RPA's Evolutie Naar AI: De Toekomst Van Business-IT Alignment Aandrijven

'De use cases van intelligente automatisering zullen ook blijven groeien naarmate nieuwe AI-technieken en oplossingen op de markt komen, het toekomstige werkplek radicaal veranderend.'

Robotische procesautomatisering (RPA) heeft ons een heel eind gebracht naar het ontgrendelen van productiviteitsvoordelen vastgepind in handmatige processen de afgelopen jaren en een mindset gegalvaniseerd dat dingen kunnen veranderen zonder behoefte aan massive systeem her-engineering.

Wanneer complete verandering geen realistische optie is voor organisaties, kan RPA fungeren als katalysator om bedrijven te helpen vooruitgang te boeken en waarde toe te voegen, hen in staat stellend strategische plannen te bouwen rond investeringen die ze al in hun legacy-systemen hebben gedaan.

De expansie naar kunstmatige intelligentie (AI) is de volgende stap van deze granulaire, snellere vorm van transformatie, met steeds meer zakelijke activiteiten die geheel of gedeeltelijk geautomatiseerd worden door steeds meer geavanceerde middelen. Dit wordt veelvuldig aangeduid als cognitieve RPA of, CRPA.

Dus, wat zijn enkele real-world use cases die RPA en AI combineren in bredere intelligente automatiseringsoplossingen?

Procesontdekking

Naarmate nieuwe digitale technologieën op de markt komen, worden zakelijke professionals geconfronteerd met de uitdaging om precies te begrijpen waar oplossingen waardevol kunnen zijn om efficiëntie te drijven en een business case te ontwikkelen voor implementatie.

Vaak zul je intuitief weten waar er on-efficiënties zitten, maar dit moet ondersteund worden door een meer evidence-based, bottom-up blik op wat er gebeurt over een bedrijfs IT-systemen en apparaten om een sterke case voor investering te maken — dit is waar procesontdekking zo belangrijk is. Het verschil tussen perceptie van waar on-efficiënties liggen en wat er gebeurt binnen de systemenlandschap kan verrassend zijn.

Door analytics, machine learning en AI te benutten, kun je een evidence-based blik opbouwen van een organisatie's operationele processen, wat op zijn beurt een dieper begrip geeft van waar digitale technologieën toegepast kunnen worden — of dat nu systeemveranderingen zijn of de toepassing van RPA op procesuitzonderingen bijvoorbeeld. Het stelt je ook in staat om de voordelen van deze oplossingen te beoordelen zodra ze geïmplementeerd zijn.

Onbegestructureerde data managen

Ondanks de opkomst van digitale en robotica-oplossingen, blijft een significante uitdaging voor bedrijven het beheer van formulieren, correspondentie, contracten, en andere vrije tekstinhoud. Dit is met name het geval met extern materiaal zoals klant- of leverancierscontracten, wat de noodzaak creëert voor hoogst handmatige case management.

Dit is momenteel een van de sleutelgebieden waar bedrijven kijken om RPA uit te breiden in het AI-domein. In deze context is RPA de aggregator, de rauwe data ophalen die nodig is om de AI-componenten te voeden, of het nu gebaseerd is op computer vision, patroonmatching, classifiers of natural language processing. Eenmaal de AI-modules hun functies voltooid hebben, kan RPA dan gebruikt worden om de antwoorden in de doelsystemen te duwen.

RPA, ondersteund door diverse AI-modules, kan specifieke capaciteiten leveren om subjectieve verwerkingstaken uit te voeren die traditioneel door mensen worden uitgevoerd.

De conversationele interface

Volgens een studie uitgevoerd door Capgemini dit jaar, zijn spraakassistenten ingesteld om een dominante modus van consumenteninteractie te worden in de komende drie jaar — 24% zegt al dat ze chatbots en voicebots in plaats van een website zouden gebruiken. De golf van spraakassistenten zoals Google Assistant, Amazon Alexa en Apple's Siri transformeert klantrelaties dramatisch, en bedrijven gedwongen om te overwegen hoe ze deze kunnen benutten.

Om deze oplossingen binnen een bedrijf te deployen, hebben we een mechanisme nodig dat toegang opent tot een organisatie's applicatieboedel. Een voicebot of chatbot is natuurlijk alleen zo slim als de informatie die het kan extraheren en doorgeven aan zijn gebruiker. De manier waarop dit samenkomt, in dit voorbeeld, is door de robots in te zetten om de data op te halen en te leveren aan onze conversationele interface, nl., de chatbot, en zo de gestelde vraag te beantwoorden.

Dit wordt bereikt door de chatbot de abstracte vraag om te zetten in een reeks queries die door het RPA-systeem begrepen kunnen worden. De robot vraagt dan het(de) systeem(en) van registratie om relevante data-items op te halen, pakt ze en geeft het pakketje terug aan de chatbot, wat het in staat stelt om deze te reconstrueren in een natuurlijke taalrespons.

RPA is een cruciaal component in het openen van applicaties — met name die moeilijk te integreren zijn — en stelt ze in staat om deel te nemen in de nieuwe wereld van conversationele interfaces.

Snelheid tot inzicht

Alle bedrijven hebben een of andere vorm van datapijplijn die hun supply chains en magazijnen voedt. Ze zijn ontworpen om te proberen 100% van de benodigde data op regelmatige basis te leveren. Hoewel het meestal adequaat is voor rapportage, is het niet een voldoende compleet dataset voor analyse en inzichtsgeneratie.

Er is altijd een 'last mile' van aanvullende analyse vereist om een specifiek stuk inzicht te vangen. Dit verrijkt de dataset met data ter ondersteuning van root cause analyse van uitdagingen als maandafsluiting bijvoorbeeld.

RPA kan gebruikt worden om die last mile van extractie te ondersteunen, de aggregatie en datavoorbereiding leverend ter ondersteuning van de dynamische behoeften van rapportage, zonder te hoeven wachten op corporate IT om de datapijplijnen uit te breiden. Dit stelt ons op zijn beurt in staat om te voorspellen en dingen te doen die historisch moeilijk voor mensen zijn geweest.

We worstelen met voorspellen omdat we niet om kunnen gaan met de enorme volumes data. We worstelen met het narreren van grote hoeveelheden data die een veelvoud van lijnen van divisies of afdelingen bedekken. AI kan ingezet worden om te modelleren en voorspellen of natural language generation technieken te gebruiken om een grammaticaal correct, narratieve samenvatting van de bevindingen binnen een blok rauwe data te creëren in plaats van legers van mensen.

In veel van de use cases hierboven uiteengezet, blijven we in de heel vroege fasen van het benutten van de voordelen van RPA en haar expansie in AI. Echter, dat demonstreert alleen maar hoeveel RPA zal blijven evolueren en uitbreiden binnen bedrijven over de komende jaren.

De use cases van intelligente automatisering zullen ook blijven groeien naarmate nieuwe AI-technieken en oplossingen op de markt komen, het toekomstige werkplek radicaal veranderend. Voor bedrijven om deze technologie ten volle te benutten, moeten ze eerst begrijpen hoe deze oplossingen hun processen kunnen transformeren en strikte governance toepassen om ervoor te zorgen hun besluitvorming effectief is.

Als bedrijven trachten deze verbonden, maar granulaire oplossingen over hun organisaties te implementeren, zal het hen helpen een dual-speed transformatie te drijven, en een nieuw tijdperk van business en IT alignment zal volgen.