I den fremragende artikel From Robotic Process Automation to Intelligent Process Automation (Chakraborti, 2020) overvejer forfatteren, hvordan Robotic Process Automation (RPA) i løbet af det sidste årti har fremmet effektiviteten af forretningsprocesser på fascinerende måder. Han mener dog, at vi nu befinder os ved et “vendepunkt” i denne teknologiske trend, hvor intelligent automatisering er den logiske videreudvikling af RPA.
Chakraborti nævner det nye paradigme Intelligent Process Automation, der parrer automatisering af forretningsprocesser med maskinlæring (ML), kunstig intelligens (AI) og kundedata.
RPA er en anden vigtig komponent i intelligent automatisering. De to begreber er så sammenflettede, at der er en del forvirring om, hvor intelligent procesautomatisering starter, og hvor robotprocesautomatisering slutter.
Denne artikel vil udforske forskelle og fællestræk ved begge discipliner og vise, hvor de krydser og overlapper hinanden. Vi vil også dele nogle eksempler på intelligent automatisering sammen med brugsscenarier fra industrien.
Hvad er Robotic Process Automation?
Robotic Process Automation (RPA) henviser til et sæt teknologier, der muliggør forskellige mål for automatisering af forretningsprocesser (BPA). Vi kan definere en forretningsproces som et sæt af opgaver, der leverer organisatoriske mål. En forretningsproces kan f.eks. være noget så simpelt som at foretage et kredittjek på en låneansøgning.
De trin, der kræves til et kredittjek, involverer at trække en kundes navn fra interne dokumenter, lave en anmodning til et kreditbureau og derefter føre resultatet tilbage til interne systemer. I traditionelle forretningsmiljøer håndteres disse opgaver manuelt. Men automatisering af forretningsprocesser bruger robotter til at udføre disse opgaver, deraf udtrykket Robotic Process Automation.
RPA-opgaver skal være regelbaserede og forudsigelige. De har brug for klart definerede triggere, indgange og udgange. Som sådan er håndtering af undtagelser noget, der kan forvirre dem. Afvigelser eller usædvanlige omstændigheder – eller noget, der kræver, at man tænker i farten – er ikke opgaver, som RPA kan håndtere. Det betyder selvfølgelig ikke, at håndtering af undtagelser er et fremmed begreb i RPA-udvikling.
Der er mange scenarier, hvor en bot ikke kan udføre en opgave på grund af et problem med sikkerhedstilladelse eller ufuldstændige data. Udviklere kan bygge uden om disse undtagelser. Forestil dig for eksempel et scenarie, hvor du opretter en RPA-proces, der skal overføre fakturadata til en database, men databasen er nede. Du kan instruere robotten i at blive ved med at prøve med bestemte intervaller, indtil den får forbindelse til databasen. Men når det maksimale antal forsøg er nået, vil den kaste en forretningsundtagelse, så en manuel medarbejder kan afhjælpe situationen.
Det, vi har beskrevet ovenfor, er et simpelt scenarie. Men det kan være nødvendigt at udforske intelligent procesautomatisering for at opbygge mere modstandsdygtige og robuste processer, der håndterer undtagelser uafhængigt.
Hvis du vil dykke dybere ned i emnet, kan du læse vores Complete Guide to Robotic Process Automation (RPA).
Hvad er intelligent procesautomatisering (IPA)?
Intelligent procesautomatisering refererer til en blanding af teknologier, der hjælper virksomheder med at automatisere eksisterende arbejdsgange og processer. McKinsey har allerede i 2017 fremhævet fordelene ved intelligent automatisering. Konsulentfirmaets meget udbredte dokument, Intelligent procesautomatisering: The engine at the core of the next-generation operating model, skitserer fem kerneteknologier, der tilsammen gør intelligent automatisering mulig.
Det er de:
1. Automatisering af robotprocesser (RPA):
En række værktøjer, der udfører forudsigelige, gentagne og veldefinerede opgaver, som traditionelt har været udført af mennesker.
2. Maskinlæring og avanceret analyse:
Avancerede algoritmer, der er trænet til at finde mønstre i store historiske datasæt, så de kan give indsigt og forudsigelser med en hastighed og nøjagtighed, der er umulig for menneskelige forskere.
3. Naturlige sproggeneratorer (NLG)
Som det fremgår af succesen med værktøjer som ChatGPT og Pi, kan naturlige sproggeneratorer producere tekst og andre reklamer for at lette kommunikationen mellem mennesker og teknologi.
4. Smarte arbejdsgange:
En software til forretningsprocesser, der styrer workflowet mellem mennesker og maskiner og sikrer problemfri levering, sporing og rapportering.
5. Kognitive agenter:
Smarte chatbots, der bruger en kombination af ML og NLP til at levere automatiserede kundeservicerepræsentanter, der reducerer byrden for servicepersonalet og i nogle tilfælde udmærker sig ved at sælge og forstå kunderne.
De teknologier, der er nævnt ovenfor, er de grundlæggende byggesten i en IPA-løsning. Selvom det er underforstået, vil vi også tilføje Computer Vision Technology (CVT ) til listen over værktøjer, der udgør IPA-teknologi.
Lighederne mellem RPA og IPA
Selvom RPA og IPA er forskellige teknologikategorier, har de en vis grad af crossover. Her er nogle af lighederne mellem RPA og IPA.
1. De er begge automatiseringsværktøjer
Den mest åbenlyse forbindelse mellem RPA og IPA er, at begge værktøjer er til for at automatisere forretningsprocesser. Hver løsning har sin egen tilgang og bruger forskellige typer teknologi til at nå sine mål, men i bund og grund er deres etos at håndtere opgaver, som mennesker traditionelt udfører, og finde måder at gøre dem mere effektive, omkostningseffektive og præcise på.
2. RPA er en central del af IPA
En anden vigtig lighed mellem de to teknologier er det faktum, at RPA er en kernekomponent i IPA. Mens maskinlæring og anden teknologi, der efterligner menneskelig kognition, er vigtige dele af IPA, er automatiseringerne bygget på et RPA-grundlag.
3. RPA og IPA har de samme fordele
RPA og IPA deler også mange af de samme forretningsmæssige fordele. De hjælper f.eks. virksomheder med at reducere omkostninger, spare tid, øge produktiviteten, øge medarbejdernes arbejdsglæde, overholde standarder, forbedre service og reducere menneskelige fejl.
Forskellene mellem RPA og IPA
Selvom RPA og IPA har mange fællestræk, er der nogle forskelle, du er nødt til at forstå.
#1. Skalerbarhed
Mens RPA udmærker sig ved at automatisere enkeltstående opgaver, er det en almindelig udfordring at orkestrere komplekse arbejdsgange eller håndtere ustrukturerede data. IPA tilbyder en blanding af værktøjer, der hjælper med skaleringsflaskehalse, såsom ustrukturerede data eller beslutningstagning.
#2. Læring og tilpasning i realtid
RPA er en perfekt løsning til opgaver, der følger en forudsigelig, trinvis vej. Per definition følger den instruktioner. På den anden side kan IPA lære og tilpasse sig i realtid takket være funktioner som ML.
#3. Intelligens
Intelligens er vanskelig at definere. Men vi forstår alle, at menneskelig tænkning bruger forskellige værktøjer som logik, ræsonnement, læring, planlægning og problemløsning til at generere svar eller forudsigelser baseret på information.
RPA-værktøjer kan behandle information, men kun via et strengt regelsæt. I bund og grund bruger det hvis/så/andet-logik til at håndtere forretningsprocesser. I virkeligheden efterligner RPA menneskelig kognition, men kun fordi den får et kort.
Intelligent automatisering, derimod, behandler data på en måde, der minder mere om menneskelig kognition. Fordi intelligente automatiseringsværktøjer bruger AI, kan de gå ud over grænserne for at følge instruktioner og tilpasse sig og justere sig til skiftende omstændigheder, ustrukturerede data og andre ekstraordinære faktorer, der kan overrumple RPA-værktøjer.
#4. Håndtering af ustrukturerede data
RPA hjælper teams med at håndtere deterministiske opgaver. Som sådan er den afhængig af forudsigelige input, såsom strukturerede data. Men når det drejer sig om at håndtere ustrukturerede data eller information, der ikke er omfattet af reservationen, når vi de øvre grænser for RPA-værktøjer.
Håndtering af strukturerede data overlades ofte til manuel arbejdskraft. Fordi der er en hel del beslutningstagning og fortolkning involveret, giver det mening at bruge menneskelig kognition. Men intelligent automatisering kan håndtere ustrukturerede data takket være brugen af AI-teknologier som machine learning.
Det er værd at bemærke, at RPA-værktøjer kan bruges til at omdanne ustrukturerede data til strukturerede data. For eksempel kan værktøjer til behandling af naturligt sprog (NLP) eller optisk tegngenkendelse (OCR) hjælpe med at oversætte disse data til noget, som en RPA kan arbejde med. Men ustrukturerede data gør denne proces kompleks og kræver, at man opretter flere skabeloner, der kan håndtere opgaven. Denne virkelighed kan føre til skaleringsproblemer inden for RPA-løsninger.
#5. RPA er mere omkostningseffektivt
Selvom IA-værktøjer har et bredere anvendelsesområde end RPA-software, har disse ekstrafunktioner en pris. Et af de mest tiltalende aspekter ved automatiseringsværktøjer er deres dokumenterede omkostningsbesparelser. Men i betragtning af deres relative pris er RPA-software mere tilgængelig for det meste af markedet.
Intelligent automatisering er en mere fleksibel løsning, der kan fungere i en bredere vifte af miljøer. Men det er ikke alle virksomheder, der har komplekse krav til automatisering. Afhængigt af omfanget af de forretningsprocesser, du har brug for at automatisere, kan RPA-løsninger levere alt, hvad du har brug for.
#6. RPA er hurtigere at implementere
Intelligente automatiseringsværktøjer giver løsninger på en bred vifte af problemer. Men når det kommer til hurtige implementeringstider, bliver denne kompleksitet en smule negativ. RPA-værktøjer er enklere, og derfor er implementeringen billigere og mindre tidskrævende. For ledere, der er under pres for at opnå digital transformation på tværs af deres virksomheder, kan RPA-løsninger tilbyde en hurtigere vej til at skabe værdi.
#7. IPA-værktøjer har en stejlere indlæringskurve
Igen skaber den relative kompleksitet af disse værktøjer fordele og ulemper. At anvende IPA-værktøjer kræver i sagens natur meget tekniske funktioner som maskinlæring.
Der er stadig håb for ikke-tekniske teams. Konsulentfirmaer inden for intelligent automatisering kan tage sig af meget af det tunge arbejde og procesdesignet. Desuden bliver IA-værktøjerne mere og mere brugervenlige for hver dag, der går.
Eksempler på intelligent procesautomatisering og brugsscenarier i industrien
Ifølge undersøgelser vil der blive produceret 120 zettabytes data i 2023. Hvert år stiger mængden af data, der produceres på verdensplan, med omkring 20-25 %. Ifølge MIT Sloan er omkring 80 % af disse data ustrukturerede. Mens RPA-værktøjer har gjort det muligt for virksomheder at gøre meget med strukturerede data, er det klart, at tekst, lyd, videoer, e-mails, indhold på sociale medier, serverlogs, sensorlogs og satellitbilleder kan give bemærkelsesværdige muligheder.
Den bedste måde at forstå mulighederne ved intelligent forretningsautomatisering er gennem praktiske eksempler fra den virkelige verden og use cases. Her er nogle måder, hvorpå intelligent automatiseringsteknologi kan hjælpe i bestemte brancher.
1. Kundeservice
Forventningerne til kundeservice er vokset dramatisk i de senere år. Den moderne forbruger kræver selvbetjeningsmuligheder, der altid er tilgængelige, med en høj grad af personalisering. Intelligent automatisering hjælper virksomheder med at tilbyde det forventede niveau af tilpasset pleje uden de høje omkostninger, der er forbundet med menneskelige medarbejdere.
Chatbots, der drives af naturlige sprogprocessorer og er forbundet med CRM-platforme (Customer Relationship Management), kan give fremragende kundeoplevelser. Når de kombineres med automatiseret e-mailhåndtering, prædiktiv analyse og stemningsanalyse, får virksomhederne en omnichannel-omsorg, der foregriber problemer og hjælper med at fastholde kunderne.
2. Sundhedspleje
Sundhedsvæsenet har været en stor bruger af intelligent automatisering. Global dårlig sundhed betyder, at hospitalerne får mere travlt, og mange knirker under presset. Stramme budgetter og overbebyrdet personale understreger behovet for større operationel effektivitet, især i administrative opgaver som patientindskrivning, forsikringsbehandling, planlægning, fakturering og meget mere.
3. Finans
Finansbranchen har med rette fået et ry for at være på forkant med de nyeste teknologier. Som tidlige brugere af RPA-teknologi har branchen fortsat med at finde måder at øge effektiviteten og opfylde lovmæssige krav på. Intelligent automatisering bruges i hele den finansielle sektor til at hjælpe med at opdage svindel og overholde reglerne. Men teknologien hjælper også med driften og strømliner i stigende grad beslutningstagningen i forbindelse med låneansøgninger og meget mere. Desuden kan det også automatisere softwaretest og hjælpe finansielle institutioner med at skabe skræddersyet software.
4. Fremstilling
I de senere år er den offentlige bevidsthed om forsyningskædeproblemer vokset på grund af flaskehalse, inflation og en generel leveomkostningskrise. Producenterne skal omfavne den digitale transformation, efterhånden som købspræferencerne udvikler sig, og forretningsdynamikken skifter. Denne virkelighed er især udtalt i nyindustrialiserede lande og udviklingslande.
RPA og IPA kan hjælpe virksomheder på disse områder med at bygge bro og forbedre processer og organisation på tværs af hele værdikæden. Automatisering af produktionsordrer, forståelse og tilpasning til skiftende kundepræferencer, forbedring af logistikken og reduktion af spild er blot nogle få områder, der kan drage fordel af AI-drevne værktøjer.
Er intelligent procesautomatisering og hyperautomatisering det samme?
Selvom mange eksperter bruger intelligent procesautomatisering og hyperautomatisering i flæng, er det to forskellige begreber. Forvirringen er forståelig. Begge discipliner er på forkant med automatiseringen af IT- og forretningsprocesser ved hjælp af kunstig intelligens og andre relaterede teknologier. Men det er vigtigt at forstå forskellene mellem de to.
Som nævnt ovenfor bruger intelligent procesautomatisering en blanding af teknologier som AI, ML, computersyn, kognitiv, naturlig sprogbehandling og selvfølgelig RPA.
Hyperautomatisering er på den anden side en filosofi eller tilgang, der søger at automatisere så mange forretningsprocesser som muligt.
Meget af forvirringen stammer fra det faktum, at IPA er en del af en hyperautomatiseringstilgang. Men hyperautomation er en mere sofistikeret, accelereret version af IA med langt større rækkevidde. I stedet for at beskæftige sig med faste processer eller opgaver, arbejder hyperautomation på tværs af platforme og teknologier for at maksimere virksomhedens effektivitet.
Hvor IPA og RPA krydser hinanden og konvergerer
Vi har brugt en stor del af denne artikel på at dissekere de relative fordele ved IPA og RPA. Selvom det er nyttigt at skelne mellem disse automatiseringsteknologier, er det ikke helt rigtigt at tænke på dem som modstridende eller konkurrerende værktøjer. Den bedste måde at forstå deres evner på er som komplementære automatiseringsværktøjer.
Der er en række punkter, hvor begge værktøjer krydser hinanden.
#1. IPA som en løsning på RPA’s begrænsninger
I artiklen How to Compete in the Age of Artificial Intelligence (Mohanty og Vyas, 2018) skriver forfatterne, at “RPA-robotter vil gøre præcis, hvad du siger til dem, det er deres største styrke, men også deres største svaghed.” Denne holdning understreger en kritisk pointe om grænserne for RPA: Som det fremgår af den udbredte anvendelse, er det et vigtigt værktøj i informationsalderen, men ustrukturerede data og uforudsigelige scenarier betyder, at virksomheder ikke kan anvende RPA-løsninger til alle opgaver.
Maskinlæring kan hjælpe med at udvide RPA’s muligheder, især på to hovedområder. Det er de:
1. Håndtering af ustrukturerede data
2. Åbning af døren til beslutningstagning af højere orden
Som det er nu, er RPA-værktøjer ikke i stand til ovenstående. Men når det suppleres med AI, kan automatisering nå et helt nyt niveau.
#2. Som et springbræt til implementering af IPA eller hyperautomatisering
Det er fristende at betragte RPA, IPA og hyperautomatisering som et kontinuum. Men det er måske en lidt forsimplet fremstilling af sagen. Faktum er, at ethvert komplekst automatiseringssystem, der inkluderer IPA eller hyperautomatisering, i høj grad vil være afhængig af RPA. Som sådan vil RPA-værktøjer stadig være både relevante og nødvendige i disse avancerede scenarier.
Der, hvor dette argument er mere robust, er i forbindelse med implementering. Vejen til hyperautomatisering kræver en masse forskning i, hvilke opgaver der kan automatiseres. Når man starter med RPA, får man et solidt fundament for de typer opgaver, der kan automatiseres. Det giver virksomheder mulighed for at opbygge og teste automatiseringsworkflows, som de senere kan udvide og supplere med IPA.
Hyperautomatisering er en tilgang, der involverer automatisering af alt, hvad der er muligt. Hvordan det ser ud, vil variere fra virksomhed til virksomhed. I nogle virksomheder kan det involvere RPA, som i mindre grad assisteres af AI; i andre kan det være en fuldgyldig, omfattende automatiseringsmaskine med minimal menneskelig indsats.
#3. Prædiktiv analyse og beslutningstagning
RPA udfører definerede opgaver baseret på bestemte triggere eller input. Når vi ser på nogle af fordelene ved IPA, såsom sentimentanalyse, naturlig sprogbehandling, computer vision-teknologi og ML-funktioner, er det klart, at teknologien vil kunne håndtere en masse rodede data og omdanne dem til strukturerede oplysninger, der kan fungere som disse triggere eller input.
Mulighederne her er svimlende. Som vi har set det i medicinalindustrien, har forskning vist, at AI overgik radiologer i mammografiscreening. At lave nøjagtige forudsigelser kræver mange års erfaring og domæneekspertise, som forlader virksomheden, når nogen går på pension eller forlader den. RPA suppleret med AI kan hjælpe med at overvinde denne erfaringskløft.
Selv om eksemplet med mammografiscreening er iøjnefaldende, kan fordelene ved RPA og IPA anvendes i mange andre forretningsscenarier, der kræver kognition eller beslutningstagning af høj kvalitet. Når disse beslutninger er truffet, kan de udløse de efterfølgende handlinger via RPA, hvilket bringer et utroligt produktivitetsniveau til en lang række virksomheder.
Fem intelligente automatiseringsværktøjer
Der er flere leverandører af intelligent automatisering på markedet. De tilbyder hver især en unik blanding af forskellige teknologier, tilgange og priser. Lad os udforske fem af de største navne inden for IA-området.
#1. ZAPTEST
ZAPTEST er en end-to-end, full-stack, intelligent automatiseringsløsning, der tilbyder state-of-art hyperautomatiseringsværktøjer til både softwareautomatisering og robotprocesautomatisering. Den bruger en blanding af Computer Vision Technology og RPA til at hjælpe brugerne med at opdage og automatisere både front- og back-end kontoropgaver. Platformen har fremragende funktioner som OCR og solide analytiske værktøjer. Den leveres også med kodeløs kapacitet, gratis- og enterprise-udgaver, automatisering af enhver app på tværs af platforme og browsere, ubegrænsede licenser og en fuldtids ZAP-ekspert, der arbejder som en del af kundens team (i Enterprise-udgaven).
#2. IBM Cloud Pak til forretningsautomatisering
IBM Cloud Pak er en modulær, hybrid cloud, intelligent automatiseringsløsning. Denne end-to-end-platform til forretningsautomatisering er spækket med en række funktioner, herunder automatisering af arbejdsgange, dokumentbehandling, procesmining og beslutningsstyring. Det omfatter også værktøjer med lav og ingen kode og god kundesupport.
#3. UiPath Business Automation Platform
UiPath har styrket sit RPA-tilbud med intelligent forretningsautomatisering. Platformen bruger Computer Vision-teknologi og Unattended Robotics (med deres ord “robotter, der styrer robotter”) til at nå disse mål. De bruger også kognitive forbedringer til at forstå sprog og ustrukturerede data. UiPath Business Automation Platform kan integreres med tredjeparts kognitive tjenester fra leverandører som IBM, Google og Microsoft.
#4. SS&C Blue Prism Cloud
SS&C Blue Prism Cloud er en anden cloud-baseret intelligent automatiseringsplatform med IA-funktioner. Firmaet tilbyder også intelligente automatiseringstjenester, der hjælper teams med at håndtere implementering og vedligeholdelse. Ud over intelligente værktøjer til automatisering af robotprocesser tilbyder Blue Prism Cloud også et designstudie uden kode, hvor man kan trække og slippe, og Control Room, en orkestreringsfunktion til automatisering af arbejdsgange.
#5. Microsoft Power Automate
Microsoft Power Automate, tidligere kaldet Microsoft Flow, er en anden cloud-baseret, intelligent automatiseringsløsning uden kode. Pakken tilbyder en funktion kaldet AI Builder, som er brugervenlig, skalerbar og let at tilslutte. Microsofts meget omtalte investering på 10 mia. dollars i ChatGPT betyder, at den leverer naturlige sprogbehandlingsfunktioner kombineret med en peg-og-klik-grænseflade, der gør det muligt for ikke-tekniske teams at opbygge intelligente robotprocesautomatiseringsarbejdsgange.
Afsluttende tanker
RPA og IPA er forskellige teknologier. Men de er dybt komplementære. Den virkelige styrke ved begge værktøjer ligger i deres evne til at forstærke ikke bare menneskelige medarbejdere, men også hinanden. Som mange eksempler på intelligent automatisering viser, kan meget af det kernearbejde, som IA muliggør, udføres af digitale medarbejdere og robotter. Vellykket automatisering kræver, at man nedbryder og forstår de eksisterende arbejdsgange. RPA kan tage højde for mange af disse bestanddele.
Vi står på tærsklen til en spændende æra i arbejdslivet, hvor menneskets kognitive evner kan suppleres med kunstig intelligens. Digital transformation er med rette en prioritet for virksomheder i både den udviklede verden og udviklingslandene. IPA- og RPA-værktøjer vil udgøre en central del af disse omstillinger og muliggøre en ufattelig produktivitet.
