Het gebruik van AI-geautomatiseerde hyperautomatisering voor organisatorische besluitvorming

Contemporaine bedrijven moeten de besluitvormingsdynamiek transformeren door middel van automatisering-gestuurde workflows en prioriteit geven aan AI-geautomatiseerde hyperautomatisering bovenaan de digitale transformatie. Waarom is dit onlangs geformuleerde fenomeen zo verrassend voor industrieën?

Bestaande wetenschappelijke werken presenteren voornamelijk de theoretische grondslagen van Robotic Process Automation (RPA) of de specifieke implicaties van RPA binnen bepaalde domeinen, zoals financiën, productie of gezondheidszorg. Om het bovengenoemde dilemma te verduidelijken, heeft dit artikel als doel om de huidige stand van zaken van RPA te analyseren en de convergerende impact van Artificial Intelligence (AI) en Machine Learning (ML) technologieën te onderzoeken. Inherent presenteert het een empirische studie om potentiële lacunes in de context van ‘hyperautomatisering‘ te identificeren als een belangrijke factor in besluitvorming.

Inleiding: Hyperautomatisering komt in de schijnwerpers

Hyperautomatisering komt naar voren als een multifacetteerde strategie die leidende technologieën zoals Robotic Process Automation (RPA), Artificial Intelligence (AI), Machine Learning (ML), Natural Language Processing (NLP) en predictieve analyse integreert om een hypergeautomatiseerde omgeving te creëren om optimale resultaten te behalen. Simpel gezegd, het is een superieure iteratie van intelligente automatisering. In de moderne bedrijfscontext is hyperautomatisering een technologische extrapolatie om de ondernemingsdigitale reis te versterken door cruciale innovatie-initiatieven, AI-adoptie en digitale besluitvorming te versnellen. Het vereist dat organisaties een alomvattende, outside-in-benadering van hun bedrijfsgevallen hanteren. Het kan proces-schuld effectief aanpakken wanneer bedrijfs technologieën duidelijke automatiseringsdoelen hebben en tools zorgvuldig gebruiken als dat nodig is.

Gartner voorspelt dat de wereldwijde uitgaven voor softwaretechnologieën die hyperautomatisering mogelijk maken tegen 2026 USD 1,04 biljoen zullen bereiken. Volgens Precedence Research zal de omvang van de hyperautomatiseringsmarkt tegen 2032 USD 197,58 miljard bereiken.

Hyperautomatisering kan wetenschappelijk worden gedefinieerd als het tactische gebruik van geïntegreerde automatiseringshulpmiddelen om functies te optimaliseren tot hun maximale potentieel, waardoor een verhoogde productiviteit, verbeterde operationele efficiëntie en aanzienlijke kostenbesparingen worden behaald.

RPA-bots worden super bots: intelligentie gestuurde besluitvorming

RPA-bots die oorspronkelijk op regel-gebaseerde programma’s werkten door middel van leerpatronen en het emuleren van menselijk gedrag voor het uitvoeren van repetitieve en meniale taken, zijn super bots geworden, met Conversational AI en Neural Network-algoritmen die in werking treden. Deze zelflerende agenten configureren cognitieve redenering en laten RPA-bots toe om complexe taken met minimale (begeleide bots) of geen (onbegeleide bots) menselijke interventie te automatiseren. Echter, het risico ligt hier wanneer conventionele RPA wordt getransformeerd naar zijn geavanceerde afgeleide, waardoor cognitieve automatisering wordt gestimuleerd. In veel gevallen falen bedrijfs technologieën erin om hun RPA-initiatieven op te schalen, hetzij vanwege een gebrek aan uitvoeringsstrategie, een slecht gedefinieerd bedrijfsgeval of de verkeerde selectie van processen om te automatiseren. Een Forrester-studie stelt dat 52 procent van de gebruikersgroepen aangeeft dat ze moeite hebben om hun RPA-programma op te schalen.

RPA bestaat al meer dan twee decennia en levert deterministische resultaten met behulp van gestructureerde gegevens in gebieden zoals Enterprise Resource Planning (ERP) en Customer Relationship Management (CRM). Primitief hing RPA-haalbaarheid af van lage cognitieve eisen en minimale uitzonderingsbehandeling. Recent onderzoek toont echter aan dat AI-gepowered RPA-bots in staat zijn om subjectieve oordelen te vellen, interpretatievaardigheden te gebruiken en meerdere uitzonderingsgevallen te behandelen.

De integratie van Generative AI en Large Language Models (LLM) met RPA verhoogt de cognitieve capaciteiten van virtuele agenten, waardoor menselijke interacties en persoonlijke feedback mogelijk worden door middel van het leren van klantvoorkeuren. Het IT-servicebeheerlandschap is versterkt met 24*7-beschikbaarheid, waardoor gemeenschappelijke problemen zoals netwerkproblemen, software-updates en wachtwoordherstel worden aangepakt.

Organisaties nemen steeds vaker de #Bring-Your-Own-Bots-trend over, waarbij Conversational AI-hulpmiddelen worden geïntegreerd met API’s in hun RPA-ecosysteem, waardoor de behoefte aan menselijke hulp bij besluitvorming tijdens klantinteractie wordt geëlimineerd. Deze verschuiving wordt verwacht om tegen 2024 de norm te worden.

AI- en ML-trainingsalgoritmen op atomaire niveau voor diep ‘leren’ en ‘denken’

Tussen de knooppunten van elke workflow gebeurt besluitvorming op een granulair niveau, waar software-robots reeksen van gestructureerde en ongestructureerde gegevens in hoge volumes profileren om automatisering over bedrijfsprocessen te orkestreren.

Centraal in diep leren zijn de ML-gebaseerde Neural Network-algoritmen, die de besluitvormingsprocessen op discrete datapunten op een kwantumniveau dramatisch hebben omgevormd. Het dringt door in de big data – gegevensinvoer die volumineus, verspreid en onvolledig is. Het voert iteratief leren en voorspellingen uit binnen waarschijnlijkheidsparameters en levert uiteindelijk een output.

Optical Character Recognition (OCR) technologie is een waardevolle metgezel voor real-life RPA-toepassingen binnen de gezondheidszorg. Door bijvoorbeeld Natural Language Processing (NLP) en tekstanalyse te gebruiken, kan OCR handgeschreven of gedrukte documenten, zoals etiketten voor medicijnen, patiëntformulieren, artsnotities en laboratoriumresultaten, efficiënt scannen en omzetten in digitaal formaat. Dit vereenvoudigt de opslag en beheer van gezondheidsinformatie, waardoor georganiseerde databases ontstaan. De opgeslagen gegevens zijn gemakkelijk toegankelijk, waardoor waardevolle inzichten kunnen worden verkregen uit een patiënt zijn medische geschiedenis.

Geval: Gezondheidszorg

Precedence Research-rapporten geven aan dat de wereldwijde RPA-markt in de gezondheidszorg tegen 2032 USD 14,18 miljard zal bereiken.

Case Point: VK’s Leidende Statutaire Autoriteit voor Gezondheidszorgsysteem

• Clinische Informatie Ondersteuning: De VK’s leidende non-departementale openbare lichaam dat gezondheidsdiensten verleent, heeft het GP Connect-initiatief ingevoerd. Dit programma stelt artsen en geautoriseerd klinisch personeel in staat om klinische informatie vanuit huisartsenpraktijken te delen en te benaderen, waardoor de patiëntenzorg verbetert door verbeterde gegevensbeschikbaarheid.
• Patiëntregistratie: Door middel van RPA-oplossingen heeft de gezondheidszorgsysteemautoriteit de hele registratieprocedure gestroomlijnd. Bots worden ingezet om patiëntingevoerde gegevens te verzamelen en in klinische systemen in te voeren, waardoor de noodzaak voor handmatige invoer door praktijkpersoneel wordt geëlimineerd.
• RPA-leveranciersondersteuning: De autoriteit werkt samen met vertrouwde RPA-oplossingsleveranciers om huisartsenpraktijken in staat te stellen om verschillende processen te automatiseren. Dit initiatief heeft als doel om de efficiëntie te verbeteren, tijd voor clinici en administratief personeel te besparen, de dienstverleningskosten te verlagen en de kwaliteit van de patiëntenzorg te verhogen.

Algemene Gezondheidszorg Geval en Voordelen

1. Medische Verzekering: RPA-gestuurde hyperautomatisering is beter in staat om gezondheidsfraude te identificeren dan menselijke capaciteiten. Elke onschuldige menselijke fout wordt geëlimineerd en stelt ziektekostenverzekeraars in staat om claims te verwerken met minimale menselijke interventie.
2. Onderzoek en Ontwikkeling in Geneesmiddelenontdekking: RPA-oplossingen zijn een belangrijke technologie-instrument in de levenswetenschappen om de ontwikkeling van geneesmiddelen en onderzoek te transformeren. RPA was bijvoorbeeld cruciaal bij het potentieel verbeteren van de tijd tot markt voor Covid-19-vaccins. Door RPA te integreren met verschillende IT-systemen, kan Drug Discovery, Clinical Trials, Pharmacovigilance en Validatie efficiënt worden gefaciliteerd zonder menselijke fouten.
3. Laboratoriumrapporten en EHR: De laboratoriumtestresultaten of de medische geschiedenis van patiënten worden digitaal opgeslagen als Elektronische Gezondheidsdossiers (EHR’s). RPA- en AI-geactiveerde EHR-systemen functioneren als intelligente, evidence-gebaseerde instrumenten die gezondheidszorgprofessionals helpen bij het nemen van meer geïnformeerde beslissingen en conclusies voor betere patiëntenzorg.

Geval: Banken en Financiën

Research and Markets voorspelt dat tussen 2023 en 2028 de financiële dienstverlening en verzekeringen de meeste adoptie van hyperautomatisering zullen hebben, waarmee andere sectoren worden ingehaald met 32% van de markt.

Sleutelbevindingen uit enkele van de meest prominente real-life RPA-gevallen in de banken en financiële sector worden hieronder vermeld.

1. Accounting: Een goed geconfigureerd RPA-programma kan helpen om gegevens voor algemene leden en complexe journaalboekingen en documentaccountafstemmingen te standaardiseren en te automatiseren.
2. Accounts Payable: Hier kunnen RPA-bots worden uitgerust met Optical Character Recognition (OCR) om gegevens automatisch te capteren en over te dragen, terwijl tegelijkertijd een audittrail en compliance-rapportage worden vereenvoudigd.
3. Fraude Detectie: Financiële instellingen beschikken over uitgebreide klantinformatie, die zowel vertrouwelijk als kwetsbaar is voor cyberdreigingen. Machine learning-gebaseerde anomaliedetectie en RPA-geactiveerde fraude detectiesystemen hebben zich effectief bewezen. In plaats van te vertrouwen op handmatige processen, kunnen banken RPA-hulpmiddelen gebruiken om transacties voortdurend te controleren, afwijkingen te identificeren met behulp van een regel-gebaseerd systeem, potentiële fraude te signaleren en menselijk personeel te waarschuwen voor verdere onderzoek.
4. Salarisadministratie: RPA kan gegevens over meerdere tijdregistratiesystemen harmoniseren, diensturen evalueren en tijdkaartfouten identificeren.

Conclusie

Hyperautomatisering baant momenteel een glorierijke weg, als voorhoede voor bedrijven in diverse industrieën en bedrijfsdomeinen om digitale transformatie te stimuleren. Echter, net als bij elke pioniersinnovatie, brengt de implementatie van hyperautomatisering inherente uitdagingen en risico’s met zich mee.

Hyperautomatisering draait vaak om hoe effectief te navigeren en de multifacetteuze uitdagingen en complexiteiten inherent aan de implementatie te mitigeren. Enkele kernuitdagingen zijn:

• Gegevensbeschermingsinbreuken: Beschermen van gevoelige gegevens en systemen tegen cyberdreigingen en waarborgen van naleving van gegevensbeschermingsregels.
• AI-biasdilemma: Confronteren van inherente vooroordelen in algoritmen en waarborgen van onpartijdigheid in besluituitkomsten.
• Gecompromitteerde Gegevens: Beheren van uitgebreide gegevens uit diverse bronnen en waarborgen van hun precisie, betrouwbaarheid en relevantie.
• Workforce-aanvulling: Balanceren van de integratie van menselijke oordeel met geautomatiseerde besluitvormingsprocessen.

Door deze uitdagingen te overwinnen en een verhoogd niveau van volwassenheid in hyperautomatisering te bereiken, kunnen ondernemingen de efficiëntie van workflows versnellen. Evenzo zullen ze het gemakkelijker vinden om de juiste Key Performance Indicators (KPI’s) te bepalen voor het implementeren van nieuwe, op metrieken gebaseerde inkomstenmodellen die zijn afgestemd op hun bedrijfsbehoeften. Door deze uitdagingen te overwinnen en een verhoogd niveau van volwassenheid in hyperautomatisering te bereiken, kunnen ondernemingen de efficiëntie van workflows versnellen. Evenzo zullen ze het gemakkelijker vinden om de juiste Key Performance Indicators (KPI’s) te bepalen voor het implementeren van nieuwe, op metrieken gebaseerde inkomstenmodellen die zijn afgestemd op hun bedrijfsbehoeften. Door deze uitdagingen te overwinnen en een verhoogd niveau van volwassenheid in hyperautomatisering te bereiken, kunnen ondernemingen de efficiëntie van workflows versnellen. Evenzo zullen ze het gemakkelijker vinden om de juiste Key Performance Indicators (KPI’s) te bepalen voor het implementeren van nieuwe, op metrieken gebaseerde inkomstenmodellen die zijn afgestemd op hun bedrijfsbehoeften.