AI-기계화된 하이퍼 자동화를 통한 조직 의사 결정

현대 기업은 의사 결정 역학을 변革하기 위해 자동화 가능한 워크플로우를 채택하고 디지털 변혁의 최전선에 AI-기계화된 하이퍼 자동화를 두어야 합니다. 그렇다면 최근에 제기된 이 현상은 산업계에 놀라움을 가져다주는 이유는 무엇일까요?

기존의 학술 연구는 주로 로봇 프로세스 자동화(RPA)의 이론적 기초 또는 특정 도메인 내의 산업별 영향에 대해 다루고 있습니다. 특히 금융, 제조, 의료 등입니다. 앞서 언급한 문제를 설명하기 위해 이 글은 RPA의 현재 상태와 인공지능(AI) 및 기계 학습(ML) 기술의 융합에 대한 영향을 분석하는 것을 목표로 합니다. 본질적으로 이는 의사 결정에서 핵심 역할을 하는 ‘하이퍼 자동화’의 잠재적인 간극을 식별하기 위한 경험적 연구를 제시합니다.

소개: 하이퍼 자동화가 주목을 받는 이유

하이퍼 자동화는 로봇 프로세스 자동화(RPA), 인공지능(AI), 기계 학습(ML), 자연어 처리(NLP), 예측 분석 등을 통합하여 최적의 결과를 도출하는 하이퍼 자동화 환경을 만드는 다면적 전략입니다. 간단히 말해, 이는 지능형 자동화의 상위 버전입니다. 현대 비즈니스 환경에서 하이퍼 자동화는 기업의 디지털 여정을 가속화하고 혁신을 주도하며 디지털 의사 결정에 힘을 실어주는 기술적 확장입니다. 이는 조직이 비즈니스 사례에 대해 포괄적이고 외부에서 내부로 접근하는 방식을 필요로 합니다. 또한 비즈니스 기술자들이 명확한 자동화 목표를 가지고 필요한 경우에 도구를 신중하게 사용할 때 프로세스 부채를 효과적으로 해결할 수 있습니다.

가트너는 하이퍼 자동화를 가능하게 하는 소프트웨어 기술에 대한 세계적인 지출이 2026년까지 1.04조 달러에 달할 것으로 예측합니다. 프리시던스 리서치는 하이퍼 자동화 시장 규모가 2032년까지 1,975.8억 달러에 이를 것으로 예상합니다.

하이퍼 자동화는 통합된 자동화 도구를 사용하여 함수를 최대 잠재력으로 최적화하는 전술적 활용으로 정의할 수 있습니다. 이는 높아진 생산성, 향상된 운영 효율성, 그리고 상당한 비용 절감을 달성합니다.

RPA ボット가 슈퍼 ボット가 되다: 지능형 의사 결정 주도

원래 규칙 기반 프로그램을 통해 학습 패턴과 인간의 행동을 모방하여 반복적이고 단순한 작업을 수행하던 RPA ボット는 대화형 AI와 신경망 알고리즘의 도입으로 슈퍼 ボット가 되었습니다. 이러한 자가 학습 에이전트는 인지적推論을 구성하고 RPA ボット가 최소한의 인간 개입(관리 ボット) 또는 무인 개입(무인 ボット)으로 복잡한 작업을 능숙하게 자동화하도록 허용합니다. 그러나 전통적인 RPA를 고급 파생물로 변환할 때의 위험 경고가 여기 있습니다. 비즈니스 기술자들은 실행 전략의 부족, 잘 정의되지 않은 비즈니스 사례, 또는 자동화할 프로세스의 잘못된 선택으로 인해 souvent RPA 이니셔티브를 확장하지 못합니다. 포리스터 연구에 따르면 52%의 사용자 그룹이 RPA 프로그램을 확장하는 데 어려움을 겪고 있다고 주장합니다.

RPA는 2십년 이상 존재했으며, 엔터프라이즈 리소스 플래닝(ERP) 및 고객 관계 관리(CRM)와 같은 분야에서 구조화된 데이터를 사용하여 결정적 결과를 제공해 왔습니다. 원시적으로, RPA의 실현 가능성은 낮은 인지 요구와 최소한의 예외 처리에 달려 있었습니다. 그러나 최근의 사례 연구는 AI를搭載한 RPA ボット가 주관적인 판단을 내리고, 해석 능력을 사용하며, 여러 예외를 처리하는 능력을 보여주고 있습니다.

제네러티브 AI와 대규모 언어 모델(LLM)을 RPA와 통합하면 가상 에이전트의 인지 능력이 향상되어 인간과 같은 상호작용과 개인화된 피드백이 가능해집니다. 고객의 선호도를 학습하여 24*7 가용성, 네트워크 문제 해결, 소프트웨어 업데이트 설치, 비밀번호 재설정 등 일반적인 문제를 해결할 수 있습니다.

조직은 점점 더 #Bring-Your-Own-Bots 트렌드를 채택하여 RPA 생태계에서 대화형 AI 도구를 API와 통합하여 고객 참여 중에 인간 자원을 필요로 하는 의사 결정의 필요성을 제거하고 있습니다. 이 전환은 2024년까지 표준이 될 것으로 예상됩니다.

원자 수준의 AI 및 ML 학습 알고리즘: 깊은 ‘학습’ 및 ‘思考’

모든 워크플로우의 교차점에서 의사 결정이 발생하며, 소프트웨어 로봇은 구조화된 및 비구조화된 데이터의 문자열을 높은 볼륨으로 프로파일링하여 비즈니스 프로세스 전반에 자동화를 조직합니다.

깊은 학습의 핵심은 ML 기반의 신경망 알고리즘으로, 이는 결정 과정에서 미세한 수준에서 결정 과정을 혁신적으로 변革시켰습니다. 이는大量의, 산재한, 불완전한 데이터 입력을 관통합니다. 확률 매개변수 내에서 반복적으로 학습과 예측을 실행하여 궁극적으로 출력을 도출합니다.

광학 문자 인식(OCR) 기술은 의료 산업 내의 실제 RPA 애플리케이션에서 귀중한 동반자입니다. 예를 들어, 자연어 처리(NLP)와 텍스트 분석을 활용하여 OCR는 손으로 쓴 또는 인쇄된 문서를 효율적으로 스캔하고 디지털 형식으로 변환할 수 있습니다. 이는 의료 정보의 저장 및 관리를 단순화하여 조직화된 데이터베이스를 생성합니다. 저장된 데이터는 쉽게 액세스할 수 있으며, 이는 환자의 의료 기록에서 귀중한 통찰력을 도출하는 데 도움이 됩니다.

사례: 의료

프리시던스 리서치의 데이터에 따르면 글로벌 RPA 의료 시장은 2032년까지 141.8억 달러에 이를 것으로 예상됩니다.

사례: 영국의 의료 시스템 주도 기관

• 임상 정보 지원: 영국의 주요 비부처 공공 기관은 GP 커넥트 이니셔티브를 도입하여 일반 의사와 승인된 임상 직원이 임상 정보를 공유하고 액세스할 수 있도록 합니다. 이는 데이터 접근성을 개선하여 환자 치료를 향상합니다.
• 환자 등록: RPA 솔루션을 활용하여 의료 시스템 기관은 등록 절차를 간소화했습니다. 봇은 임상 시스템에 환자 제출 데이터를 수집하고 입력하여 임상 직원의 수동 입력을 제거합니다.
• RPA 공급자 지원: 기관은 신뢰할 수 있는 RPA 솔루션 공급자와 협력하여 일반 의료 진료소에서 다양한 프로세스를 자동화할 수 있도록 합니다. 이 이니셔티브는 효율성을 향상하고, 임상 및 행정 직원의 시간을 절약하며, 서비스 제공 비용을 절감하고, 환자 치료의 질을 높이는 것을 목표로 합니다.

일반 의료 사례 및ประโยชน

1. 의료 보험: RPA 기반 하이퍼 자동화는 인간의 능력보다 의료 사기를 식별하는 데 더 적합합니다. 의료 보험 회사에서 청구 처리를 최소한의 수동 개입으로 신속하게 처리할 수 있습니다.
2. 신약 개발 연구: RPA 솔루션은 생명 과학 산업에서 약물 개발과 연구를 변革하는 핵심 기술입니다. 예를 들어, RPA는 COVID-19 백신의 시장 출시 시간을 단축하는 데 중요한 역할을 했습니다. RPA를 다양한 IT 시스템과 통합하면 약물 개발, 임상 시험, 약물 모니터링, 검증을 효율적으로 수행할 수 있습니다.
3. 연구 보고서 및 전자 건강 기록: 연구실 시험 결과 또는 환자의 임상 기록은 전자 건강 기록(EHR)으로 디지털로 저장됩니다. RPA와 AI를搭載한 EHR 시스템은 의사들이 더 나은 환자 치료를 위한 정보에 기반한 의사 결정과 결론을 내릴 수 있도록 지원합니다.

사례: 금융 및 은행

리서치 앤 마켓은 2023년부터 2028년까지 금융 서비스와 보험 부문에서 하이퍼 자동화의 채택이 다른 부문을 앞질러 32%의 시장 점유율을 차지할 것으로 예측합니다.

금융 부문에서 일부 주요 RPA 사례의 주요 결과는 다음과 같습니다.

1. 회계: 잘 구성된 RPA 프로그램은 일반 원장에 대한 데이터를 표준화하고 복잡한 저널 엔트리와 문서 조정을 자동화하는 데 도움이 될 수 있습니다.
2. 계산서 지급: 여기서 RPA 봇은 광학 문자 인식(OCR)과 함께 자동으로 데이터를 캡처하고 전송하며 동시에 감사 추적을 제공하고 규정 준수를 단순화할 수 있습니다.
3. 사기 탐지: 금융 기관은 고객 정보를大量으로 보유하고 있으며, 이는 기밀性이 높고 사이버 위협에 취약합니다. 기계 학습 기반의 이상 탐지와 RPA 강화된 사기 탐지 시스템은 효과적으로 작동합니다. 수동 프로세스에 의존하는 대신에, 은행은 RPA 도구를 사용하여 거래를 지속적으로 모니터링하고, 규칙 기반 시스템을 사용하여 이상을 식별하고, 잠재적인 사기를 플래그하고, 추가 조사에 대한 인간 직원의 경고를 받을 수 있습니다.
4. 급여: RPA는 여러 시간 관리 시스템에 걸쳐 데이터를 조화시키고, 시프트 시간을 평가하고, 시간표 오류를 식별하는 데 사용할 수 있습니다.

결론

하이퍼 자동화는 현재 다양한 산업과 비즈니스 영역에서 디지털 변혁을 주도하는 기업을 위해輝かしい 길을 열어가고 있습니다. 그러나, 모든 개척적인 혁신과 같이, 하이퍼 자동화의 구현에는 내재된 도전과 위험이 있습니다.

하이퍼 자동화는 주로 어떻게 효과적으로 내비게이션하고, 복잡성을 완화하는지에 대한 것입니다. 일부 핵심 도전에는 다음이 포함됩니다:

• 데이터 개인 정보 침해: 민감한 데이터와 시스템을 사이버 위협으로부터 보호하고, 데이터 보호 규정을 준수하는 것입니다.
• AI 편향 딜레마: 알고리즘의 내재된 편향에 직면하고, 의사 결정 결과의 공정성을 보장하는 것입니다.
• 손상된 데이터: 다양한 출처에서 광범위한 데이터를 관리하고, 그 정확성, 신뢰성, 관련성을 보장하는 것입니다.
• 인력 증강: 자동화된 의사 결정 프로세스와 인간의 판단을 균형 있게 통합하는 것입니다.

이러한 도전을 극복하고 하이퍼 자동화에서 성숙도를 높일 때, 기업은 워크플로우 효율성을 터보차지할 수 있습니다. 동시에, 기업은 비즈니스 요구에 맞춘 새로운 지표 기반 수익 모델을 구현하기 위한 적절한 성과 지표(KPI)를 더 쉽게 결정할 수 있습니다.