Brug af AI-mekaniseret hyperautomatisering til organisationsbeslutning

Samtidige virksomheder må omforme beslutningsdynamikken ved at indføre automatiseringsaktiverede arbejdsgange og prioritere AI-mekaniseret hyperautomatisering øverst på den digitale transformationsagenda. Hvorfor er dette nyligt fremførte fænomen overraskende brancher?

Eksisterende videnskabelige værker præsenterer overvejende de teoretiske grundlag for Robotic Process Automation (RPA) eller dens branchspecifikke implikationer inden for bestemte områder, navnlig finans, fremstilling eller sundhedsvesen. For at forklare det nævnte problematisk, har denne artikel til formål at analysere den nuværende tilstand af RPA og undersøge den konvergerende indvirkning af kunstig intelligens (AI) og maskinlærings (ML) teknologier. Medfølgende præsenterer den en empirisk undersøgelse for at identificere potentielle huller i ‘hyperautomatiserings‘ konteksten som en nøgleaktiverer i beslutningstagning.

Introduktion: Hyperautomatisering kommer ind i rampelyset

Hyperautomatisering opstår som en multifacetteret strategi, der integrerer førende teknologier såsom Robotic Process Automation (RPA), Kunstig Intelligens (AI), Maskinlærings (ML), Naturlig Sprogbehandling (NLP) og prædiktiv analyse for at skabe en hyperautomatiseret miljø til at opnå optimale resultater. Enkelt sagt er det en overlegen iteration af intelligent automatisering. I den moderne virksomheds kontekst er hyperautomatisering en teknologisk ekstrapolation for at forstærke virksomhedens digitale rejse ved at accelerere væsentlige innovationsinitiativer, AI-adopterings- og digital beslutningstagning. Det kræver, at organisationer tager en omfattende, udadtilgående tilgang til deres forretningscases. Det kan effektivt løse procesgæld, når virksomhedsteknologer har klare automatiseringsmål og bruger værktøjer omhyggeligt, som det er nødvendigt.

Gartner forudser, at den globale udgift til softwareteknologier, der muliggør hyperautomatisering, vil nå 1,04 billioner USD i 2026. Ifølge Precedence Research vil hyperautomatiseringsmarkedets størrelse nå 197,58 milliarder USD i 2032.

Hyperautomatisering kan videnskabeligt defineres som den taktiske udnyttelse af integrerede automatiseringsværktøjer for at optimere funktioner til deres maksimale potentiale, hvilket resulterer i højere produktivitet, forbedret operationel effektivitet og betydelige omkostningsbesparelser.

RPA-bots bliver til super-bots: Driver intelligent beslutningstagning

RPA-bots, der oprindeligt fungerede på regelbaserede programmer gennem læringsmønstre og efterligning af menneskeligt adfærd for at udføre repetitive og menialopgaver, er blevet til super-bots, med Conversational AI og Neural Network-algoritmer, der kommer i kraft. Disse selv-læringsagenter konfigurerer kognitivt resonement og tillader RPA-bots at dygtigt automatisere komplekse opgaver med minimal (overvågete bots) eller nul (uovervågede bots) menneskelig indgriben. Imidlertid ligger risikoadvarslen her, når man transformerer konventionel RPA til dens avancerede afledning, der driver kognitiv automatisering. I mange tilfælde mislykkes virksomhedsteknologer med at skala deres RPA-initiativer enten på grund af mangel på udførelsesstrategi, en dårligt defineret forretningscase eller forkert udvælgelse af processer til automatisering. En Forrester-undersøgelse fastslår, at 52 procent af brugergrupper har erklæret, at de kæmper med at skala deres RPA-program.

RPA har eksisteret i mere end to årtier, leverer deterministic resultater ved hjælp af struktureret data i områder såsom Enterprise Resource Planning (ERP) og Customer Relationship Management (CRM). Primitivt har RPA’s mulighed afhængigt af lav kognitiv krav og minimal undtagelseshåndtering. Seneste casesstudier afslører dog tilfælde, hvor AI-drevne RPA-bots demonstrerer evnen til at træffe subjektive domme, bruge fortolkningsevner og håndtere multiple cases-undtagelser.

Integration af Generative AI og Large Language Models (LLM) med RPA forbedrer virtuelle agenter kognitive evner, hvilket tillader menneske-lignende interaktioner og personlig feedback ved at lære kundepræferencer. IT-Service Management-landskabet er blevet styrket med 24*7-tilgængelighed, der løser almindelige problemer såsom netværksfejlfinding, softwareopdateringsinstallation og adgangskodegenoprettelse.

Virksomheder adopterer i stigende grad #Bring-Your-Own-Bots-trenden, integrerer Conversational AI-værktøjer med API’er i deres RPA-økosystem, hvilket eliminerer behovet for menneskelige ressourcer i beslutningstagning under kundeengagement. Denne skift er forventet at blive normen i 2024.

AI- og ML-træningsalgoritmer på atomniveau for dyb ‘læring’ og ‘tænkning’

Mellem knudepunkter af hver arbejdsgang sker beslutningstagning på et granulært niveau, hvor software-robotter profilerer strenge af struktureret og ustruktureret data i høj volumen for at orkestrere automatisering på tværs af forretningsprocesser.

Central for dyb læring er ML-baserede Neural Network-algoritmer, der dramatisk har revolutioneret beslutningstagningen på diskrete datapunkter på en kvantemæssig skala. Det trænger ind i big data – dataindgang, der er voluminøs, spredt og ufuldstændig. Det itererer løbende læring og forudsigelser inden for sandsynlighedsparametre og udleder endeligt en output.

Optical Character Recognition (OCR)-teknologi er en værdifuld medhjælper for virkelige RPA-anvendelser inden for sundhedssektoren. For eksempel kan OCR ved hjælp af Naturlig Sprogbehandling (NLP) og tekstanalyse dygtigt scannere og omdanne håndskrevne eller trykte dokumenter, såsom receptikort, patientformularer, lægenoter og laboratorie-resultater, til digitalt format. Dette simplificerer lagring og administration af sundhedsinformation, hvilket resulterer i organiserede databaser. Den gemte data er let tilgængelig, hvilket tillader værdifulde indsighter at blive udledt fra en patients medicinske historie.

Brugs-case: Sundhedssektor

Precedence Research-data rapporterer, at det globale RPA-marked i sundhedssektoren forventes at nå 14,18 milliarder USD i 2032.

Case Point: Storbritanniens førende lovbestemte myndighed for sundhedssektor

• Klinisk informationsstøtte: Storbritanniens førende ikke-departementale offentlige organ for sundhedssektor introducerede GP Connect-initiativet. Dette program tillader praktiserende læger og autoriseret klinisk personale at dele og få adgang til klinisk information fra praktiserende lægers kontorer, hvilket forbedrer patientpleje gennem forbedret dataadgang.
• Patientregistrering: Ved at udnytte RPA-løsning har sundhedssektorens myndighed strømlinet hele registreringsproceduren. Bots er ansat til at indsamle og indtaste patientindsendt data i kliniske systemer, hvilket eliminerer behovet for manuel indtastning af praktiserende lægers personale.
• RPA-leverandørstøtte: Myndigheden samarbejder med troværdige RPA-løsningsleverandører for at enable praktiserende lægers kontorer til at automatisere forskellige processer. Dette initiativ har til formål at forbedre effektivitet, spare tid for klinisk og administrativt personale, reducere servicenyhedskostninger og forbedre kvaliteten af patientpleje.

Almindelig sundhedsbrugs-case og fordele

1. Medicinsk forsikring: RPA-drevet hyperautomatisering er mere egnede til at identificere sundhedsforsikringsbedrageri sammenlignet med menneskelige evner. Enhver uskyldig menneskelig fejl er elimineret, og det tillader sundhedsforsikringsselskaber at accelerere ansøgninger med minimal menneskelig indgriben.
2. F&U i lægemiddelforskning: RPA-løsninger er en nøgleteknologi i livsvidenskabsindustrien til at transformere lægemiddelforskning og -udvikling. For eksempel var RPA afgørende for at forbedre tid til marked for Covid-19-vacciner. Ved at integrere RPA med forskellige IT-systemer kan lægemiddelforskning, kliniske forsøg, farmakovigilans og validering effektivt faciliteres uden menneskelig fejl.
3. Laboratorie-rapportering og EHR: Laboratorie-testresultater eller klinisk historie for patienter er digitalt lagret som Elektroniske Patientjournaler (EHR’er). RPA- og AI-aktiverede EHR-systemer fungerer som intelligente, evidensbaserede værktøjer, der hjælper sundhedsprofessionelle med at træffe mere informerede beslutninger og konklusioner for bedre patientpleje.

Brugs-case: Bank og finans

Research and Markets forudser, at mellem 2023 og 2028 vil de finansielle tjenester og forsikringssektorer have den største adoption af hyperautomatisering, og overgår andre sektorer med 32% af markedet.

Nøglefund fra nogle af de fremtrædende virkelige RPA-brugs-cases i banksektoren er nævnt nedenfor.

1. Regnskab: Et velkonfigureret RPA-program kan hjælpe med at standardisere data for generelle regnskaber og automatisere komplekse journalposter og dokumentregnskabsafstemninger.
2. Kontoføring: Her kan RPA-bots udvides med Optical Character Recognition (OCR) for automatisk at fange og transmittere data, samtidig med at det giver en revisionsstier og simplificerer overholdelsesrapportering.
3. Svindel-detection: Finansielle institutioner besidder omfattende kundeinformation, der både er meget fortrolig og sårbart over for cybertrusler. Maskinlæringsbaseret afvigelsesdetektion og RPA-forbedrede svindel-detections-systemer har vist sig effektive. I stedet for at afhænge af manuelle processer kan banker bruge RPA-værktøjer til kontinuerligt at overvåge transaktioner, identificere afvigelser ved hjælp af et regelbaseret system, markere potentiel svindel og alarmere menneskelig personale til yderligere undersøgelse.
4. Løn: RPA kan harmonisere data på tværs af multiple tidsregistrerings-systemer, evaluere vagt-timer og identificere tidsark-fejl.

Konklusion

Hyperautomatisering er i øjeblikket på vej mod en berømmet vej, fungerer som en vogter for virksomheder på tværs af diverse brancher og forretningsdomæner i at fremme digital transformation. Dog, ligesom enhver banebrydende innovation, stiller dens implementering indre udfordringer og risici.

Hyperautomatisering er ofte centreret om, hvordan man effektivt navigerer og mildner de multifacetterede udfordringer og kompleksiteter, der er indbygget i dens implementering. Nogle kerneudfordringer indebærer:

• Datapersonbeskyttelse: At beskytte følsomme data og systemer mod cybertrusler og sikre overholdelse af dataprotektionsregler.
• AI-forvrængningsdilemma: At konfrontere indbyggede forvrængninger i algoritmer og sikre upartiskhed i beslutningsresultater.
• Kompromitteret data: At håndtere omfattende data fra forskellige kilder og garantere deres præcision, pålidelighed og relevans.
• Arbejdskraftsforstærkning: At balancere integrationen af menneskelig dømmekraft med automatiseret beslutningstagning.

Ved at overvinde disse udfordringer og opnå en forhøjet niveau af modenhed i hyperautomatisering, kan virksomheder turbo-ladde arbejdsgangs-effektivitet. Ligeledes vil de finde det mere straightforward at bestemme de rigtige nøglepræstationsindikatorer (KPI’er) for at implementere nye metrics-baserede indtægtsmodeller tilpasset deres forretningsbehov.