fbpx

Get your 6-month No-Cost Opt-Out offer for Unlimited Software Automation?

Robotic Process Automation er et løbsk tog. Ifølge Deloitte vil teknologien kunne opnå næsten universel udbredelse inden 2025. Men bare fordi RPA dominerer forretningsverdenen, betyder det ikke, at den vil holde op med at udvikle sig.

Vi står ved en spændende teknologisk skillevej. De seneste års fremskridt inden for kunstig intelligens har været forbløffende. ChatGPT og andre former for generativ AI har indtaget den offentlige bevidsthed. Denne spændende teknologi er dog kun ét udtryk for potentialet i kunstig intelligens.

RPA er et ligetil, men effektivt værktøj. Men konvergensen mellem RPA og AI giver uendelige muligheder for innovation. AI-drevet kundeservice, analysedrevet beslutningstagning og automatisering af vidensarbejde er blot nogle eksempler på AI i RPA.

Efterhånden som teknologien skrider frem, vil Cognitive Robotic Process Automation ændre arbejdets natur på måder, som vi næppe kan forestille os. Lad os undersøge, hvordan AI med RPA allerede har rykket grænserne for automatisering, før vi overvejer dens fremtidige indvirkning.

 

Grænserne for RPA

AI vs. RPA

Den udbredte anvendelse af RPA er et bevis på dens anvendelighed. Teknologien har hjulpet utallige virksomheder med at opnå nye niveauer af produktion, effektivitet og nøjagtighed ved at automatisere tidligere manuelle opgaver. Men som enhver anden teknologi har den øvre grænser.

 

1. Transaktionsbaseret automatisering er svær at styre

 

Selvom RPA-bots trofast arbejder på processer, har de brug for en smule styring og vedligeholdelse. Når f.eks. input eller output ændres, skal robotterne omkonfigureres, så de kan håndtere disse lidt skiftende forhold. I dynamiske arbejdsmiljøer kan det dræne ressourcer og tid.

 

2. RPA kæmper med ustrukturerede data

 

RPA-værktøjer er bygget til at udføre opgaver ved hjælp af if/then/else-logik. Som sådan er de afhængige af forudsigelige datastrukturer. Enhver variation eller ændring i inputdataene vil forårsage fejl eller undtagelser, fordi de ligger uden for de definerede værdier, som botten forventer at modtage.

 

3. RPA giver udfordringer med skalering

 

Delvist på grund af de årsager, vi har nævnt ovenfor, kan det være svært at skalere dine RPA-processer. Hver proces skal være klart defineret, styret og vedligeholdt, mens RPA’s manglende tilpasningsevne også kan skabe problemer.

Begrænsningerne ved RPA er ikke noget, man skal bekymre sig om. AI-assisteret RPA kan overvinde hver af disse begrænsninger og samtidig åbne op for nye og spændende automatiseringsmuligheder.

 

Her er, hvordan RPA med AI har ændret automatisering.

 

Robotic Process Automation og kunstig intelligens:

Et perfekt match

RPA livscyklus og proces - 10 trin til implementering af Robotic Process Automation

 

RPA er i sit design et ligetil og ukompliceret værktøj, i hvert fald på brugerniveau. Det er bygget til at være tilgængeligt for ikke-tekniske teams. Som sådan udfører den de instruktioner, den får, på en kontrolleret måde. Det er op til mennesker at identificere disse processer og instruere RPA i at udføre kommandoer.

Selvfølgelig kan det blive umuligt at give trinvise instruktioner, hvis kompleksiteten er stor nok – og derfor er kombinationen af RPA og kunstig intelligens fremtiden inden for automatisering.

 

1. RPA med optisk tegngenkendelse

 

I
Robotic Process Automation med AI og OCR til forbedring af forretningsprocesser
(Shidaganti, 2021) skitserer forfatteren begrænsningerne ved RPA og foreslår, at “alle ændringer i den automatiserede proces kræver direkte ændringer i RPA-applikationen.” Shidaganti foreslår AI som løsningen på denne proces og argumenterer for optisk tegngenkendelse (OCR) som en grundlæggende udvidelse af RPA.

Faktisk har OCR påvirket virksomheder ved at åbne op for RPA til ustrukturerede data. AI-drevne RPA OCR-værktøjer kan læse information fra trykte dokumenter og endda skrevet tekst. Der er tre primære muligheder for RPA, som OCR-integration letter.

  • OCR koder strukturerede data, så RPA kan arbejde med uforudsigelige inputs
  • RPA kan automatisere fjernstyrede maskiner ved at afkode, hvad der sker på deres respektive skærme.
  • OCR kan sammen med Machine Learning hjælpe med Know Your Customer (KYC), Anti Money Laundering (AML) og Fraud Detection ved at scanne dokumenter. Teknologiens erfaringer og beslutninger kan integreres med RPA, hvilket giver mulighed for hurtigere kontoåbning, onboarding, lånebeslutninger og så videre.

 

2. Maskinlæring og RPA

 

Robotic Process Automation og Machine Learning er et andet eksempel på anvendelse af AI til at overvinde de iboende begrænsninger ved RPA. Så langt tilbage som i 2016 havde automatiseringseksperter i forsikringsbranchen identificeret mulighederne i kognitiv robotprocesautomatisering (RPA). I den artikel diskuterer forfatterne “selvoptimerende kundeservice, prissætning af lån, finansiel rådgivning eller håndtering af krav eller klager” som mulige horisonter.

Det er interessant at se, hvordan Robotic Process Automation Machine Learning-værktøjer er blevet almindelige på kort tid, hvilket må siges at være et tegn på fremskridt.

Machine Learning er overalt. Det beskriver processen med at lære en maskine at udføre opgaver med eksplicitte programmeringsinstruktioner. Som du måske ved, involverer det maskiner, der bruger algoritmer til at analysere og finde mønstre i et datasæt. Når maskinen er trænet, kan den behandle andre data og producere indsigter og forudsigelser.

RPA og Machine Learning er et godt match, fordi det betyder, at RPA bliver smartere, mere intuitiv og i stand til at håndtere ustrukturerede data.

 

3. RPA med dyb læring

 

Machine Learning er en delmængde af AI, mens Deep Learning er en delmængde af Machine Learning. Forskellen mellem Deep Learning og Machine Learning er måske subtil for nogle mennesker, men den er værd at udforske. Maskinlæring trænes på data for at hjælpe med beslutninger og forudsigelser.

Men teknologien mangler typisk evnen til at forbedre sig selv over tid. I modsætning hertil involverer Deep Learning brugen af neurale netværk til at lære og forbedre sin ydeevne. Med andre ord, takket være Deep Learning kan RPA og ML kombineres til at bygge automatiseringer, der bliver bedre gennem erfaring.

IS YOUR COMPANY IN NEED OF

ENTERPRISE LEVEL

TASK-AGNOSTIC SOFTWARE AUTOMATION?

Deep Learning kræver selvfølgelig en utrolig mængde data for at udføre denne funktion. I endnu et eksempel på den dybe symbiose mellem AI og RPA er bots ideelle til at hjælpe med den møjsommelige proces med at indsamle disse træningsdata. RPA-værktøjer kan få adgang til forskellige hjemmesider og andre informationslagre for at indsamle disse oplysninger, hvilket sikrer, at Deep Learning-algoritmen har masser af data at forbedre.

Deep learning gør det også muligt for bots at udnytte fordelene ved predictive analytics. Når RPA støder på undtagelser, kan den matche dem med forventede eller uventede mønstre, så man ikke er afhængig af menneskelig indgriben.

Når smarte robotter kan træffe datadrevne beslutninger, kan de reagere på kunderne på en optimal måde. Et eksempel på disse anvendelser inden for RPA er værktøjer til stemningsanalyse, der bruger naturlig sprogbehandling (NLP) til at afkode forbrugernes humør. Til gengæld kan bots modulere deres svar, så de rammer en passende tone. Denne dynamik kan gøre meget for at overvinde kløften mellem empatisk menneskelig kundeservice og dens mekaniserede alternativ.

 

4. RPA og billedgenkendelse

 

At parre RPA med billedgenkendelsessoftware er et andet eksempel på at bruge AI til at overvinde RPA’s manglende evne til at håndtere rodede eller ustrukturerede data. I artiklen
Analyse og anvendelse af kunstig intelligens-teknologier inden for RPA-softwarerobotter til automatisering af forretningsprocesser
(Kanakov, 2022) skitserer forfatteren nogle fascinerende anvendelser af RPA og billedgenkendelse i forhold til at automatisere baggrundstjek ved ansættelser eller hjælpe med at opdage svindel.

Andre anvendelsesmuligheder, som Kanakov foreslår, er at bruge ansigtsgenkendelse til bygningssikkerhed med RPA-værktøjer, der er forbundet til kameraer. Anvendelsesmulighederne er virkelig uendelige. For eksempel kan droner eller kameraer scanne en lang række miljøer for uregelmæssigheder. Når det er opdaget, kan et RPA-system rapportere problemerne til de relevante parter og sikre hurtig afhjælpning.

 

5. RPA med generativ AI

 

I en
artikel i Forbes
DELLs Clint Boulton bruger en fantastisk analogi, når han sammenligner RPA og generativ AI. Han foreslår, at “ved et gallaarrangement kontrollerer RPA gæstelisten, tæller billetter og overvåger ting som lokalekapacitet, varme og belysning.” Derefter siger han: “I mellemtiden skaber Generative AI reklamer for begivenheden, skriver lykønskningstaler til honoratiores og har samtaler med alle gæster.”

Det, der er så stærkt ved denne analogi, er, at den perfekt indfanger noget, vi alle har observeret inden for det sidste års tid. Generativ AI er så interessant og kraftfuld, at vi ikke kan lade være med at forundres over dens resultater. Men uden nogen (RPA), der knokler i baggrunden og udfører trivielle opgaver, kan der ikke være nogen event eller i det mindste ikke en funktionel en.

Ifølge Gartner giver generativ AI masser af muligheder. Den kan hurtigt generere skriftligt indhold, billeder, videoer, musik og endda kode. Nogle af mulighederne er umiddelbart indlysende, som f.eks. dialogbaseret kundeservice.

Men forbedrede chatbots er kun begyndelsen; andre anvendelsesmuligheder for RPA og generativ AI omfatter at hjælpe RPA med at forstå ustrukturerede data i mange former og endda udvide RPA med beslutningstagning, dataanalyse og meget mere.

 

6. Deltog i automatisering

 

Du kan opdele automatisering i to kategorier: Deltaget og Udeladt. Som du måske forventer, betyder Unattended Automation, at botten udfører processer uden noget menneskeligt input. I modsætning hertil beskriver Attended Automation opgaver, der kræver menneskelig interaktion i mindst ét trin undervejs.

Der er et par måder, det kan fungere på. For eksempel kan den automatiserede proces kræve en manuel udløser. Alternativt kan et af trinene have brug for sikkerhedsoplysninger under processen. Men mere komplekse orkestreringer er mulige her takket være Robotic Desktop Automation (RDA).

Robotic Desktop Automation (RDA) er en form for Attended Automation. Men takket være AI-værktøjer som ML og optisk tegngenkendelse kan disse robotter dynamisk sammensætte flere workflow-processer og konstant automatisere forskellige opgaver for den enkelte bruger. I dette scenarie fungerer RDA-botten som en virtuel assistent, der henter data, sender filer og genererer rapporter, mens den menneskelige medarbejder taler med en kunde.

 

7. Selvhelbredende robotter

 

A
Undersøgelse af tilstanden for RPA fra 2022
afslørede et problem, der påvirker nogle virksomheder, der anvender RPA-løsninger. Over 69 % af de adspurgte siger, at de oplever en RPA-bot, der går i stykker, hver uge. Endnu værre er det, at over 40 % mener, at det tager mere end 5 timer at reparere deres bot, mens andre respondenter mener, at det kan tage mere end en dag.

Disse tal er uacceptabelt høje. Undersøgelsen går dog ikke i detaljer med problemet. Almindelige årsager til RPA-fejl er inputændringer, robotter, der støder på undtagelser, ufuldstændige data, dårlig testning eller manglende vedligeholdelse, for blot at nævne nogle få.

Selvhelbredende RPA beskriver et system, der kan reparere sig selv uden input fra en menneskelig medarbejder.

Selvhelende RPA-bots muliggøres af AI-algoritmer, der overvåger udførelsen af den automatiserede opgave. Når der opstår problemer, træder disse nyttige værktøjer i aktion, identificerer årsagen og løser problemet. Fordelen er øget ydeevne og mere oppetid.

 

8. Smart behandling af minedrift

 

Process mining i forbindelse med RPA involverer opdagelsen af opgaver, som virksomheder kan automatisere. Ved at bruge AI’s avancerede analytiske evner kan teams gennemsøge deres arbejdsgange for at finde opgaver, der kan automatiseres, og lave prognoser for effekten af denne automatisering.

Process mining bruger ML og dataanalyse. For eksempel bruger den skærmoptagelsessoftware til at indfange workflowdata og opdele dem i trin. Derefter kører ML- eller analyseværktøjer modeller af disse opgaver og finder områder, der kan omdannes til automatiserede processer. AI-værktøjer giver virksomheder et bedre overblik over og forståelse af opgaverne, så de kan identificere afhængigheder, flaskehalse og ineffektivitet.

At koble RPA og process mining sammen er meget effektivt, fordi det kan hjælpe virksomheder med at afdække processer, som de måske ellers ikke ville opdage. Det betyder, at du kan få mere værdi ud af dine RPA-investeringer og yderligere forstærke de andre fordele ved RPA, såsom at reducere omkostningerne og øge produktiviteten.

Den anden ting, du måske bemærker her, er, at procesmining kan reducere opdagelsestiden for passende RPA-processer. Det betyder, at din implementering kommer meget hurtigere i gang.

 

9. Automatisering af softwaretest

 

Softwareudviklere og -udgivere har leveret noget af den mest disruptive teknologi, vi har set i de sidste par årtier. Men selve deres branche har også gennemgået noget af en revolution. DevOps og agile metoder har hjulpet udviklere med at imødekomme kravet om lynhurtige, konstant forbedrede produkter, mens CI/CD-pipelines også bidrager til hurtigere markedsintroduktion.

RPA er et fantastisk værktøj til specifikke typer af softwaretest. McKinsey mener, at næste generations softwareudvikling ligger lige efter AI, hvad angår de største teknologiske tendenser i 2023. Automatisering af softwaretest, drevet af både RPA og AI, vil være i spidsen for denne tendens, hvor generativ AI skriver kode, og ikke-tekniske teams bydes velkommen i folden takket være no-code-værktøjer.

Som konsulentfirmaets partner, Santiago Comella-Dorda, siger: “Udviklere er måske et af de mest værdifulde aktiver for den moderne digitale virksomhed, men alligevel bruger de langt over 40 procent af deres tid på gentagne opgaver af lav værdi, som let kunne automatiseres med et moderne værktøjssæt.”

 

10. RPA Intelligent automatisering

 

Kunstig intelligens Robotic Process Automation, også kaldet Intelligent Process Automation (IPA), anses for at være det næste trin i automatisering. Det tager RPA og tilføjer kognitive evner gennem AI. Det kan omfatte RPA med alle eller nogle af de andre AI-teknologier, der er nævnt ovenfor.

I en
IBM-undersøgelse af C-Suite-ledere
I en undersøgelse af Intelligent Automation i USA, mente 90% af de adspurgte, at Intelligent Automation hjalp dem med at præstere “over gennemsnittet i forhold til at håndtere organisatoriske ændringer som reaktion på nye forretningstendenser.” Denne holdning taler for RPA og AI’s evne til at skabe agile og robuste løsninger, der kan give en ægte konkurrencefordel.

Beviset på RPA og AI’s evne til at skabe organisatoriske forandringer kan findes i erhvervslivets reaktion på COVID-19-pandemien. Anvendelsen af Robotic Process Automation-teknologi til at sikre forretningsprocesser under COVID-19-pandemien (Siderska, 2021) viste, hvordan 60% af de undersøgte polske virksomheder var i stand til at implementere forretningskontinuitet takket være RPA-værktøjer. Ifølge undersøgelsen var AI og Analytics de største bidragydere.

I en nylig
Gartner-undersøgelse
I en undersøgelse af den nye teknologi, som blev lanceret i 2009, afslørede hele 80% af lederne, at de tror på, at automatisering kan anvendes på alle forretningsprocesser. Den statistik er et bemærkelsesværdigt bevis på RPA’s styrke, når den bruges sammen med AI. Det er umuligt at forestille sig, at det tal kunne være så højt uden AI’s forstærkning af RPA.

Med hensyn til fremtiden, forskning i
neuromorfisk behandling
– et informationsbehandlingssystem, der er baseret på hjernens struktur – kan føre til større kognition og maskinintelligens. Det, der er så spændende ved denne horisont, er, at disse intelligensmodeller kræver langt mindre træningsdata, hvilket betyder, at de kan være tilgængelige for virksomheder.

IS YOUR COMPANY IN NEED OF

ENTERPRISE LEVEL

TASK-AGNOSTIC SOFTWARE AUTOMATION?

 

Hvordan AI-drevet RPA vil ændre fremtiden

af arbejde og samfund

Intelligent procesautomatisering vs. RPA - forskelle, fællestræk, værktøjer og snitflader/overlapninger

AI-værktøjer til procesautomatisering er kun lige ved at blive varmet op. Her er nogle områder, hvor AI vil påvirke automatiseringen yderligere.

 

1. Industri 4.0

 

Den første industrielle revolution blev drevet af damp, den anden af elektricitet. Den tredje industrielle revolution blev muliggjort af digitale teknologier i 1970’erne. Når det kommer til den fjerde industrielle revolution, også kendt som Industri 4.0, er der flere teknologiske kandidater, såsom digitale tvillinger, Virtual Reality, Internet of Things (IoT), AI og ML og endda 3D-print.

Men en
IMD’s globale undersøgelse af forsyningskæden
fra 2022 afslører en bekymrende sandhed. Af de mere end 200 interviewede produktionsledere var der meget få, der nævnte Industri 4.0-relateret teknologi som en stor prioritet. Det er langt fra 2019, hvor 68 % af respondenterne i en McKinsey-undersøgelse mente, at Industri 4.0 var en strategisk topprioritet.

I forskningsartiklen Robotic Process Automation og kunstig intelligens i industrien 4.0 – En gennemgang af litteraturen (Riberio, 2021), siger forfatteren, at “i betragtning af anvendelsesområdet for AI har RPA gradvist tilføjet implementeringer af algoritmer eller AI-teknikker, der anvendes i visse sammenhænge (f.eks. Enterprise Resource Planning, Accounting, Human Resources) til at klassificere, genkende, kategorisere osv. til sine automatiseringsfunktioner.”

Efterhånden som teknologien udvikler sig, vil nye værktøjer og muligheder hjælpe Industri 4.0 med at blive en AI-drevet virkelighed.

 

2. Hyperautomatisering

 

Hyperautomatisering er den naturlige udvikling af automatisering. Men i stedet for at automatisere en bestemt opgave eller forretningsproces, søger man at udvide automatiseringsmulighederne på tværs af hele organisationen. Den endelige version vil være en fuldt forbundet og stort set autonom virksomhed, hvor arbejdsgange og beslutninger vil være strømlinede, smidige og modstandsdygtige.

 

Hyperautomatisering involverer en blanding af flere teknologier. Dette omfatter:

  • RPA
  • AI
  • Automatisering af forretningsprocesser (BPA)
  • ML
  • Intelligent dokumentbehandling (IDP)
  • Orkestrering af arbejdsgange
  • Proces-minedrift
  • Naturlig sprogbehandling (NLP)
  • Digital tvilling af en organisation (DTO)
  • Konversationel RPA
  • Computersyn RPA

 

Som det fremgår af artiklen Hyperautomation til forbedring af automatisering i industrien (Haleem, 2021), “Gennem en blanding af automatiseringsteknologier kan hyperautomatisering overvinde nogle begrænsninger ved en enkelt automatiseringsmetode. Det giver virksomheder mulighed for at overskride grænserne for hver enkelt proces og automatisere næsten enhver besværlig og skalerbar operation.”

 

3. Mindre afhængighed af eksperter

 

De seneste års boom i softwareudvikling har afsløret et problem. Mens efterspørgslen på apps og mobilteknologi voksede, havde udbuddet svært ved at følge med. Der var mangel på softwareudviklere, hvilket betød, at mange stillinger stod ubesatte hen i månedsvis.

Med prestigefyldte, sekscifrede jobs, der ligger og venter på kvalificerede kandidater, kunne man godt tro, at folk bare ville omskole sig og høste frugterne. Skoler og universiteter kom også under lup, og regeringer antydede, at de ikke gjorde nok for at opmuntre til at tage STEM-fag. Men virkeligheden er, at kodning er svært. Kun en lille del af befolkningen har evnerne til jobbet.

I takt med at vores verden bliver mere og mere digital, kan manglen på kodere meget vel blive betragtet som en advarsel, vi ikke lyttede til. Heldigvis kan AI-drevet automatisering give modgiften til dette problem.

Lederstillinger kræver en blanding af ledelsesevner og dyb faglig viden. Læsning og læring er kun en del af det, der gør ledere og seniormedlemmer værdifulde for en organisation. Men efterhånden som flere brancher tager teknologien til sig, vil denne talentmasse blive tømt.

AI-analyser kan bruge store mængder historiske data til at finde indsigter og underliggende relationer og komme med forudsigelser. Disse værktøjer vil hjælpe med at bygge bro over erfaringskløften. Det kan også tjene til at demokratisere den kloge beslutningstagning, som tidligere var forbeholdt virksomheder med store budgetter.

Mens erfarne beslutningstagere og strateger aldrig bliver umoderne, vil en hyperautomatiseret virksomhed drevet af Machine Learning (ML) og dataanalyse køre døgnet rundt og træffe valg baseret på faktorer, som intet menneske bevidst kunne overveje.

McKinsey mener, at automatiseringen af vidensarbejde nu er i sigte. Jura, økonomi, uddannelse, kunst og teknologi vil alle opleve forstyrrelser, som tidligere kun blev anset for at true mindre kvalificerede job. Hvad det betyder for den generelle arbejdsstyrke, er dog endnu uvist.

 

4. Større effektivitet i regeringen

 

Offentlige udgifter er et evigt omstridt emne. Overalt i verden har demokratiske regeringer ry for at være oppustede og bruge for mange penge. Per
forskning fra det anerkendte Brookings Institute
, amerikanske regeringsorganer omfavner AI og RPA.

Afdelinger så forskellige som Food and Drug Administration, Social Security, Defense Logistics Agency og Treasury Department har indført AI og RPA for at øge produktiviteten og reducere omkostningerne ved deres vigtige tjenester. Desuden er en
undersøgelse fra det amerikanske råd for teknologi og industriens rådgivende råd (ACT-IAC)
viser use cases fra omkring et dusin offentlige organisationer.

En mere effektiv og omkostningseffektiv regering kan have en transformerende effekt på samfundet som helhed. Tjenesterne kunne blive mere effektive, og skatterne kunne kanaliseres over i programmer, der kunne ændre livet for millioner af mennesker. Denne udbredte anvendelse understreger imidlertid vigtigheden af at eliminere
skævhed i kunstig intelligens,
især hvis verdens regeringer bruger teknologien til at træffe politiske beslutninger.

 

Afsluttende tanker

opklaring af en del forvirring i forbindelse med automatisering af softwaretestning

AI har haft en dybtgående indvirkning på RPA-teknologien. Tidlige automatiseringsværktøjer var i stand til at håndtere mange af de rutineprægede og dagligdags opgaver på arbejdspladsen. Men efterhånden som den kollektive appetit på automatisering voksede, stødte RPA på sine begrænsninger. AI er ved at nedbryde disse barrierer.

Kombinationen af RPA og AI udvider begge værktøjers potentiale. Virksomheder høster allerede frugterne af intelligent automatisering, såsom forbedret kundeservice, øget organisatorisk effektivitet og reducerede driftsomkostninger. AI har åbnet mulighederne for RPA på måder, som virkede usandsynlige for bare et årti siden.

Men historien om Robotic Process Automation og AI stopper ikke her. Yderligere gevinster vil komme, når vi bevæger os mod hyperautomatiseringens æra. Det bliver en vild tur, så bliv ikke hægtet af.

Download post as PDF

Alex Zap Chernyak

Alex Zap Chernyak

Founder and CEO of ZAPTEST, with 20 years of experience in Software Automation for Testing + RPA processes, and application development. Read Alex Zap Chernyak's full executive profile on Forbes.

Get PDF-file of this post