Robotic Process Automation är ett skenande tåg. Enligt Deloitte kommer tekniken att uppnå följande nästan universell användning 2025. Men bara för att RPA dominerar affärsvärlden betyder det inte att den kommer att sluta utvecklas.
Vi befinner oss i en spännande teknisk brytningstid. De senaste årens framsteg inom AI har varit häpnadsväckande. ChatGPT och andra former av generativ AI har fångat allmänhetens medvetande. Denna spännande teknik är dock bara ett uttryck för AI:s potential.
RPA är ett enkelt men effektivt verktyg. Konvergensen mellan RPA och AI ger dock oändliga möjligheter till innovation. AI-driven kundservice, analysbaserat beslutsfattande och automatisering av kunskapsarbete är bara några exempel på AI i RPA.
I takt med att tekniken utvecklas kommer Cognitive Robotic Process Automation att förändra arbetets karaktär på sätt som vi knappt kan föreställa oss. Låt oss utforska hur AI med RPA redan har flyttat fram gränserna för automatisering innan vi överväger dess framtida inverkan.
Gränserna för RPA
Den utbredda användningen av RPA är ett bevis på dess användbarhet. Tekniken har hjälpt otaliga företag att uppnå nya nivåer av produktion, effektivitet och noggrannhet genom att automatisera tidigare manuella uppgifter. Men som all teknik har den sina övre gränser.
1. Transaktionsautomation är svår att hantera
Även om RPA-robotar troget kommer att arbeta med processer behöver de lite hantering och underhåll. När till exempel in- eller utdata ändras måste robotarna konfigureras om för att hantera dessa något skiftande förhållanden. I dynamiska arbetsmiljöer kan detta ta resurser och tid i anspråk.
2. RPA kämpar med ostrukturerade data
RPA-verktyg är byggda för att utföra uppgifter med hjälp av if/then/else-logik. Därför är de beroende av förutsägbara datastrukturer. Alla variationer eller förändringar i indata orsakar fel eller undantag eftersom de ligger utanför de definierade värden som bot förväntar sig att få.
3. RPA innebär skalningsutmaningar
Delvis på grund av de skäl vi har listat ovan kan det vara svårt att skala upp dina RPA-processer. Varje process måste definieras tydligt, hanteras och underhållas, samtidigt som RPA:s bristande anpassningsförmåga också kan skapa problem.
Begränsningarna i RPA är inte något att oroa sig för. AI-assisterad RPA kan övervinna alla dessa begränsningar och samtidigt öppna upp för nya och spännande automatiseringsmöjligheter.
Så här har RPA med AI förändrat automatiseringen.
Robotic Process Automation och artificiell intelligens:
En perfekt matchning
RPA är till sin utformning ett enkelt och okomplicerat verktyg, åtminstone på användarnivå. Det är byggt för att vara tillgängligt för icke-tekniska team. Som sådan utför den de instruktioner den får på ett kontrollerat sätt. Det är upp till människor att identifiera dessa processer och ge RPA i uppdrag att utföra kommandon.
Naturligtvis kan det bli omöjligt att ge detaljerade steg-för-steg-instruktioner om komplexiteten är tillräcklig – det är därför kombinationen av RPA och artificiell intelligens är framtiden för automatisering.
1. RPA med optisk teckenigenkänning
I
Robotic Process Automation med AI och OCR för att förbättra affärsprocesser
(Shidaganti, 2021) beskriver författaren begränsningarna med RPA och föreslår att “Alla förändringar i den automatiserade processen kräver direkta förändringar i RPA-applikationen.” Shidaganti föreslår AI som lösningen på denna process och argumenterar för optisk teckenigenkänning (OCR) som en grundläggande förstärkning av RPA.
OCR har påverkat företag genom att öppna upp RPA för ostrukturerad data. AI-drivna RPA OCR-verktyg kan läsa information från tryckta dokument och till och med skriven text. Det finns tre primära möjligheter för RPA som OCR-integration underlättar.
- OCR kodar strukturerade data, vilket gör att RPA kan arbeta med oförutsägbara inmatningar
- RPA kan automatisera fjärrstyrda maskiner genom att tyda vad som händer på deras respektive skärmar
- OCR, i kombination med maskininlärning, kan hjälpa till med kundkännedom (KYC), bekämpning av penningtvätt (AML) och bedrägeribekämpning genom att skanna dokument. Teknikens lärdomar och beslut kan integreras med RPA, vilket möjliggör snabbare kontoöppning, onboarding, lånebeslut och så vidare.
2. Maskininlärning och RPA
Robotic Process Automation och Machine Learning är ett annat exempel på hur AI kan användas för att övervinna de inneboende begränsningarna i RPA. Redan 2016 hade automationsexperter inom försäkringsbranschen identifierat möjligheterna med kognitiv robotbaserad processautomatisering (RPA). I den artikeln diskuterar författarna “självoptimerande kundservice, prissättning av lån, finansiell rådgivning eller hantering av reklamationer eller klagomål” som möjliga horisonter.
Det är intressant att se hur verktyg för robotprocessautomatisering och maskininlärning har blivit vanliga på kort tid, vilket måste ses som ett tecken på framsteg.
Maskininlärning finns överallt. Det beskriver processen att lära en maskin att utföra uppgifter med hjälp av uttryckliga programmeringsinstruktioner. Som du kanske vet innebär detta att maskiner använder algoritmer för att analysera och hitta mönster i en datauppsättning. När maskinen har tränats kan den bearbeta andra data och skapa insikter och förutsägelser.
RPA och maskininlärning är en utmärkt kombination eftersom det innebär att RPA blir smartare, mer intuitivt och kan hantera ostrukturerade data.
3. RPA med djupinlärning
Maskininlärning är en delmängd av AI, medan djupinlärning är en delmängd av maskininlärning. Skillnaden mellan Deep Learning och Machine Learning är kanske subtil för vissa, men den är värd att utforska. Maskininlärning innebär att data tränas för att hjälpa till med beslut och förutsägelser.
Tekniken saknar dock vanligtvis förmågan att förbättras på egen hand över tiden. Deep Learning innebär däremot att neurala nätverk används för att lära sig och förbättra sin prestanda. Med andra ord, tack vare Deep Learning kan RPA och ML kombineras för att bygga automatiseringar som blir bättre genom erfarenhet.
Deep Learning kräver naturligtvis en otrolig mängd data för att utföra denna funktion. I vad som är ytterligare ett exempel på den djupa symbiosen mellan AI och RPA är robotar idealiska för att hjälpa till med den mödosamma processen att samla in dessa träningsdata. RPA-verktyg kan komma åt olika webbplatser och andra informationsarkiv för att samla in denna information, vilket säkerställer att Deep Learning-algoritmen har gott om data att förbättra.
Deep learning gör det också möjligt för robotar att utnyttja fördelarna med prediktiv analys. När RPA stöter på undantag kan den matcha dem mot förväntade eller oväntade mönster, vilket eliminerar beroendet av mänsklig inblandning.
När smarta robotar kan fatta datadrivna beslut kan de bemöta kunderna på bästa sätt. Ett exempel på dessa tillämpningar inom RPA är verktyg för sentimentanalys som använder naturlig språkbehandling (NLP) för att avkoda konsumenternas sinnesstämning. Bots kan i sin tur modulera sitt svar för att hitta en passande ton. Denna dynamik kan göra mycket för att överbrygga klyftorna mellan empatisk mänsklig kundservice och dess mekaniserade alternativ.
4. RPA och bildigenkänning
Att para ihop RPA med programvara för bildigenkänning är ett annat exempel på hur AI kan användas för att övervinna RPA:s oförmåga att hantera röriga eller ostrukturerade data. I tidningen
Analys och tillämpning av teknik för artificiell intelligens inom området RPA – mjukvarurobotar för automatisering av affärsprocesser
(Kanakov, 2022) beskriver författaren några fascinerande användningsområden för RPA och bildigenkänning i samband med automatisering av bakgrundskontroller vid anställning eller hjälp med att upptäcka bedrägerier.
Andra användningsområden som Kanakov föreslår är att använda ansiktsigenkänning för byggnadssäkerhet, med RPA-verktyg kopplade till kameror. Användningsområdena är verkligen oändliga. Till exempel kan drönare eller kameror skanna av ett stort antal miljöer efter avvikelser. När problemen väl har upptäckts kan ett RPA-system rapportera dem till berörda parter och se till att de snabbt åtgärdas.
5. RPA med generativ AI
I en
artikel i Forbes
DELLs Clint Boulton använder en fantastisk analogi när han jämför RPA och generativ AI. Han föreslår att “på en gala kontrollerar RPA gästlistan, räknar biljetter och övervakar saker som rumskapacitet, uppvärmning och belysning.” Sedan säger han: “Under tiden skapar Generative AI reklam för evenemanget, skriver gratulationstal för hedersmedlemmar och har konversationer med varje gäst.”
Det som är så kraftfullt med denna analogi är att den perfekt fångar något som vi alla har observerat under det senaste året eller så. Generativ AI är så intressant och kraftfullt att vi inte kan låta bli att förundras över dess resultat. Men utan någon (RPA) som sliter i bakgrunden och utför enklare uppgifter kan det inte bli något evenemang, eller åtminstone inte ett funktionellt sådant.
Enligt Gartner erbjuder generativ AI många alternativ. Den kan snabbt generera skriftligt innehåll, bilder, videor, musik och till och med kod. Vissa av möjligheterna är omedelbart uppenbara, till exempel kundservice via samtal.
Men förbättrade chatbots är bara början; andra användningsområden för RPA och generativ AI inkluderar att hjälpa RPA att förstå ostrukturerad data i många former och till och med att utöka RPA med beslutsfattande, dataanalys och mer.
6. Deltog i automatisering
Automatisering kan delas in i två kategorier: Närvarande och Obevakad. Som du kanske förväntar dig innebär Unattended Automation att botten kör processer utan någon mänsklig input. Attended Automation beskriver däremot uppgifter som kräver mänsklig interaktion under åtminstone ett steg på vägen.
Det finns flera sätt som detta kan fungera på. Till exempel kan den automatiserade processen kräva en manuell utlösning. Alternativt kan ett av stegen behöva säkerhetsuppgifter under processen. Mer komplexa orkestreringar är dock möjliga tack vare Robotic Desktop Automation (RDA).
Robotic Desktop Automation (RDA) är en form av Attended Automation. Men tack vare AI-verktyg som ML och optisk teckenigenkänning kan dessa robotar dynamiskt sammanfoga flera arbetsflödesprocesser och ständigt automatisera olika uppgifter för en enskild användare. I det här scenariot fungerar RDA-boten som en virtuell assistent som hämtar data, skickar filer och genererar rapporter medan den mänskliga operatören talar med en kund.
7. Självläkande robotar
A
Läget för RPA-undersökningen från 2022
avslöjade ett problem som drabbar vissa företag som använder RPA-lösningar. Över 69 % av de tillfrågade anger att de upplever en trasig RPA-bot varje vecka. Ännu värre är att över 40 % uppgav att det tar mer än 5 timmar att åtgärda deras bot, medan andra respondenter uppgav att det kan ta mer än en dag att åtgärda den.
Dessa siffror är oacceptabelt höga. Undersökningen går dock inte in på detaljerna i problemet. Vanliga orsaker till att RPA misslyckas är ändringar i indata, robotar som stöter på undantag, ofullständiga data, dålig testning eller brist på underhåll, för att nämna några.
Självläkande RPA beskriver ett system som kan fixa sig självt utan hjälp av en mänsklig medarbetare.
Självläkande RPA-botar möjliggörs genom AI-algoritmer som övervakar hur den automatiserade uppgiften utförs. När problem uppstår aktiveras dessa användbara verktyg, identifierar grundorsaken och applicerar en lösning. Fördelen är ökad prestanda och mer drifttid.
8. Smart bearbetning av gruvor
Process mining i samband med RPA innebär att man upptäcker uppgifter som företag kan automatisera. Genom att använda AI:s avancerade analysfunktioner kan teamen analysera sina arbetsflöden för att hitta uppgifter som kan automatiseras och göra prognoser om hur automatiseringen kommer att påverka verksamheten.
Process mining använder ML och dataanalys. Till exempel använder man programvara för skärminspelning för att samla in arbetsflödesdata och dela upp dem i steg. Därefter kör ML- eller analysverktyg modeller av dessa uppgifter och hittar områden som kan omvandlas till automatiserade processer. AI-verktyg ger företagen bättre överblick och förståelse för uppgifterna, så att de kan identifiera beroenden, flaskhalsar och ineffektivitet.
Att koppla ihop RPA och process mining är mycket kraftfullt eftersom det kan hjälpa företag att upptäcka processer som de annars kanske inte skulle ha upptäckt. Det innebär att du kan få ut mer värde av dina RPA-investeringar och ytterligare förstärka de andra fördelarna med RPA, som minskade kostnader och ökad produktivitet.
En annan sak som du kanske märker här är att processmining kan minska upptäcktstiden för lämpliga RPA-processer. Det innebär att din implementering kommer igång mycket snabbare.
9. Automatisering av programvarutestning
Programvaruutvecklare och förläggare har levererat några av de mest omvälvande tekniska lösningar vi har sett under de senaste decennierna. Men själva branschen har också genomgått något av en revolution. DevOps och agila metoder har hjälpt utvecklarna att möta efterfrågan på blixtsnabba produkter som ständigt förbättras, samtidigt som CI/CD-pipelines också bidrar till snabbare marknadsintroduktion.
RPA är ett fantastiskt verktyg för specifika typer av programvarutestning. McKinsey menar att nästa generations mjukvaruutveckling ligger strax efter AI när det gäller de största tekniska trenderna för 2023. Automatisering av programvarutestning, som drivs av både RPA och AI, kommer att ligga i framkant av denna trend, med generativ AI som skriver kod och icke-tekniska team som välkomnas till verksamheten tack vare no-code-verktyg.
Som Santiago Comella-Dorda, partner på konsultföretaget, säger: “Utvecklare är kanske en av de mest värdefulla tillgångarna för det moderna digitala företaget, men de lägger ändå över 40 procent av sin tid på repetitiva uppgifter med lågt värde som enkelt skulle kunna automatiseras med en modern verktygsuppsättning.”
10. RPA Intelligent automatisering
Artificiell intelligens Robotic Process Automation, även kallat Intelligent Process Automation (IPA), anses vara nästa steg i automatiseringen. Det tar RPA och lägger till kognitiva förmågor genom AI. Det kan omfatta RPA med alla eller några av de andra AI-teknikerna som anges ovan.
I en
IBM-undersökning av C-Suite-chefer
svarade 90% av de tillfrågade att Intelligent Automation hjälpte dem att prestera “över genomsnittet när det gäller att hantera organisatoriska förändringar som svar på framväxande affärstrender”. Denna känsla talar för RPA:s och AI:s förmåga att skapa smidiga och robusta lösningar som kan erbjuda en verklig konkurrensfördel.
Bevis på RPA:s och AI:s förmåga att åstadkomma organisatoriska förändringar finns i näringslivets reaktion på covid-19-pandemin. Användning av robotiserad processautomationsteknik för att säkerställa affärsprocesser under covid-19-pandemin (Siderska, 2021) visade hur 60% av de undersökta polska företagen kunde implementera kontinuitet i verksamheten tack vare RPA-verktyg. Enligt studien var AI och Analytics de största bidragande faktorerna.
I en nyligen genomförd
Gartner-undersökning
visade hela 80% av cheferna att de tror att automatisering kan tillämpas på alla affärsprocesser. Den statistiken är ett anmärkningsvärt bevis på kraften i RPA när det används tillsammans med AI. Det är omöjligt att föreställa sig att den siffran skulle kunna vara så hög utan att RPA förstärktes med AI.
När det gäller framtiden, forskning om
neuromorfisk bearbetning
– ett informationsbehandlingssystem som bygger på hjärnans struktur – skulle kunna leda till ökad kognition och maskinintelligens. Det som är så spännande med denna horisont är att dessa intelligensmodeller kräver mycket mindre utbildningsdata, vilket innebär att de skulle kunna vara tillgängliga för företag.
Hur AI-driven RPA kommer att förändra framtiden
av arbete och samhälle
AI-verktyg för processautomatisering är bara på upploppet. Här är några områden där AI kommer att påverka automatiseringen ytterligare.
1. Industri 4.0
Den första industriella revolutionen drevs av ånga, den andra av elektricitet. Den tredje industriella revolutionen möjliggjordes av digital teknik under 1970-talet. När det gäller den fjärde industriella revolutionen, även känd som Industri 4.0, finns det flera tekniska kandidater, till exempel digitala tvillingar, virtuell verklighet, sakernas internet (IoT), AI och ML och till och med 3D-utskrift.
En undersökning
IMD:s globala undersökning av försörjningskedjan
från 2022 avslöjar en oroande sanning. Av de mer än 200 intervjuade cheferna inom tillverkningsindustrin var det mycket få som angav Industri 4.0-relaterad teknik som en viktig prioritering. Detta är långt ifrån 2019 då 68 % av de tillfrågade i en McKinsey-undersökning ansåg att Industri 4.0 var en viktig strategisk prioritering.
I forskningsrapporten Robotic Process Automation och artificiell intelligens inom industrin 4.0 – En genomgång av litteraturen (Riberio, 2021) konstaterar författaren att “med tanke på omfattningen av tillämpningsområdet för AI har RPA gradvis lagt till implementeringar av algoritmer eller AI-tekniker som används i vissa sammanhang (t.ex. Enterprise Resource Planning, redovisning, HR) för att klassificera, känna igen, kategorisera etc. till sina automatiseringsfunktioner.”
I takt med att tekniken fortsätter att utvecklas kommer nya verktyg och möjligheter att hjälpa Industri 4.0 att bli en AI-driven verklighet.
2. Hyperautomatisering
Hyperautomation är den naturliga utvecklingen av automation. Men istället för att automatisera en viss uppgift eller affärsprocess försöker man utöka automatiseringsmöjligheterna i hela organisationen. Den slutliga versionen kommer att vara en helt uppkopplad och till stor del autonom verksamhet där arbetsflöden och beslut är strömlinjeformade, smidiga och motståndskraftiga.
Hyperautomation innebär en blandning av flera tekniker. Detta omfattar bl.a:
- RPA
- AI
- Automatisering av affärsprocesser (BPA)
- ML
- Intelligent dokumenthantering (IDP)
- Orkestrering av arbetsflöden
- Process för gruvdrift
- Naturlig språkbehandling (NLP)
- Digital tvilling av en organisation (DTO)
- RPA med konversation
- Datorseende RPA
Enligt vad som anges i dokumentet Hyperautomation för förbättrad automatisering inom industrin (Haleem, 2021), “Genom en blandning av automatiseringstekniker kan hyperautomation övervinna vissa begränsningar av en enda automatiseringsmetod. Detta gör det möjligt för företag att överskrida gränserna för varje process och automatisera nästan vilken ansträngande och skalbar operation som helst.”
3. Mindre beroende av experter
De senaste årens boom inom mjukvaruutveckling har avslöjat ett problem. Samtidigt som efterfrågan på appar och mobil teknik växte hade utbudet svårt att hålla jämna steg. Det rådde brist på mjukvaruutvecklare, vilket innebar att många tjänster var obesatta i månader i sträck.
Med prestigefyllda, sexsiffriga jobb som väntar på kvalificerade kandidater kan man bli förlåten om man tror att människor helt enkelt skulle omskola sig och skörda frukterna av det. Skolor och universitet granskades också, och regeringar föreslog att de inte gjorde tillräckligt för att uppmuntra till STEM-ämnen. Men faktum är att kodning är svårt. Endast en liten del av befolkningen är lämpad för detta arbete.
Eftersom vår värld blir alltmer digital kan bristen på kodare mycket väl komma att betraktas som en varning som vi inte lyssnade på. Tack och lov kan AI-driven automatisering vara lösningen på detta problem.
Ledande befattningar kräver en blandning av ledarskapsförmåga och djupa ämneskunskaper. Att läsa och lära är bara en del av det som gör chefer och seniora medarbetare värdefulla för en organisation. Men i takt med att fler branscher anammar tekniken kommer denna talangpool att dräneras.
AI-analys kan använda stora mängder historiska data för att hitta insikter och underliggande samband och göra förutsägelser. Dessa verktyg hjälper dig att överbrygga erfarenhetsgapet. Det kan också bidra till att demokratisera det kloka beslutsfattande som tidigare var förbehållet företag med stora budgetar.
Medan erfarna beslutsfattare och strateger aldrig kommer att bli omoderna, kommer en hyperautomatiserad verksamhet som drivs av maskininlärning (ML) och dataanalys att vara igång dygnet runt och göra val baserade på faktorer som ingen människa medvetet kan ta hänsyn till.
McKinsey menar att automatiseringen av kunskapsarbete nu är i sikte. Juridik, ekonomi, utbildning, konst och teknik kommer alla att drabbas av störningar som tidigare bara ansågs hota mindre kvalificerade jobb. Vad detta innebär för arbetskraften i stort är dock ännu oklart.
4. Ökad effektivitet i förvaltningen
Offentliga utgifter är en ständigt omtvistad fråga. Över hela världen har demokratiska förvaltningar ett rykte om sig att vara uppblåsta och ha felaktiga utgifter. Per
forskning från det välrenommerade Brookings Institute
har amerikanska myndigheter börjat använda AI och RPA.
Så vitt skilda myndigheter som Food and Drug Administration, Social Security, Defense Logistics Agency och Treasury Department har infört AI och RPA för att öka produktiviteten och minska kostnaderna för sina viktiga tjänster. Dessutom har en
undersökning från American Council for Technology and the Industry Advisory Council (ACT-IAC)
visar användningsfall från ett dussintal statliga organisationer.
En mer effektiv och kostnadseffektiv regering skulle kunna ha en omvälvande effekt på samhället som helhet. Tjänsterna skulle kunna bli mer effektiva och ändamålsenliga, och skattemedlen skulle kunna kanaliseras till program som kan förändra livet för miljontals människor. Denna utbredda användning understryker dock vikten av att eliminera
partiskhet i AI,
särskilt om regeringar i hela världen använder tekniken för att fatta politiska beslut.
Avslutande tankar
AI har haft en djupgående inverkan på RPA-tekniken. Tidiga automatiseringsverktyg kunde hantera många av de rutinmässiga och vardagliga uppgifterna på arbetsplatsen. Men i takt med att den kollektiva aptiten på automatisering växte stötte RPA på sina begränsningar. AI håller på att riva dessa hinder.
Genom att kombinera RPA och AI utökar man potentialen hos båda verktygen. Företagen skördar redan frukterna av intelligent automatisering, t.ex. förbättrad kundservice, ökad organisatorisk effektivitet och minskade driftskostnader. AI har öppnat upp för RPA på sätt som verkade osannolika för bara ett decennium sedan.
Men historien om robotiserad processautomation och AI slutar inte här. Ytterligare förbättringar kommer att ske när vi går mot en era av hyperautomatisering. Det kommer att bli en vild resa, så kom inte på efterkälken.
