Эволюция RPA в ИИ: питание будущего выравнивания Бизнес-IT

«Кейсы интеллектуальной автоматизации будут продолжать расти, как новые ИИ-техники и решения выходят на рынок, радикально меняя будущее рабочее место».

Роботизация процессов (RPA) за последнее время продвинула нас далеко к разблокировке продуктовività, связанной с ручными процессами, и закрепила мышление, что вещи могут меняться без нужды в масштабной переинженерии систем.

Когда коренная смена нереалистична для организаций, RPA может действовать как катализатор, помогая бизнесам прогрессировать и добавлять ценность, позволяя строить стратегические планы вокруг инвестиций, уже сделанных в легаси-системы.

Расширение в ИИ — следующий шаг этой гранулярной, более быстрой формы трансформации, с все большим числом бизнес-активностей, полностью или частично автоматизированных все более sophisticated средствами. Это обычно называется когнитивным RPA или CRPA.

Так какие реальные кейсы комбинируют RPA и ИИ в более широкие решения интеллектуальной автоматизации?

Обнаружение процессов (Process discovery)

По мере выхода новых цифровых технологий, бизнес-профессионалы сталкиваются с вызовом: понять, где решения могут быть ценны для эффективности и разработать бизнес-кейс для внедрения.

Часто вы интуитивно знаете, где неэффективности, но это должно поддерживаться более evidence-based, bottom-up видом того, что происходит по IT-системам и устройствам бизнеса, чтобы сделать сильный кейс для инвестиций — здесь process discovery так важен. Разница между восприятием неэффективностей и тем, что происходит внутри ландшафта систем, может быть удивительной.

Используя аналитику, ML и ИИ, можно построить evidence-based вид операционных процессов организации, что дает глубокое понимание, где цифровые технологии применимы — будь то системные изменения или применение RPA к исключениям процессов. Также позволяет оценить выгоды решений после развертывания.

Управление неструктурированными данными

Несмотря на рост цифровых и робототехнических решений, значительный вызов для бизнесов — управление формами, перепиской, контрактами и другим свободным текстом. Особенно с внешним материалом: клиентскими или поставщическими контрактами, создающим потребность в высоко ручном case management.

Это сейчас одна из ключевых зон, где бизнесы смотрят на расширение RPA в домен ИИ. В этом контексте RPA — агрегатор, получающий сырые данные для кормления ИИ-компонентов, будь то компьютерное зрение, pattern matching, классификаторы или NLP. Как только ИИ-модули завершают функции, RPA используется для толкания ответов в целевые системы.

RPA, поддерживаемый различными ИИ-модулями, может доставлять специфические возможности для субъективных задач обработки, традиционно выполняемых людьми.

Конверсационный интерфейс

По исследованию Capgemini этого года, голосовые ассистенты станут доминирующим режимом потребительского взаимодействия в следующие 3 года — 24% уже скажут, что используют чат-ботов и voice-ботов вместо сайта. Всплеск голосовых ассистентов вроде Google Assistant, Amazon Alexa, Apple Siri драматически трансформирует клиентские отношения, заставляя бизнесы рассматривать, как их использовать.

Для развертывания этих решений в бизнесе нужен механизм, открывающий доступ к эстейту приложений организации. Voice-бот или чат-бот умны только настолько, насколько инфа, которую они могут извлечь и релеить пользователю. То, как это соединяется в этом примере: используя роботов для fetch и доставки данных к конверсационному интерфейсу (чат-боту), и таким образом отвечая на вопрос.

Это достигается: чат-бот конвертирует абстрактный вопрос в серию запросов, понятных RPA-системе. Робот запрашивает системы учета для извлечения релевантных данных, упаковывает и возвращает пакет чат-боту, позволяя реконструировать в естественный язык ответ.

RPA — критичный компонент для открытия приложений — особенно трудных для интеграции — и позволяет им участвовать в новом мире конверсационных интерфейсов.

Скорость к инсайту (Speed to insight)

У всех бизнесов есть форма данных-пайплайна, кормящего цепочки поставок и склады. Они спроектированы для предоставления 100% нужных данных регулярно. Хотя обычно адекватно для репортинга, это не достаточно полный датасет для анализа и генерации инсайтов.

Всегда есть «последняя миля» дополнительного анализа для захвата специфического инсайта. Это дополняет датасет данными для поддержки root cause анализа вызовов вроде month-end close.

RPA можно использовать для поддержки этой последней мили извлечения, предоставляя агрегацию и подготовку данных для поддержки динамических нужд репортинга без ожидания корпоративного IT расширения пайплайнов. Это в свою очередь позволяет предсказывать и делать вещи, исторически трудные для людей.

Мы боремся с предсказанием, потому что не можем справиться с огромными объемами данных. Боремся с нарративом больших объемов данных, покрывающих множество линий дивизионов или департаментов. ИИ можно задействовать для моделирования и предсказания или NLG-техник для создания грамматически корректного нарративного саммари находок в блоке сырых данных вместо армий людей.

Во многих кейсах выше мы остаемся в очень ранних фазах использования выгод RPA и его расширения в ИИ. Однако это лишь демонстрирует, насколько RPA будет продолжать эволюционировать и расширяться в бизнесах в будущие годы.

Кейсы интеллектуальной автоматизации также будут расти, как новые ИИ-техники и решения выходят на рынок, радикально меняя будущее рабочее место. Для полного использования этой технологии бизнесам сначала нужно понять, как эти решения могут трансформировать их процессы и применить строгий говернанс, чтобы убедиться, что их принятие решений эффективно.

Если бизнесыEndeavor внедрять эти connected, но гранулярные решения по организациям, это поможет им драйвить dual-speed трансформацию, и новая эра выравнивания бизнес и IT последует.