Haal meer automatiseringswaarde met AI:uw AI Playbook (deel 2)

Robotic process automation (RPA) is nog maar het begin:het is de basis, maar niet de bestemming, van uw automatiseringsprogramma.

In deel één heb je geleerd hoe je kunt testen of je automatiseringsprogramma en je bedrijf klaar zijn voor kunstmatige intelligentie (AI). In dit bericht duik ik in de kern van de zaak:hoe jij en je automatiseringsteam AI op de begane grond kunnen implementeren.

AI-modellen zijn zowel een versneller als een vermenigvuldiger voor uw automatiseringsprogramma.

De ROI voor een RPA-investering varieert van 30% tot 200% in het eerste jaar, volgens casestudies van Leslie Willcocks, hoogleraar technologie, werk en globalisering aan het Department of Management van de London School of Economics. Onder UiPath-klanten hebben we gezien dat bedrijven binnen een maand ROI bereikten (DHL Global Forwarding, Freight), een ROI van 2:1 behalen (Postbank) en meer.

En rendement is nog maar het begin:bedrijven hebben voordelen gevonden in verhoogde productiviteit, verbeterde medewerkersbetrokkenheid en minder fouten. Stelt u zich dan eens voor wat het toevoegen van cognitieve intelligentie aan uw automatiseringssuite kan doen. Foutafhandeling? Uitzonderingen? Mens in de lus? AI kan helpen.

In een webinar over het AI Playbook (gehouden tijdens onze AI-top), voegde Brian Klochkoff, hoofd automatisering voor Amerika bij dentsu international, me bij om uit te leggen hoe het toevoegen van AI-modellen aan uw automatiseringsprogramma kan worden ontgrendeld en waarde kan creëren.

Ontwerp een ondersteuningsplan voor AI-uitvoering

In deel één van deze serie artikelen hebben we je laten zien hoe je AI kunt demystificeren en mensen kunt betrekken bij de mogelijkheden van AI. We hebben ook besproken hoe we de argumenten voor investeren in AI kunnen aantonen. Als je eenmaal je stakeholders hebt gewonnen, wil je dat momentum niet verspillen. Zorg ervoor dat je klaar bent om te starten met een uitvoeringsplan dat uit de volgende elementen bestaat.

AI-governance en ethiek

Governance en ethiek voor AI is een relatief nieuw veld, dus het pad voorwaarts is niet platgetreden. Veel bedrijven en overheidsinstanties zijn nog bezig met het uitwerken van hoe governance eruit ziet, vooral als het gaat om ethische overwegingen.

Voor het grootste deel werkt een typisch centre of excellence (CoE)-governancemodel echter net zo goed voor AI als voor RPA. De sleutels, die ook belangrijk zijn voor een RPA CoE, zijn het opstellen van regels voor verantwoording, transparantie en eerlijkheid.

Hoe voorkom je bijvoorbeeld systemische vooroordelen vanuit je model en data? Je hebt controlepunten nodig waarmee je beslissingen kunt herleiden tot een mens, een robot of een combinatie van beide. Dit deel van uw ondersteuningsplan voor de uitvoering bevat ook regels over gegevensprivacy en cyberbeveiliging.

We stellen bestuur en ethiek bovenaan omdat bestuur en ethiek een toegewijde inspanning moeten zijn van het team dat AI uitvoert. Alles minder dan topprioriteit creëert een risico dat uw bedrijf niet wil nemen.

Bedieningsmodel

We hebben meerdere keren over het automatiseringsmodel geschreven, waaronder:

• De voordelen van het ontwerpen van een

• Overwegingen bij het samenstellen van een team

• Optimaliseren voor uw volledige automatiseringspotentieel

Als het op AI aankomt, moet de kern van uw bedrijfsmodel een multifunctioneel team zijn. Dit multifunctionele team bestaat uit mensen uit de business, data-analyse, RPA en support. Het is belangrijk dat u uw bedrijfsmodel zo ontwerpt dat er geen silo's zijn. Uw interactiekanalen moeten efficiënt zijn, met volop mogelijkheden voor samenwerking.

Bepaal in een vroeg stadium of u modellen in huis gaat bouwen of kant-en-klare modellen gaat gebruiken. Deze beslissing is van invloed op uw infrastructuurvereisten en uw middelen, waar we in de volgende twee secties op in zullen gaan.

Idealiter heeft uw bedrijfsmodel een structuur die de integratie van nieuwe technologieën mogelijk maakt zodra ze opkomen en wanneer u ze kunt toepassen. Integratie en adoptie moeten passen binnen de realiteit van uw softwareontwikkelingslevenscyclus (SDLC) en de eisen van governance.

Bij dentsu, volgens Klochkoff:"We zien het bedrijfsmodel als de wikkel rond al deze dingen." Als zodanig richt dentsu zich op het creëren van uitgebreide documentatie en het publiceren die transparant werken op het intranet van het bedrijf. "Mensen kunnen begrijpen waar we voor staan ​​en hoe ze betrokken kunnen raken."

Infrastructuur en ondersteuning

Zodra u governance en operations hebt bepaald, wilt u nadenken over infrastructuur. Ga je je AI-platform on-premises, air-gapped of in de cloud hosten? Waar ga je de machine neerzetten? Hoe ga je de gegevens hosten die deze AI-modellen voeden? Je zult hier ook willen beslissen welke trainingsmethoden je gebruikt.

Afhankelijk van deze beslissingen zullen de doorlooptijd, de vereiste inspanning en het budget allemaal veranderen, dus maak ze zorgvuldig.

Bronnen vaardigheden

Nu uw infrastructuur is geregeld, wilt u evalueren hoe bekwaam uw huidige resources zijn en welke lacunes in de vaardigheden er zijn. Uw belangrijkste bron zijn RPA-ontwikkelaars die kunnen bijscholen en leren AI op RPA toe te passen. Datawetenschappers zullen ook een sleutelrol spelen, het ideale scenario met een team waarin RPA-ontwikkelaars en datawetenschappers nauw samenwerken.

Afhankelijk van uw eerdere beslissingen, zult u waarschijnlijk in staat zijn om huidige werknemers bij te scholen, maar denk ook goed na over het inhuren van buitenaf. Je hebt een mix van middelen nodig om de gewenste resultaten te krijgen.

dentsu heeft persona's opgebouwd rond wie in hun team betrokken is bij de CoE, welke vaardigheden ze hebben, waar ze naartoe werken en welke certificeringen ze hebben. Klochkoff ziet hun werk uitmonden in een 'cross-functionele gemeenschap'. dentsu wil een leerpad creëren – beheerd door governance – dat werknemers in staat stelt hun huidige vaardigheden uit te breiden.

Klochkoff benadrukte dat "technologie zo snel evolueert dat het soms moeilijk is om [je] eigen kennis bij te houden." Hij raadt aan om minstens één keer per week te pauzeren om je team de tijd te geven om de release-opmerkingen, webinars en whitepapers bij te praten. "We hebben dat niet altijd gedaan", waarschuwde Klochkoff, "en het betekende dat we een deel van de functionaliteit misten die we in onze oplossingen konden insluiten."

Integreer AI in uw bestaande RPA-programma

Met een operationeel ondersteuningsplan voor de uitvoering, bent u klaar om te beginnen met integreren. De sleutels tot het integreren van AI zijn tweeledig:laat uw RPA- en data-analyse-CoE's samenwerken en pas uw softwareontwikkelingscyclus aan om AI op te nemen.

Moedig uw twee CoE's aan om samen te werken

CoE's vallen meestal in een van twee modellen, die elk verschillende samenwerkingsstrategieën vereisen.

In een individueel CoE-model rapporteren individuele RPA- en data-analyse CoE's aan verschillende afdelingen. Over het algemeen werken de CoE's apart en onafhankelijk.

Om een ​​betere samenwerking tot stand te brengen, kan de RPA CoE proactief contact opnemen met de CoE voor gegevens en analyse. Samen kunnen ze zakelijke use-cases vinden die profiteren van hun synergie. Hiervoor kan het nodig zijn RPA aan het data-analyseteam uit te leggen, maar de voordelen van dat wederzijds begrip zijn enorm.

In een enkelvoudig CoE-model omvat een enkele CoE alle automatiseringstechnologieën en rapporteert aan één lead, meestal een Chief Digital Officer of Chief Automation Officer. CoE-leiders kunnen deze consolidatie gebruiken om de CoE te concentreren op een mandaat om te automatiseren.

Er is niet één correct model voor alle organisaties. U moet de voor- en nadelen van elk model afwegen, samen met uw doelen en waar u zich bevindt in uw automatiseringstraject, om te bepalen welk model het beste is voor uw organisatie.

Naarmate bedrijven echter meer automatiseringstechnologieën toevoegen, evolueren individuele CoE-modellen in de loop van de tijd naar enkelvoudige CoE-modellen.

Omdat ze waarde toonden en dit aan leiders en operationele leiders duidelijk maakten, konden ze uitleggen hoe AI de menselijke-in-the-loop-uitdagingen verkleinde en het vermogen van automatisering uitbreidde om 'meer complexe problemen' aan te pakken.

Zodra bedrijven een portfolio van AI- en automatiseringstechnologieën hebben, is het normaal om na te denken over hoe ze deze harmonieus kunnen maken.

Pas de levenscyclus van uw softwareontwikkeling aan

Als u een individueel CoE-model gebruikt, heeft de SDLC de orkestratie van beide CoE's nodig om optimaal te kunnen werken. Over het algemeen volgen beide technologieën dezelfde SDLC, maar de subtiele nuances veranderen hoe je het beste kunt orkestreren. Om een ​​structuur te introduceren die geschikt is voor AI, focus je op de volgende zes componenten.

• Identificeren: begin met het zakelijke probleem, niet de technologische oplossing. Breng RPA, datawetenschappers en zakelijke gebruikers samen - idealiter in dezelfde ruimte - om problemen te identificeren die passen bij AI-oplossingen. Bepaal voordat u iets anders doet of het gebruik van RPA en UiPath AI Center het probleem zal oplossen. En als je vaststelt dat AI Center past, zoek dan uit wat het machine learning-model (ML) zou moeten oplossen.

• Ontwerp: de gelaagdheid van AI vereist ontwerpoverweging. Bepaal wanneer u begint met ontwerpen of uw RPA-ontwikkelaars hun RPA-oplossingen anders moeten ontwerpen met de toevoeging van ML. Daarnaast wilt u uw datateam vragen welke gegevensvoorbereiding hun ML-modellering nodig heeft.

• Ontwikkelen :in dit stadium kunt u uw RPA- en datawetenschapper-teams laten divergeren en hun individuele componenten maken, zolang ze hun respectievelijke DevOps-beleid en -procedures volgen. Bepaal het niveau van orkestratie dat nodig is tussen uw CoE voor gegevens en analyse en uw RPA CoE. Weet in de end-to-end workflow hoe de input van de ene technologie de output van de volgende technologie zal creëren.

• Testen :zorg ervoor dat uw gebruikersacceptatietester, evenals uw CoE's, weten wat ze kunnen verwachten in elke fase van de SDLC. RPA is meestal eenvoudig, dus testen is definitief. Je gaat voorbij of niet. ML gaat over geleidelijke verbetering, dus modellen bevatten een betrouwbaarheidsdrempel die in de loop van de tijd zal verbeteren.

• Implementeren :de opmars van moderne automatiseringstechnologieën heeft AI Ops gemakkelijker gemaakt dan in de afgelopen jaren. Bepaal of de RPA CoE de implementatie van AI-modellen naar AI Center afhandelt. Werk uw implementatiecontrolelijst bij om ervoor te zorgen dat er controles zijn uitgevoerd. De daadwerkelijke implementatie is nu vrij eenvoudig.

• Behouden :bepaal hoe uw teams de effecten van externe wijzigingen mitigeren en beheren, en bepaal welk team AI-modellen onderhoudt na implementatie. In RPA weet iedereen of de robot draait; bepalen of een ML-model de "verkeerde" beslissing neemt, is moeilijk. Mogelijk moet u een dashboard maken dat het vertrouwen bijhoudt en waarschuwingen activeert als het vertrouwen onder een bepaalde drempel daalt.

Hoewel de RPA en AI SDLC's veel overeenkomsten vertonen, maken de verschillen het verschil.

Breng uw automatiseringsstrategie naar een hoger niveau door AI te integreren

AI brengt uw automatiseringsstrategie naar een hoger niveau. Het integreren van AI vereist zowel organisatorische als technologische vaardigheden, maar de voordelen van die integratie zullen enorm zijn. Uw SDLC, uw RPA en CoE's voor gegevensanalyse, uw automatiseringsprogramma:ze vereisen allemaal een duidelijke en zorgvuldige herevaluatie voordat AI wordt geïntroduceerd.

Bekijk de volledige opname van het AI Playbook-webinar voor meer informatie over AI-modellen en over best practices op het gebied van AI en automatisering.