Как это работает?

Самый простой пример – с электронной почтой. Каждый раз, заходя в почту, мы повторяем примерно одно и то же. Сначала классифицируем письма. Все лишнее попадает в корзину, счета и напоминания об оплате - в папку «Оплаты», запросы от клиентов - в папку «Важное» и так далее. Затем мы извлекаем информацию из писем и действуем в соответствии с ней: счета регистрируются и передаются в бухгалтерию (с отметкой «Срочно», если дата оплаты завтра), запросы передаются соответствующим менеджерам и так далее.

Точно так же выглядит работа многих компаний – они ежедневно реализуют свои сценарии обработки информации, обычно с достаточно большими объемами данных. Данные о взаимодействии с клиентами по различным каналам, информация о запасах, поставках, параметры работы, оборудование, данные геолокации грузов и транспортных средств – все это классифицируется и обрабатывается на основании определенных правил. Затем информация направляется в соответствующую группу внутри организации для дальнейших действий. Именно эти процессы RPA помогает автоматизировать. То, что раньше люди делали в пользовательском интерфейсе руками, теперь делается автоматически.

Пример с разбором почты – вполне жизненный. Страховая компания American Fidelity уже сейчас экономит время, используя решения RPA. Раньше менеджеры классифицировали и перенаправляли входящие письма клиентов вручную, читая каждое письмо, а с помощью RPA и машинного обучения удалось снизить скорость обработки с 45 часов до 3 секунд.

Неструктурированные данные и искусственный интеллект

Очень часто задачи обработки данных основаны на правилах. Создать бота, который справится с заранее оговоренным структурированным вводом совсем не сложно. Но если данные не структурированы, если правила не являются четкими и однозначными, для классификации и извлечения информации из таких источников требуется задействовать инструменты искусственного интеллекта. Например, машинное обучение или обработку естественного языка (NLP).

Для обучения системе машинного обучения потребуется достаточное количество неструктурированного контента. Например, если вы хотите автоматически извлекать из электронной почты жалобы клиентов, модель машинного обучения следует тренировать на большом количестве жалоб прошлых лет. Впрочем, сегодня уже существуют «предварительно обученные» модели, которые могут решать задачи прямо «из коробки».

Именно обработку претензий автоматизировала с помощью RPA американская страховая компания Safe-Guard Products. Время, необходимое для обработки претензии, было сокращено на 75%, а общая производительность команды выросла на 30%.

Интеграция с инструментами извлечения данных

RPA идеально интегрируется с другими инструментами для извлечения данных без участия человека. Отличный пример – это приложения, использующие оптическое распознавание символов (OCR) для сканирования документов. Такие приложения могут работать в связке с RPA, классифицируя и маршрутизируя структурированную или неструктурированные данные.

Другой пример – приложения интерактивного голосового ответа (IVR) и маршрутизации запросов клиентов. Системы RPA позволяют реализовать в приложениях IVR как логику, основанную на правилах, так и алгоритмы машинного обучения, знакомые с функциями обслуживания клиентов.

Ограничения RPA

RPA не заменяет людей полностью. Эта технология не предназначена для автоматизации сложных процессов с начала до конца. RPA может быть эффективен для повторяющихся задач, когда входные данные более или менее предсказуемы, но для завершения процессов часто требуется взаимодействие с другими системами.

Например, нужно открыть заказ, полученный по электронной почте, скопировать определенные поля и вставить их в электронную таблицу, а затем загрузить в веб-форму. Это идеальная работа для RPA, но это только часть процесса обработки заказа. Работа финансового отдела по выставлению счетов и контроля оплат, связанные операции в системах ERP и CRM – все это охватывает разные отделы и требует взаимодействия сотрудников. Это выходит за рамки стандартной работы на основе пользовательского интерфейса и требует интеграции RPA в более широкие платформы Business Process Management (BPM) и IT Process Automation (ITPA), которые охватывают процессы в масштабе предприятия и предполагают интеграцию с целым рядом приложений.

Применяйте творчески

R 2020 году рынок RPA составит $1,5 млрд долларов (по данным Forrester). Сегодня среди лидеров в этом сегменте - UiPath, Pega, Automation Anywhere и Blue Prism, которые находятся в авангарде.

Если вы добавите RPA и связанные технологии машинного обучения к вашему стеку приложений и сможете творчески применять RPA и искусственный интеллект к вашим задачам, спектр проблем, которые могут решить эти технологии, может быть весьма впечатляющим.