Robotic Process Automation er et løpsk tog. Ifølge Deloitte vil teknologien oppnå nesten universell adopsjon innen 2025. Men bare fordi RPA dominerer forretningsverdenen, betyr det ikke at det vil slutte å utvikle seg.
Vi står i et spennende teknologisk tidspunkt. Fremskritt innen AI de siste årene har vært oppsiktsvekkende. ChatGPT og andre former for generativ AI har fanget den offentlige bevisstheten. Den spennende teknologien er imidlertid bare ett uttrykk for potensialet til AI.
RPA er et enkelt, men effektivt verktøy. Konvergensen av RPA og AI gir imidlertid uendelige muligheter for innovasjon. Samtale AI-drevet kundeservice, analysedrevet beslutningstaking og automatisering av kunnskapsarbeid er bare noen eksempler på AI i RPA.
Ettersom teknologien skrider frem, vil kognitiv robotprosessautomatisering endre arbeidets natur på måter vi knapt kan forestille oss. La oss utforske hvordan AI med RPA allerede har forskjøvet grensene for automatisering før vi vurderer den fremtidige effekten.
Grensene for RPA
Den utbredte bruken av RPA er et bevis på nytten. Teknologien har hjulpet utallige virksomheter med å oppnå nye nivåer av produksjon, effektivitet og nøyaktighet ved å automatisere en gang manuelle oppgaver. Men som all teknologi har den øvre grenser.
1. Transaksjonsautomatisering er vanskelig å administrere
Mens RPA-roboter trofast vil slipe på prosesser, trenger de litt administrasjon og vedlikehold. For eksempel, når innganger eller utganger endres, må roboter rekonfigureres for å håndtere disse litt skiftende forholdene. I dynamiske arbeidsmiljøer kan dette tappe ressurser og tid.
2. RPA sliter med ustrukturerte data
RPA-verktøy er bygget for å utføre oppgaver ved å bruke if/then/else-logikk. Som sådan er de avhengige av forutsigbare datastrukturer. Enhver variasjon eller endring med inndataene vil forårsake feil eller unntak fordi de er utenfor de definerte verdiene boten forventer å motta.
3. RPA byr på skaleringsutfordringer
Delvis på grunn av årsakene vi har listet opp ovenfor, kan det være vanskelig å skalere RPA-prosessene dine. Hver prosess må være klart definert, administrert og vedlikeholdt, mens RPAs mangel på tilpasningsevne også kan skape problemer.
Begrensningene til RPA er ikke noe å bekymre seg for. AI-assistert RPA kan overvinne hver av disse begrensningene og samtidig åpne for nye og spennende automatiseringsmuligheter.
Her er hvordan RPA med AI har endret automatisering.
Robotprosessautomatisering og kunstig intelligens:
En perfekt match
RPA, ved design, er et enkelt og ukomplisert verktøy, i det minste på brukernivå. Den er bygget for å være tilgjengelig for ikke-tekniske team. Som sådan utfører den instruksjonene den blir gitt på en kontrollert måte. Det er opp til mennesker å identifisere disse prosessene og lede RPA til å utføre kommandoer.
Selvfølgelig kan detaljering av trinnvise instruksjoner bli umulig, gitt tilstrekkelig kompleksitet – og det er derfor det å kombinere RPA og kunstig intelligens er fremtiden for automatisering.
1. RPA med optisk tegngjenkjenning
I robotprosessautomatisering med AI og OCR for å forbedre forretningsprosesser (Shidaganti, 2021), skisserer forfatteren begrensningene til RPA, og antyder: «Enhver endringer i den automatiserte prosessen krever direkte endringer i RPA-applikasjonen.» Shidaganti foreslår AI som løsningen på denne prosessen og argumenterer for Optical Character Recognition (OCR) som en grunnleggende forsterkning av RPA.
Faktisk har OCR påvirket virksomheter ved å åpne opp RPA for ustrukturerte data. AI-drevne RPA OCR-verktøy kan lese informasjon fra trykte dokumenter og til og med skrevet tekst. Det er tre primære muligheter for RPA som OCR-integrasjon letter.
- OCR koder strukturerte data, slik at RPA kan fungere med uforutsigbare innganger
- RPA kan automatisere eksterne maskiner ved å tyde hva som skjer på deres respektive skjermer
- OCR, i forbindelse med maskinlæring, kan hjelpe med Know Your Customer (KYC), Anti Money Laundering (AML) og svindeldeteksjon ved å skanne dokumenter. Læringene og beslutningene til teknologien kan integreres med RPA, noe som gir raskere kontoåpning, onboarding, lånebeslutninger og så videre.
2. Maskinlæring og RPA
Robotic Process Automation og Machine Learning er et annet eksempel på bruk av AI for å overvinne de iboende begrensningene til RPA. Så langt tilbake som i 2016 hadde automasjonseksperter i forsikringsbransjen identifisert mulighetene for kognitiv robotprosessautomatisering (RPA). I denne artikkelen diskuterer forfatterne «selvoptimaliserende kundeservice, låneprising, finansiell rådgivning eller håndtering av krav eller klage» som mulige horisonter.
I det som må tjene som en markering av fremgang, er det interessant å se hvordan Robotic Process Automation Machine Learning-verktøy har blitt vanlig på kort tid.
Maskinlæring er overalt. Den beskriver prosessen med å lære en maskin å utføre oppgaver med eksplisitte programmeringsinstruksjoner. Som du kanskje vet, involverer dette maskiner som bruker algoritmer for å analysere og finne mønstre i et datasett. Når den er trent, kan maskinen behandle andre data og produsere innsikt og spådommer.
RPA og maskinlæring passer godt sammen fordi det betyr at RPA blir smartere, mer intuitivt og i stand til å håndtere ustrukturerte data.
3. RPA med Deep Learning
Machine Learning er en undergruppe av AI, mens Deep Learning er en undergruppe av Machine Learning. Forskjellen mellom Deep Learning og Machine Learning er kanskje subtil for noen mennesker, men det er verdt å utforske. Maskinlæring er trent på data for å hjelpe med beslutninger og spådommer.
Imidlertid mangler teknologien vanligvis evnen til å forbedre seg over tid. I kontrast involverer Deep Learning bruk av nevrale nettverk for å lære og forbedre ytelsen. Med andre ord, takket være Deep Learning, kombineres RPA og ML for å bygge automatiseringer som blir bedre gjennom opplevelse.
Selvfølgelig krever Deep Learning en utrolig mengde data for å utføre denne funksjonen. I det som er et annet eksempel på den dype symbiosen mellom AI og RPA, er roboter ideelle for å hjelpe med den møysommelige prosessen med å samle inn disse treningsdataene. RPA-verktøy kan få tilgang til forskjellige nettsteder og andre informasjonslagre for å samle denne informasjonen, og sikrer at Deep Learning-algoritmen har massevis av data å forbedre.
Deep learning gjør det også mulig for roboter å utnytte fordelene med prediktiv analyse. Når RPA støter på unntak, kan den matche dem mot forventede eller uventede mønstre, og eliminere avhengighet av menneskelig intervensjon.
Når smarte roboter kan ta datadrevne beslutninger, kan de svare kundene på optimale måter. Et eksempel på disse applikasjonene innen RPA inkluderer sentimentanalyseverktøy som bruker naturlig språkbehandling (NLP) for å dekode forbrukernes stemninger. På sin side kan roboter modulere responsen deres for å slå en passende tone. Denne dynamikken kan gjøre mye for å overvinne gapet mellom empatisk menneskelig kundeservice og dets mekaniserte alternativ.
4. RPA og bildegjenkjenning
Sammenkobling av RPA med bildegjenkjenningsprogramvare er et annet eksempel på bruk av AI for å overvinne RPAs manglende evne til å håndtere rotete eller ustrukturerte data. I avisen Analyse og anvendelighet av kunstig intelligens-teknologier innen RPA-programvareroboter for automatisering av forretningsprosesser (Kanakov, 2022), forfatteren skisserer noen fascinerende bruk av RPA og bildegjenkjenning i forhold til automatisering av ansettelsesbakgrunnssjekker eller assistanse med svindeloppdagelse.
Andre brukstilfeller foreslått av Kanakov inkluderer bruk av ansiktsgjenkjenning for bygningssikkerhet, med RPA-verktøy koblet til kameraer. Applikasjonene er virkelig uendelige. For eksempel kan droner eller kameraer skanne et hvilket som helst antall miljøer for uregelmessigheter. Når det er oppdaget, kan et RPA-system rapportere problemene til relevante parter, og sikre rask utbedring.
5. RPA med Generativ AI
I en artikkel i Forbes, DELLs Clint Boulton bruker en fantastisk analogi når han sammenligner RPA og Generative AI. Han foreslår at «På et gallaarrangement sjekker RPA gjestelisten, teller billetter og overvåker ting som romkapasitet, oppvarming og belysning.» Deretter uttaler han, «I mellomtiden lager Generative AI reklame for arrangementet, skriver gratulasjonstaler for honorerte og har samtaler med hver gjest.»
Det som er så kraftig med denne analogien er at den perfekt fanger opp noe vi alle har observert det siste året eller så. Generativ AI er så interessant og kraftig at vi ikke kan la være å undre oss over produksjonen. Men uten at noen (RPA) sliter unna i bakgrunnen som utfører enkle oppgaver, kan det ikke være noen hendelse eller i det minste ikke en funksjonell en.
Per Gartner tilbyr Generative AI mange alternativer. Den kan raskt generere skriftlig innhold, bilder, videoer, musikk og til og med kode. Noen av mulighetene er umiddelbart åpenbare, for eksempel kundeservice i samtale.
Men forbedrede chatbots er bare begynnelsen; andre brukstilfeller for RPA og Generativ AI inkluderer å hjelpe RPA med å forstå ustrukturerte data i mange former og til og med utvide RPA med beslutningstaking, dataanalyse og mer.
6. Deltok på automatisering
Du kan dele automatisering i to kategorier: Tilstede og Uovervåket. Som du kanskje forventer, betyr Unattended Automation at boten utfører prosesser uten menneskelig innspill. Derimot beskriver Attended Automation oppgaver som krever menneskelig interaksjon under minst ett trinn på veien.
Det er noen måter dette kan fungere på. For eksempel kan den automatiserte prosessen kreve en manuell utløser. Alternativt kan ett av trinnene trenge sikkerhetslegitimasjon under prosessen. Imidlertid er mer komplekse orkestreringer mulig her takket være Robotic Desktop Automation (RDA).
Robotic Desktop Automation (RDA) er en form for Attended Automation. Men takket være AI-verktøy som ML og Optical Character Recognition, setter disse robotene dynamisk sammen flere arbeidsflytprosesser, og automatiserer konstant ulike oppgaver for en individuell bruker. I dette scenariet fungerer RDA-boten som en virtuell assistent, henter data, sender filer og genererer rapporter mens den menneskelige operatøren snakker med en kunde.
7. Selvhelbredende roboter
En State of RPA-undersøkelse fra 2022 avslørte et problem som påvirker noen virksomheter som tar i bruk RPA-løsninger. Over 69 % av respondentene antyder at de opplever en ødelagt RPA-bot hver uke. Enda verre, over 40 % antydet at det tar mer enn 5 timer å fikse boten deres, mens andre respondenter antyder at utbedring kan ta mer enn en dag.
Disse tallene er uakseptabelt høye. Undersøkelsen går imidlertid ikke inn på det spesifikke ved problemet. Vanlige årsaker til RPA-feil inkluderer inngangsendringer, roboter som støter på unntak, ufullstendige data, dårlig testing eller mangel på vedlikehold, for å nevne noen.
Selvhelbredende RPA beskriver et system som kan fikse seg selv uten innspill fra en menneskelig arbeider.
Selvhelbredende RPA-roboter er gjort mulig gjennom AI-algoritmer som overvåker ytelsen til den automatiserte oppgaven. Når det oppstår problemer, trer disse nyttige verktøyene i bruk, identifiserer årsaken og løser problemet. Fordelen er økt ytelse og mer oppetid.
8. Smart prosessering gruvedrift
Prosessgruvedrift i sammenheng med RPA innebærer oppdagelsen av oppgaver som bedrifter kan automatisere. Ved å bruke de avanserte analysemulighetene til AI, kan teamene mine forretningsarbeidsflyter for å finne oppgaver som kan automatiseres og lage prognoser om virkningen av denne automatiseringen.
Process mining bruker ML og dataanalyse. For eksempel bruker den programvare for skjermopptak for å fange opp arbeidsflytdata, og dele dem opp i trinn. Deretter kjører ML eller analyseverktøy modeller av disse oppgavene og finner områder som kan gjøres om til automatiserte prosesser. AI-verktøy gir bedrifter bedre oversikt og forståelse av oppgavene, slik at de kan identifisere avhengigheter, flaskehalser og ineffektivitet.
Sammenkobling av RPA og prosessutvinning sammen er veldig kraftig fordi det kan hjelpe bedrifter med å finne frem til prosesser som de ellers kanskje ikke oppdager. Det betyr at du kan få mer verdi fra RPA-investeringene dine og ytterligere forsterke de andre fordelene med RPA, som å redusere kostnader og øke produktiviteten.
Den andre tingen du kanskje legger merke til her er at prosessutvinning kan redusere oppdagelsestiden for passende RPA-prosesser. Det betyr at implementeringen din kommer i gang mye raskere.
9. Automatisering av programvaretesting
Programvareutviklere og utgivere har levert noe av den mest forstyrrende teknologien vi har de siste tiårene. Imidlertid har industrien deres selv også gjennomgått noe av en revolusjon. DevOps og Agile-metoder har hjulpet utviklere med å møte etterspørselen etter lynraske, kontinuerlig forbedrende produkter, mens CI/CD-pipelines også bidrar til raskere tid til markedet.
RPA er et fantastisk verktøy for spesifikke typer programvaretesting. McKinsey antyder at neste generasjons programvareutvikling er like bak AI når det gjelder de største teknologiske trendene for 2023. Programvaretestingsautomatisering, drevet av både RPA og AI, vil være i forkant av denne trenden, med generativ AI-skrivekode og ikke-tekniske team som blir ønsket velkommen til folden takket være verktøy uten kode.
Som konsulentfirmaets partner, Santiago Comella-Dorda, antyder: «Utviklere er kanskje en av de mest verdifulle eiendelene for den moderne digitale virksomheten, men de bruker godt over 40 prosent av tiden sin på repeterende, lavverdioppgaver som enkelt kan gjøres. automatisert med et moderne verktøysett.»
10. RPA Intelligent Automation
Artificial Intelligence Robotic Process Automation, også kalt Intelligent Process Automation (IPA), anses å være det neste trinnet i automatisering. Det krever RPA og legger til kognitive evner gjennom AI. Den kan omfatte RPA med alle eller noen av de andre AI-teknologiene som er oppført ovenfor.
I en IBM-undersøkelse blant C-Suite-ledere90 % av respondentene foreslo at Intelligent Automation hjalp dem med å prestere «over gjennomsnittet når det gjelder å håndtere organisasjonsendringer som svar på nye forretningstrender.» Denne følelsen taler for RPA og AIs evne til å skape smidige og robuste løsninger som kan tilby et genuint konkurransefortrinn.
Bevis på RPA og AIs makt til å få til organisatoriske endringer kan finnes i næringslivets respons på COVID-19-pandemien. Bruken av robotprosessautomatiseringsteknologi for å sikre forretningsprosesser under COVID-19-pandemien (Siderska, 2021) viste hvordan 60 % av de studerte polske virksomhetene var i stand til å implementere forretningskontinuitet takket være RPA-verktøy. I henhold til studien var AI og Analytics viktige bidragsytere.
I en fersk Gartner-undersøkelse, avslørte hele 80 % av lederne sin tro på at automatisering kan brukes på enhver forretningsprosess. Denne statistikken er et bemerkelsesverdig bevis på kraften til RPA når den brukes med AI. Det er umulig å forestille seg at tallet kan være så høyt uten utvidelsen av RPA med AI.
Når det gjelder fremtiden, forskning på nevromorf prosessering — et informasjonsbehandlingssystem som er basert på hjernestruktur — kan føre til større kognisjon og maskinintelligens. Det som er så spennende med denne horisonten er at disse intelligensmodellene krever langt mindre treningsdata, noe som betyr at de kan være tilgjengelige for bedrifter.
Hvordan AI-drevet RPA vil endre fremtiden
av arbeid og samfunn
AI prosessautomatiseringsverktøy blir akkurat varmet opp. Her er noen områder hvor AI vil påvirke automatisering ytterligere.
1. Industri 4.0
Den første industrielle revolusjonen ble drevet av damp, den andre av elektrisitet. Den tredje industrielle revolusjonen ble aktivert av digitale teknologier på 1970-tallet. Når det kommer til den fjerde industrielle revolusjonen, også kjent som Industry 4.0, er det flere teknologiske kandidater, som Digital Twins, Virtual Reality, Internet of Things (IoT), AI og ML, og til og med 3D-utskrift.
Imidlertid en IMD Global Supply Chain Survey fra 2022 avslører en bekymringsfull sannhet. Av de mer enn 200 produksjonslederne som ble intervjuet, var det svært få som oppførte Industry 4.0-relatert teknologi som en stor prioritet. Dette er langt fra 2019 da 68 % av respondentene i en McKinsey-undersøkelse antydet at Industry 4.0 var en topp strategisk prioritet.
I forskningsoppgaven Robotisk prosessautomatisering og kunstig intelligens i industrien 4.0 – En litteraturanmeldelse (Riberio, 2021), uttaler forfatteren at «gitt omfanget av anvendeligheten til AI, har RPA gradvis lagt til, til automatiseringsfunksjonene, implementeringer av algoritmer eller AI-teknikker brukt i visse sammenhenger (f.eks. Enterprise Resource Planning, Accounting, Human Resources) for å klassifisere, gjenkjenne, kategorisere osv.
Ettersom teknologien fortsetter å utvikle seg, vil nye verktøy og muligheter hjelpe Industry 4.0 til å bli en AI-drevet virkelighet.
2. Hyperautomatisering
Hyperautomatisering er den naturlige utviklingen av automatisering. I stedet for å automatisere en bestemt oppgave eller forretningsprosess, søker den imidlertid å utvide automatiseringsmulighetene på tvers av hele organisasjonen. Den endelige versjonen vil være en fullstendig tilkoblet og stort sett autonom virksomhet der arbeidsflyter og beslutninger vil være strømlinjeformede, smidige og robuste.
Hyperautomatisering innebærer en blanding av flere teknologier. Dette inkluderer:
- RPA
- AI
- Business Process Automation (BPA)
- ML
- Intelligent dokumentbehandling (IDP)
- Arbeidsflyt orkestrering
- Prosess gruvedrift
- Naturlig språkbehandling (NLP)
- Digital tvilling av en organisasjon (DTO)
- Samtale RPA
- Datasyn RPA
Som det står i avisen Hyperautomatisering for forbedring av automatisering i bransjer (Haleem, 2021), «Gjennom en blanding av automatiseringsteknologier kan hyperautomatisering overvinne noen begrensninger for en enkelt automatiseringsenhetsmetode. Dette tillater bedrifter å overskride grensene for hver prosess og automatisere nesten enhver vanskelig og skalerbar operasjon.»
3. Mindre avhengighet av eksperter
Bommen innen programvareutvikling de siste årene har avdekket et problem. Mens etterspørselen etter apper og mobilteknologi vokste, slet tilbudet med å henge med. Programvareutviklere var mangelvare, noe som betyr at mange stillinger ble ubesatt i flere måneder.
Med prestisjefylte, sekssifrede jobber som venter på kvalifiserte kandidater, kan du bli tilgitt for å tro at folk ganske enkelt ville omskolere seg og høste fruktene. Skoler og universiteter ble også undersøkt, med regjeringer som antydet at de ikke gjorde nok for å oppmuntre til STEM-fag. Realiteten er imidlertid at koding er vanskelig. Bare en liten del av befolkningen har egnethet til jobben.
Ettersom verdenen vår blir stadig mer digital, kan mangelen på koder godt bli sett på som en advarsel som vi ikke tok hensyn til. Heldigvis kan AI-drevet automatisering gi motgiften til dette problemet.
Lederstillinger krever en blanding av lederegenskaper og dyp fagkunnskap. Lesing og læring er bare en del av det som gjør ledere og seniorteammedlemmer verdifulle for en organisasjon. Men etter hvert som flere bransjer omfavner teknologi, vil denne talentmassen bli tappet.
AI-analyse kan bruke enorme mengder historiske data for å finne innsikt og underliggende relasjoner og komme med spådommer. Disse verktøyene vil bidra til å bygge bro over erfaringsgapet. Det kan også tjene til å demokratisere den kloke beslutningstakingen som tidligere var forbeholdt virksomheter med enorme budsjetter.
Mens erfarne beslutningstakere og strateger aldri vil gå av moten, vil en hyperautomatisert virksomhet drevet av Machine Learning (ML) og dataanalyse kjøre døgnet rundt, og ta valg basert på faktorer som ingen mennesker bevisst kunne vurdere.
McKinsey antyder at automatisering av kunnskapsarbeid nå er i sikte. Juss, økonomi, utdanning, kunst og teknologi vil alle oppleve forstyrrelser som tidligere ble ansett bare for å sette mindre kvalifiserte jobber i fare. Hva dette betyr for den generelle arbeidsstyrken er imidlertid ennå ikke bestemt.
4. Større statlig effektivitet
Offentlige utgifter er et evig stridsspørsmål. Over hele verden har demokratiske administrasjoner et rykte for oppblåsthet og feilaktige utgifter. Per forskning fra det anerkjente Brookings Institute , amerikanske myndigheter omfavner AI og RPA.
Så forskjellige avdelinger som Food and Drug Administration, Social Security, Defense Logistics Agency og Treasury Department har tatt i bruk AI og RPA for å øke produktiviteten og redusere kostnadene for deres essensielle tjenester. Videre, a undersøkelse fra American Council for Technology og Industry Advisory Council (ACT-IAC) viser brukstilfeller fra rundt et dusin offentlige organisasjoner.
En mer effektiv og kostnadseffektiv regjering kan ha en transformativ effekt på samfunnet som helhet. Tjenester kan bli mer effektive, og skatter kan overføres til programmer som kan endre livet til millioner. Imidlertid fremhever denne utbredte adopsjonen viktigheten av å eliminere skjevhet i kunstig intelligens, spesielt hvis verdensomspennende myndigheter bruker teknologien til å drive politiske beslutninger.
Siste tanker
AI har hatt en dyp innvirkning på RPA-teknologi. Tidlige automatiseringsverktøy var i stand til å håndtere mange av de utenjordiske og dagligdagse oppgavene på arbeidsplassen. Men etter hvert som den kollektive appetitten for automatisering vokste, traff RPA sine grenser. AI slår ned disse barrierene.
Å kombinere RPA og AI utvider potensialet til begge verktøyene. Bedrifter høster allerede fruktene av Intelligent Automation, som å forbedre kundeservicen, øke organisasjonseffektiviteten og redusere driftskostnadene. AI har åpnet omfanget av RPA på måter som virket usannsynlige for bare et tiår siden.
Historien om robotprosessautomatisering og AI stopper imidlertid ikke her. Ytterligere gevinster vil komme når vi beveger oss mot hyperautomatiseringens æra. Det kommer til å bli en vill tur, så ikke bli etterlatt.
