Автоматизация и обучение бизнес-процессов с помощью RPA, AI и ML

Роботизированные процессы автоматизации (РПА, RPA), искусственный интеллект (ИИ, AI) и машинное обучение (МО, ML) - все это используется для автоматизации бизнес-процессов и ускорения принятия решений. Каковы преимущества каждой из этих технологий и как компании используют их? Общим моментом для этих технологий является автоматизация.

При использовании RPA, автоматизируются повторяющиеся задачи, поэтому персоналу не нужно их выполнять. Примером является определение и внедрение роботизированного автоматизация процесса, который автоматически проверяет информацию о счетах из одной системы и вводит ее в другую систему, то есть при этом сотрудникам офиса не приходится вручную вводить информацию из одной системы в другую.

Использование ИИ позволяет добавить автоматизацию в процесс принятия решений. Вместо того, чтобы выполнять оценку риска цепочки поставок вручную, в хранилище данных ИИ вводится множество соответствующих точек данных, а затем представляется несколько сценариев риска - «что, если», для каждого из которых система должна анализировать и, в свою очередь, предоставлять ответы. Система ИИ отвечает несколькими различными потенциальными результатами для каждого сценария риска, и затем, на основе этой информации, можно принимать окончательное решение.

Когда вы дополнительно расширяете ИИ с помощью машинного обучения, вы активируете способность системы ИИ самостоятельно обнаруживать и анализировать шаблоны данных и «учиться» по этим шаблонам. Преимущество этого процесса заключается в скорости, с которой система может обрабатывать данные и распознавать шаблоны самостоятельно, чего не может сделать человек. То, что обнаруживает машинное обучение, может помочь вам понять определённый шаблон или тенденцию развивающиеся в ситуации, которую вы изучаете, гораздо быстрее, чтобы можно было также быстрее отреагировать на ситуацию.

Таким образом, RPA автоматизирует рутинные, повторяющиеся офисные задачи; AI добавляет автоматизацию в процесс принятия решений; ML - это непрерывный образовательный процесс для ИИ, поэтому ИИ может «учиться» на основе шаблонов и тенденций, развивающихся в точках данных, которые ИИ, в свою очередь, обязан оценивать. В совокупности RPA, AI и ML играют важную роль и должны быть разумно организованы как инструменты для автоматизации бизнес-процессов и обучения.

Преодоление проблем реализации

При работе с инструментами когнитивной автоматизации основным препятствием, с которым сталкиваются многие организации, является понимание того, когда именно нужно использовать каждый из них.

Вот четыре общих проблемы, с которыми сталкиваются предприятия при внедрении RPA, AI и ML:

1. Нереалистичные ожидания

В конце 2017 года опрос Deloitte по поводу RPA показал, что 53% респондентов предприятий уже начали внедрять или, по крайней мере, тестировать внедрение RPA. По прогнозам Deloitte, эта цифра вырастет до 72% организаций к 2020 году.

По данным Deloitte, большинство из этих организаций искало возможностим непрерывного совершенствования их рабочих процессов, с автоматизацией в качестве вторичной цели. Тем не менее, когда Deloitte спросила эти же организации о том, насколько хорошо они могут использовать и масштабировать использование RPA в других областях своих компаний, только 3% ответили, что им это удалось.

В отчете Deloitte говорится, что многие организации, начавшие рассматривать RPA как некий эксперимент, теперь застряли и страдают от проблем с IТ, сложности процессов, нереалистических ожиданий и «пилотного» подхода. Для максимизации влияния RPA требуется целенаправленный переход мышления и подхода от экспериментов к трансформации. Учитывая относительную незрелость рынка автоматизации, крупным организациям, в частности, требуется время, чтобы изучить и внедрить RPA в необходимом масштабе.

Ситуация не слишком отличается и с использованием AI и ML. Многие компании до сих пор работают над проверкой концепции, которая характеризует ранние стадии внедрения этих инструментов. Они еще не находятся на той стадии, когда эти технологии могут быть широко использованы для получения максимальной коммерческой выгоды в рамках их компаний.

Одним из факторов, замедляющих распространение, является ограниченность знаний и опыта персонала в отношении этих технологий, а также того, как технологии могут наилучшим образом применяться в бизнес-процессах и принятии решений.

2. Обучение исполнительного руководства

Поддержка RPA, AI и ML на уровне C была сильной, но чтобы обеспечить долгосрочную поддержку уровня C и бюджетные инвестиции, отделы информационных технологий и данных должны сделать две вещи:

• Они должны обеспечить успешное внедрение этих технологий, которые приносят ощутимые выгоды для бизнеса.

• Они должны обучать нетехническое руководство уровня С разнице между инструментами RPA, AI и ML, и тому, как все эти инструменты объединяются в бизнес-процессе или операции.

Высшее управленческое образование имеет решающее значение для того, чтобы генеральный директор и другие лица чувствовали себя комфортно перед своими советами, чтобы объяснять и задавать вопросы об этих технологиях, а также о том, почему они вкладывают в них средства.

3. Сотрудничество с поставщиками

По словам одного сотрудника, который однажды руководил проектом по интеграции IТ-систем, в котором его команде приходилось работать с несколькими поставщиками для реализации интеграции, случилась трудная ситуация. Каждый поставщик пришел со своим собственным API и настоял, чтобы другие поставщики также использовали этот API. Потребовалось несколько недель, чтобы договориться с этими различными поставщиками, пока все не смогли договориться о подходе к интеграции. Это заняло драгоценное время в отрыве от технического проекта. Подобные сложности интеграции в равной степени относятся к RPA, AI и ML.

Простота интеграции имеет значение, поскольку маловероятно, что каждый инструмент, приобретенный IТ-специалистами или пользователями у поставщиков RPA, AI и ML, будет принадлежать одному и тому же поставщику. Сотрудничество с поставщиками понадобится, когда вы захотите интегрировать и масштабировать решения для своего бизнеса.

Для любого поставщика RPA, AI или ML, которого вы рассматриваете, способность и желание сотрудничать с вашей собственной компанией и с другими поставщиками должны быть одним из первых вопросов, которые вы задаете.

4. Участие пользователей

RPA - это автоматизация ручного бизнес-процесса для того, чтобы пользователям больше не пришлось этого делать. Именно пользователи находятся в лучшем положении, чтобы иметь возможность идентифицировать повторяющиеся процессы, которые они хотели бы устранить, и они же знают, как определить бизнес-правила, которые RPA должен выполнять для успешного выполнения процесса.

Тот же принцип применяется для определения типов поддержки принятия решений, необходимых AI для поддержки бизнеса. Какую проблему хочет решить бизнес? Без постоянного участия пользователей существует риск того, что информационные технологии и наука о данных будут отклоняться от того, что хотят пользователи. А это, в свою очередь, может означать разочарование и даже неудачу для проекта.

Обеспечение успешного внедрения RPA, AI и ML

Успешное внедрение RPA, AI и ML начинается с понимания различий между этими инструментами автоматизации и того, как они используются, а также с понимания того, как они применяются к бизнес-кейсам, которым должна заниматься ваша организация.

Существуют организации, которые делают это и получают эффективные результаты.

• Китайский интернет-магазин ALIBABA GROUP использует AI, чтобы помочь составить карту наиболее эффективных маршрутов доставки товаров, а американский магазин Amazon использует AI, чтобы прогнозировать спрос на продукты и адаптировать рекомендации для клиентов.

• Medecision разработала алгоритм искусственного интеллекта, который был в состоянии идентифицировать восемь переменных, чтобы предсказать предотвратимые госпитализации у пациентов с диабетом.

• Великобритания использовала RPA для автоматизации выдачи писем с напоминанием для своих граждан.

Томас Х. Давенпорт и Раджив Ронанки в Harvard Business Review убежденно заявили, что каждая крупная компания должна изучать когнитивные технологии. На пути к этом будут встречаться некоторые препятствия, и безусловно, в вопросах перемещения рабочей силы и этики интеллектуальных машин не должно быть места беспечности. Но при правильном планировании и развитии когнитивные технологии могут открыть золотой век производительности, удовлетворенности работой и процветания.

Давенпорт и Ронанки правы. Потенциал есть, как и технологии, являющиеся выигрышным вариантом для компаний, которые ловко ориентируются на бизнес и процессы принятия решений, которые получат преимущества от когнитивной автоматизации.

Оригинал