ресурсов, чтобы получить желаемые результаты.

dentsu построили персонажей вокруг того, кто в их команде участвует в CoE, какими навыками они обладают, над чем они работают и какие сертификаты у них есть. Клочков видит кульминацией своей работы создание «межфункционального сообщества». dentsu хочет создать путь обучения, управляемый руководством, который позволит сотрудникам расширить свой текущий набор навыков.

Клочков подчеркнул, что «технологии развиваются с такой скоростью, что иногда трудно идти в ногу со своими собственными знаниями». Он рекомендует делать паузы не реже одного раза в неделю, чтобы дать вашей команде время ознакомиться с заметками о выпуске, вебинарами и техническими документами. «Мы не всегда так поступали, — предупредил Клочков, — и это означало, что мы упускали часть функций, которые могли бы встроить в наши решения».

Интегрируйте ИИ в существующую программу RPA

Когда план поддержки исполнения запущен и работает, вы готовы начать интеграцию. Ключи к интеграции ИИ двойственны:совместная работа ЦП RPA и аналитики данных и корректировка цикла разработки программного обеспечения с учетом ИИ.

Поощряйте сотрудничество двух ЦП

ЦМ, как правило, относятся к одной из двух моделей, каждая из которых требует различных стратегий сотрудничества.

В индивидуальной модели CoE отдельные центры RPA и анализа данных отчитываются перед разными отделами. Как правило, центры сертификации работают обособленно и независимо друг от друга.

Для достижения более тесного сотрудничества ЦП RPA может активно обращаться к ЦП данных и аналитики. Вместе они могут найти варианты использования в бизнесе, которые выиграют от их синергии. Для этого может потребоваться объяснить RPA команде аналитиков данных, но преимущества такого взаимопонимания огромны.

В единственной модели CoE один CoE включает в себя все технологии автоматизации и отчеты одному руководителю — обычно директору по цифровым технологиям или директору по автоматизации. Руководители Совета Европы могут использовать эту консолидацию, чтобы сосредоточить внимание Совета Европы на задаче автоматизации.

Не существует одной правильной модели для всех организаций. Вам нужно будет взвесить все за и против каждой модели, а также ваши цели и этап автоматизации, чтобы определить, какая модель лучше всего подходит для вашей организации.

Однако со временем, когда компании добавляют больше технологий автоматизации, отдельные модели CoE, как правило, превращаются в отдельные модели CoE.

Когда они продемонстрировали ценность и сформулировали ее для руководителей и руководителей операций, они смогли объяснить, как ИИ смягчил проблемы, связанные с участием человека, и расширил возможности автоматизации для решения «более сложных задач».

Когда у компаний есть набор технологий искусственного интеллекта и автоматизации, естественно начать думать о том, как сделать их гармоничными.

Скорректируйте жизненный цикл разработки программного обеспечения

Если вы используете индивидуальную модель CoE, для максимальной эффективности SDLC требуется оркестровка обоих CoE. Как правило, обе технологии будут следовать одному и тому же SDLC, но тонкие нюансы меняют способ наилучшей координации. Чтобы представить структуру, в которой может работать ИИ, сосредоточьтесь на следующих шести компонентах.

• Определить: начните с бизнес-проблемы, а не с технологического решения. Соберите RPA, специалистов по данным и бизнес-пользователей вместе — в идеале в одной комнате — для выявления проблем, которые подходят для решений ИИ. Прежде чем делать что-либо еще, определите, решит ли использование RPA и UiPath AI Center возникшую проблему. И если вы определите, подходит ли AI Center, выясните, что должна решать модель машинного обучения (ML).

• Дизайн: многослойность ИИ требует внимания к дизайну. Когда вы начнете проектирование, определите, нужно ли вашим разработчикам RPA проектировать свои решения RPA по-другому с добавлением ML. Кроме того, вы можете спросить у своей группы данных, какая подготовка данных потребуется для моделирования машинного обучения.

• Разработать :на этом этапе вы можете позволить своим командам RPA и специалистам по обработке и анализу данных расходиться и создавать отдельные компоненты, если они следуют соответствующим политикам и процедурам DevOps. Определите необходимый уровень согласованности между ЦП данных и аналитики и ЦП RPA. Знайте в сквозном рабочем процессе, как входные данные одной технологии создадут выходные данные следующей технологии.

• Проверить :убедитесь, что ваш пользовательский приемочный тестер, а также ваши центры сертификации знают, чего ожидать на каждом этапе SDLC. RPA имеет тенденцию быть простым, поэтому тестирование обязательно. Ты либо проходишь, либо нет. Машинное обучение предполагает постепенное улучшение, поэтому модели включают доверительный порог, который со временем будет улучшаться.

• Развернуть :развитие современных технологий автоматизации сделало операции ИИ проще, чем в прошлые годы. Определите, обрабатывает ли RPA CoE развертывание моделей ИИ в AI Center. Обновите контрольный список развертывания, чтобы убедиться в наличии проверок. Фактическое развертывание теперь довольно просто.

• Поддерживать :определите, как ваши команды смягчают последствия внешних изменений и управляют ими, а также определите, какая команда поддерживает модели ИИ после развертывания. В RPA все знают, работает ли робот; трудно определить, принимает ли модель ML «неправильное» решение. Возможно, вам потребуется создать панель мониторинга, которая отслеживает уверенность и выдает оповещения, если уверенность падает ниже определенного порога.

Хотя SDLC RPA и AI во многом схожи, разница заключается в том, что их отличает.

Поднимите свою стратегию автоматизации на новый уровень, интегрировав искусственный интеллект

ИИ выведет вашу стратегию автоматизации на новый уровень. Интеграция ИИ потребует организационных навыков, а также технологических навыков, но преимущества такой интеграции будут огромными. Ваш SDLC, ЦП RPA и анализа данных, ваша программа автоматизации — все это требует четкой и тщательной переоценки перед внедрением ИИ.

Чтобы узнать больше о моделях искусственного интеллекта, а также о передовых методах искусственного интеллекта и автоматизации, ознакомьтесь с полной записью вебинара AI Playbook.