Automatiserings-ROI maximaliseren met AI: Het Playbook (Deel 2)

Robotic process automation (RPA) is slechts het begin – het is de fundering, maar niet de bestemming, van uw automatiseringsprogramma.

In deel één leerde u hoe u kunt testen of uw automatiseringsprogramma en uw bedrijf klaar zijn voor kunstmatige intelligentie (AI). In deze post duik ik in de details: hoe u en uw automatiseringsteam AI op grondniveau kunt implementeren.

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

De ROI voor een RPA-investering varieert van 30% tot 200% in het eerste jaar, volgens case studies gedaan door Leslie Willcocks, professor technologie, werk en globalisering aan de London School of Economics' Department of Management. Bij UiPath-klanten hebben we bedrijven gezien die ROI bereikten in slechts één maand (DHL Global Forwarding, Freight), een 2:1 ROI bereikten (Postbank), en meer.

En een rendement is slechts het begin: bedrijven hebben voordelen gevonden in verhoogde productiviteit, verbeterde werknemersbetrokkenheid en verminderde fouten. Verbeeld u dan wat het toevoegen van cognitieve intelligentie aan uw automatiseringssuite kan doen. Foutafhandeling? Uitzonderingen? Human in the loop? AI kan helpen.

In een webinar over de AI Playbook (gehouden tijdens onze AI Summit), voegde Brian Klochkoff, Head of Automation for Americas bij dentsu international, zich bij mij om uit te leggen hoe het toevoegen van AI-modellen aan uw automatiseringsprogramma waarde kan ontgrendelen en creëren.

Een AI-uitvoeringsondersteuningsplan ontwerpen

In deel één van deze artikelserie lieten we u zien hoe u AI kunt demystificeren en mensen kunt betrekken bij de mogelijkheden van AI. We bespraken ook hoe u het belang van investeren in AI kunt demonstreren. Zodra u uw stakeholders overtuigt, wilt u die momentum niet verspillen. Zorg ervoor dat u klaar bent om te rennen met een uitvoeringsplan dat uit de volgende elementen bestaat.

AI-governance en ethiek

Governance en ethiek voor AI is een relatief nieuw veld, dus de weg vooruit is niet goed betreden. Veel bedrijven en overheidsinstanties werken nog uit hoe governance eruitziet, vooral wat betreft ethische overwegingen.

Voor het grootste deel werkt echter een typisch center of excellence (CoE) governance-model even goed voor AI als voor RPA. De sleutels, die ook belangrijk zijn voor een RPA CoE, zijn om regels te bouwen voor verantwoordelijkheid, transparantie en eerlijkheid.

Hoe voorkomt u systemische biassen uit uw model en data, bijvoorbeeld? U moet controlepunten hebben die u in staat stellen beslissingen terug te traceren naar een mens, een robot, of een mengsel van de twee. Dit deel van uw uitvoeringsondersteuningsplan zal regels over dataprivacy en cyberbeveiliging omvatten.

We zetten governance en ethiek bovenaan omdat governance en ethiek een toegewijde inspanning moeten zijn van het team dat AI uitvoert. Alles minder dan top-prioriteit creëert een risico dat uw bedrijf niet wil aan gaan.

Operationeel model

We hebben meerdere keren geschreven over het automatiseringsoperationele model, inclusief:

• De voordelen van het ontwerpen van er eentje
• Overwegingen bij het bouwen van een team
• Optimaliseren voor uw volledige automatiseringspotentieel

Wat AI betreft, moet de kern van uw operationele model een cross-functioneel team zijn. Dit cross-functionele team omvat mensen van het business, data analytics, RPA en support-kanten. Het is belangrijk dat u uw operationele model zo ontwerpt dat er geen silo's zijn. Uw interactiekanalen moeten efficiënt zijn, met veel mogelijkheden voor samenwerking.

Bepaal vroeg of u modellen in-house gaat bouwen of pre-built modellen gaat gebruiken. Deze beslissing zal uw infrastructuurvereisten en uw resources beïnvloeden, waar we in de volgende twee secties op ingaan.

Ideaal heeft uw operationele model een structuur die de integratie van nieuwe technologieën mogelijk maakt naarmate ze opduiken en naarmate u in staat bent ze te adopteren. Integratie en adoptie moeten opereren binnen de realiteiten van uw software development lifecycle (SDLC) en de eisen van governance.

Bij dentsu, volgens Klochkoff, "Zien we het operationele model als de wrapper om al deze dingen heen." Als zodanig richt dentsu zich op het creëren van uitgebreide documentatie en het publiceren van dat werk, transparant, op het intranet van het bedrijf. "Mensen kunnen begrijpen wat we doen en hoe ze betrokken kunnen raken."

Infrastructuur en ondersteuning

Zodra u governance en operaties bepaalt, wilt u nadenken over infrastructuur. Ga u uw AI-platform on-premises, air-gapped of in de cloud hosten? Waar ga u de machine opzetten? Hoe gaat u de data hosten die die AI-modellen voedt? U wilt hier ook beslissen welke methoden u voor training gebruikt.

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

Resource-vaardigheden

Met uw infrastructuur geregeld, wilt u evalueren hoe vaardig uw huidige resources zijn en welke vaardigheidsgaten er kunnen zijn. Uw kernresource zullen RPA-ontwikkelaars zijn die kunnen upskillen en leren AI toe te passen op RPA. Data scientists zullen ook sleutelrollen spelen, het ideale scenario betreft een team waar RPA-ontwikkelaars en data scientists nauw samenwerken.

Afhankelijk van uw eerdere beslissingen, zult u waarschijnlijk in staat zijn om huidige werknemers te upskillen, maar denk ook zorgvuldig over buiten te huren. U hebt een mix van resources nodig om de resultaten te krijgen die u wilt.

Dentsu bouwde persona's rond wie op hun team betrokken is bij de CoE, welke vaardigheden ze hebben, waaraan ze werken, en welke certificeringen ze hebben. Klochkoff ziet hun werk geculmineerd in een "cross-functionele community." Dentsu wil een leerpad creëren – beheerd door governance – dat werknemers in staat stelt hun huidige vaardighedenset te augmenteren.

Klochkoff benadrukte dat "technologie evolueert met zo'n snelheid dat het moeilijk is om bij uw eigen kennis bij te blijven." Hij adviseert u om tenminste één keer per week te pauzeren om uw team tijd te geven om release notes, webinars en white papers in te halen. "We deden dat niet altijd," waarschuwde Klochkoff, "en het betekende dat we sommige functionaliteit misten die we in onze oplossingen hadden kunnen insluiten."

AI integreren in uw bestaande RPA-programma

Met een uitvoeringsondersteuningsplan operational, bent u klaar om te integreren. De sleutels tot het integreren van AI zijn tweevoudig: laat uw RPA- en data analytics-CoE's samenwerken en pas uw softwareontwikkelcyclus aan om AI te omvatten.

Moedig uw twee CoE's aan te collaboreren

CoE's neigen ertoe in een van twee modellen te vallen, elk vereist andere samenwerkingsstrategieën.

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

Om grotere samenwerking te bereiken, kan de RPA-CoE proactief contact opnemen met de data- en analytics-CoE. Samen kunnen ze business use cases vinden die profiteren van hun synergie. Dit kan het uitleggen van RPA aan het data-analytics-team vereisen, maar de voordelen van die wederzijdse begrip zijn immens.

In een singulier CoE-model, omvat een enkele CoE alle automatiseringstechnologieen en rapporteert aan één lead – typisch een chief digital officer of chief automation officer. CoE-leiders kunnen deze consolidatie benutten om de CoE te richten 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 bent in uw automatiseringsreis, om te bepalen welk model het beste is voor uw organisatie.

In de loop van de tijd, naarmate bedrijven meer automatiseringstechnologieën toevoegen, neigen individuele CoE-modellen ertoe te evolueren naar singuliere CoE-modellen.

Zodra ze waarde demonstreerden en die artikuleerden naar leiders en operatiele leads, waren ze in staat uit te leggen hoe AI human-in-the-loop-uitdagingen mitigateerde en de capaciteit van automatisering uitbreidde om "meer complexe problemen" aan te pakken.

Zodra bedrijven een portfolio van AI- en automatiseringstechnologieën hebben, is het natuurlijk om te beginnen nadenken over hoe ze ze harmonieuzer kunnen maken.

Uw software development lifecycle aanpassen

Als u een individueel CoE-model gebruikt, heeft de SDLC voor piekeffectiviteit de orchestratie van beide CoE's nodig. Over het algemeen zullen beide technologiiën dezelfde SDLC volgen, maar de subtiele nuances veranderen hoe u het beste kunt orchestreren. Om een structuur te introduceren die AI kan accommoderen, focus op de volgende zes componenten.

• Identificeren: begin met het zakelijke probleem, niet de technologische oplossing. Breng RPA, data scientists en business users samen – ideaal in dezelfde kamer – om problemen te identificeren die geschikt zijn voor AI-oplossingen. Voordat u iets anders doet, bepaal of het gebruik van RPA en UiPath AI Center het probleem oplost. En als u bepaalt dat AI Center past, zoek uit wat het machine learning (ML) model moet oplossen.
• Ontwerpen: de lagen van AI vereisen ontwerpoverwegingen. Naarmate u begint met ontwerpen, bepaal of uw RPA-ontwikkelaars hun RPA-oplossingen anders moeten ontwerpen met de toevoeging van ML. Bovendien wilt u uw data-team vragen welke data-voorbereiding hun ML-modellering nodig zal hebben.
• Ontwikkelen: in deze fase kunt u uw RPA- en data scientist-teams laten uiteengaan en hun individuele componenten maken zolang ze hun respectievelijke DevOps-beleidsregels en -procedures volgen. Bepaal het niveau van orchestratie dat nodig is tussen uw data- en analytics-CoE en uw RPA-CoE. Weet, in de end-to-end workflow, hoe de input van de ene technologie de output van de volgende technologie creëert.
• Testen: zorg ervoor dat uw user acceptance tester, alsook uw CoE's, weten wat ze op elk stadium van de SDLC mogen verwachten. RPA neigt ertoe straightforward te zijn, dus testen is definitief. U slaagt of niet. ML gaat over graduele verbetering, dus modellen omvatten een vertrouwensdrempel die zich in de loop van de tijd verbetert.
• Implementeren: de vooruitgang van moderne automatiseringstechnologieën heeft AI Ops makkelijker gemaakt dan in jaren verleden. Bepaal of de RPA-CoE de implementatie van AI-modellen naar AI Center afhandelt. Werk uw implementatie-checklijst bij om ervoor te zorgen dat controles aanwezig zijn. De daadwerkelijke implementatie is nu vrij simpel.
• Onderhouden: bepaal hoe uw teams de effecten van externe veranderingen mitigeren en managen, en bepaal welk team AI-modellen na implementatie onderhoudt. In RPA weet iedereen of de robot draait; bepalen of een ML-model de "verkeerde" beslissing neemt is moeilijk. U moet misschien een dashboard creëren die vertrouwen trackt en alerts triggert als vertrouwen onder een bepaalde drempel daalt.

Hoewel de RPA- en AI-SDLC's veel overeenkomsten delen, zijn de verschillen wat het verschil maakt.

Breng uw automatiseringsstrategie naar een hoger niveau door AI te integreren

AI zal uw automatiseringsstrategie naar een hoger niveau tillen. Het integreren van AI vereist organisatorische vaardigheden alsook technologische vaardigheden, maar de voordelen van die integratie zullen enorm zijn. Uw SDLC, uw RPA- en data analytics-CoE's, uw automatiseringsprogramma – allen vereisen duidelijke en zorgvuldige heroverweging voor de introductie van AI.

Om meer te leren over AI-modellen en AI- en automatiseringsbest practices, bekijk de volledige AI Playbook webinar-opname.