Максимизация ROI автоматизации с ИИ: Плейбук (Часть 2)

Роботизированная автоматизация процессов (RPA) — это только начало — это фундамент, но не конечная точка вашей программы автоматизации.

В первой части вы узнали, как проверить, готова ли ваша программа автоматизации и ваша компания к искусственному интеллекту (ИИ). В этом посте я погрузюсь в нitty-gritty: как вы и ваша команда автоматизации можете внедрить ИИ на земном уровне.

ИИ-модели — это и ускоритель, и мультипликатор для вашей программы автоматизации.

ROI для инвестиций в RPA варьируется от 30% до 200% в первый год, согласно кейс-стади, проведенным Лесли Уилкоксом, профессором технологии, работы и глобализации в Департаменте управления Лондонской школы экономики. Среди клиентов UiPath мы видели компании, достигающие ROI всего за один месяц (DHL Global Forwarding, Freight), достигающие ROI 2:1 (Postbank) и больше.

И возврат — это только начало: компании находили выгоды в повышении продуктивности, улучшении вовлеченности сотрудников и снижении ошибок. Представьте, тогда, что добавление когнитивного интеллекта в ваш набор автоматизации может сделать. Обработка ошибок? Исключения? Человек в цикле? ИИ может помочь.

На вебинаре по AI Playbook (проводившемся во время нашего AI Summit), Брайан Клочкофф, руководитель автоматизации для Америки в dentsu international, присоединился ко мне, чтобы объяснить, как добавление ИИ-моделей в вашу программу автоматизации может разблокировать и создавать ценность.

Проектируйте план поддержки выполнения ИИ

В первой части этой серии статей мы показали вам, как разгадать ИИ и вовлечь людей в возможности ИИ. Мы также обсудили, как продемонстрировать кейс для инвестиций в ИИ. Как только вы завоеваете своих стейкхолдеров, вы не хотите тратить этот импульс. Убедитесь, что вы готовы бежать с планом выполнения, состоящим из следующих элементов.

Управление (Governance) и этика ИИ

Управление и этика для ИИ — относительно новая область, поэтому путь вперед не избит. Многие компании и правительственные органы все еще вырабатывают, как выглядит управление, особенно в связи с этическими соображениями.

В большинстве случаев, однако, типичная модель управления центром компетенций (CoE) работает для ИИ так же хорошо, как для RPA. Ключи, которые важны для RPA CoE тоже, — построить правила для ответственности, прозрачности и справедливости.

Как вы избегаете системных предвзятостей из вашей модели и данных, например? Вам нужно иметь контрольные точки, которые позволяют вам проследить решения обратно к человеку, к роботу или к некоторой смеси двух. Эта часть вашего плана поддержки выполнения будет включать правила о конфиденциальности данных и кибербезопасности тоже.

Мы ставим управление и этику на вершину, потому что управление и этика должны быть посвященным усилием от команды, исполняющей ИИ. Что-либо меньше приоритета создает риск, который ваша компания не хочет брать на себя.

Операционная модель

Мы писали об операционной модели автоматизации множество раз, включая:

• Выгоды проектирования одной
• Соображения при построении команды
• Оптимизация для вашего полного потенциала автоматизации

Когда речь идет об ИИ, ядро вашей операционной модели должно быть кросс-функциональной командой. Эта кросс-функциональная команда включает людей из бизнеса, аналитики данных, RPA и поддержки. Важно, чтобы вы спроектировали свою операционную модель так, чтобы не было силосов. Ваши каналы взаимодействия должны быть эффективными, с обильными возможностями для сотрудничества.

Определите рано, будете ли вы строить модели в-house или использовать предварительно построенные модели. Это решение повлияет на ваши требования к инфраструктуре и ваши ресурсы, о которых мы поговорим в следующих двух разделах.

Идеально, ваша операционная модель имеет структуру, позволяющую интеграцию новых технологий по мере их появления и по мере того, как вы способны их принять. Интеграция и принятие должны работать в рамках реальностей вашего жизненного цикла разработки ПО (SDLC) и требований управления.

В dentsu, согласно Клочкоффу, «Мы видим операционную модель как обертку вокруг всех этих вещей». Как таковые, dentsu фокусируется на создании исчерпывающей документации и публикации этой работы, прозрачно, на интранете компании. «Люди могут понять, чем мы занимаемся и как они могут вовлечься».

Инфраструктура и поддержка

Как только вы определите управление и операции, вы захотите подумать об инфраструктуре. Будете ли вы хостить вашу ИИ-платформу on-premises, air-gapped или в облаке? Где вы поставите машину? Как вы будете хостить данные, которые топлива эти ИИ-модели? Вы захотите решить здесь также, какие методы вы используете для обучения.

В зависимости от этих решений, время лида, требуемые усилия и бюджет все изменятся, поэтому делайте их тщательно.

Навыки ресурсов

С вашей инфраструктурой урегулированной, вы захотите оценить, насколько квалифицированы ваши текущие ресурсы и какие пробелы в навыках могут быть. Вашим основным ресурсом будут разработчики RPA, которые могут апскиллиться и научиться применять ИИ к RPA. Данные ученые будут играть ключевые роли тоже, идеальный сценарий включающий команду, где разработчики RPA и данные ученые работают вместе тесно.

В зависимости от ваших предыдущих решений, вы, вероятно, сможете апскиллить текущих сотрудников, но подумайте тщательно о найме снаружи тоже. Вам понадобится микс ресурсов, чтобы получить результаты, которые вы хотите.

dentsu построил персоны вокруг того, кто в их команде вовлечен в CoE, какие навыки у них есть, к чему они работают и какие сертификации у них есть. Клочкофф видит их работу кульминацией в «кросс-функциональном сообществе». dentsu хочет создать путь для обучения — управляемый управлением — который позволяет сотрудникам расширять их текущий набор навыков.

Клочкофф подчеркнул, что «технология эволюционирует с такой скоростью, где трудно иногда удерживать шаг с [своими] собственными знаниями». Он рекомендует вам сделать паузу хотя бы раз в неделю, чтобы дать вашей команде время догнать заметки о релизах, вебинары и белые бумаги. «Мы не всегда делали это», предупредил Клочкофф, «и это означало, что мы упускали некоторые функции, которые мы могли бы встроить в наши решения».

Интегрируйте ИИ в вашу существующую программу RPA

С планом поддержки выполнения вверху и запущенным, вы готовы начать интеграцию. Ключи к интеграции ИИ двойственны: заставьте ваши RPA и аналитику данных CoE работать вместе и скорректируйте ваш цикл разработки ПО, чтобы включить ИИ.

Поощряйте ваши два CoE к сотрудничеству

CoE склонны падать в одну из двух моделей, каждая из которых требует разных стратегий сотрудничества.

В модели индивидуального CoE, индивидуальные RPA и аналитика данных CoE отчитываются перед разными департаментами. Обычно CoE работают отдельно и независимо.

Для достижения большего сотрудничества, RPA CoE может проактивно обратиться к CoE данных и аналитики. Вместе они могут найти бизнес-варианты использования, которые выигрывают от их синергии. Это может потребовать объяснения RPA команде аналитики данных, но выгоды от этого взаимного понимания огромны.

В модели единственного CoE, единственный CoE включает все технологии автоматизации и отчитывается перед одним лидером — типично chief digital officer или chief automation officer. Лидеры CoE могут использовать эту консолидацию для фокусировки CoE на мандате автоматизировать.

Нет одной правильной модели для всех организаций. Вам нужно взвесить плюсы и минусы каждой модели, вместе с вашими целями и тем, где вы находитесь в вашем пути автоматизации, чтобы определить, какая модель лучше для вашей организации.

Со временем, однако, как компании добавляют больше технологий автоматизации, индивидуальные модели CoE склонны эволюционировать в единственные модели CoE.

Как они демонстрировали ценность и artikulировали ее лидерам и операционным лидерам, они смогли объяснить, как ИИ смягчил вызовы human-in-the-loop и расширил способность автоматизации брать на себя «более сложные проблемы».

Как только компании имеют портфолио технологий ИИ и автоматизации, естественно начинать думать о том, как они могут сделать их гармоничными.

Скорректируйте ваш жизненный цикл разработки ПО

Если вы используете модель индивидуального CoE, для того чтобы SDLC работал на пиковой эффективности, ему нужна оркестрация обоих CoE. Обычно обе технологии будут следовать одному SDLC, но тонкие нюансы меняют то, как вы можете лучше оркестровать. Чтобы ввести структуру, которая может вместить ИИ, сфокусируйтесь на следующих шести компонентах.

• Identify (Идентификация): начните с бизнес-проблемы, а не с технологического решения. Соберите RPA, данные ученых и бизнес-пользователей вместе — идеально в одной комнате — чтобы идентифицировать проблемы, подходящие для ИИ-решений. Перед тем как делать что-либо еще, определите, решит ли использование RPA и UiPath AI Center проблему под рукой. И если вы определите, что AI Center подходит, выясните, что ML-модель должна решать.
• Design (Проектирование): слоирование ИИ требует проектных соображений. Когда вы начинаете проектировать, определите, будут ли ваши разработчики RPA нуждаться в проектировании своих RPA-решений иначе с добавлением ML. Дополнительно, вы захотите спросить вашу команду данных, какую подготовку данных их ML-моделирование потребует.
• Develop (Разработка): на этом этапе вы можете позволить вашим командам RPA и данных ученых расходиться и делать их индивидуальные компоненты, пока они следуют своим соответствующим DevOps политикам и процедурам. Определите уровень оркестрации, необходимый между вашим CoE данных и аналитики и вашим RPA CoE. Знайте, в end-to-end рабочем процессе, как вход одной технологии создаст выход следующей технологии.
• Test (Тестирование): убедитесь, что ваш тестер пользовательского приемки, так же как и ваши CoE, знают, чего ожидать на каждом этапе SDLC. RPA склонен быть прямым, поэтому тестирование определенно. Вы либо проходите, либо нет. ML — о постепенном улучшении, поэтому модели включают порог уверенности, который улучшится со временем.
• Deploy (Развертывание): продвижение современных технологий автоматизации сделало AI Ops легче, чем в прошлые годы. Определите, обрабатывает ли RPA CoE развертывание ИИ-моделей в AI Center. Обновите ваш чек-лист развертывания, чтобы убедиться, что проверки на месте. Фактический акт развертывания теперь довольно прост.
• Maintain (Поддержка): определите, как ваши команды смягчают и управляют эффектами внешних изменений, и определите, какая команда поддерживает ИИ-модели после развертывания. В RPA все знают, работает ли робот; определение того, принимает ли ML-модель «неправильное» решение — трудно. Вам может понадобиться создать дашборд, который отслеживает уверенность и триггерит алерты, если уверенность падает ниже определенного порога.

Хотя RPA и ИИ SDLC делят много сходств, различия — это то, что делает разницу.

Поднимите вашу стратегию автоматизации на следующий уровень, интегрируя ИИ

ИИ поднимет вашу стратегию автоматизации на следующий уровень. Интеграция ИИ потребует организационных навыков так же, как технологических, но выгоды от этой интеграции будут огромными. Ваш SDLC, ваши RPA и аналитика данных CoE, ваша программа автоматизации — все требуют четкой и тщательной переоценки перед введением ИИ.

Чтобы узнать больше об ИИ-моделях и о лучших практиках ИИ и автоматизации, посмотрите полную запись вебинара AI Playbook.