Obtenha mais valor de automação com IA:seu manual de IA (parte 2)

A automação robótica de processos (RPA) é apenas o começo - é a base, mas não o destino, do seu programa de automação.

Na primeira parte, você aprendeu a testar se seu programa de automação e sua empresa estão prontos para inteligência artificial (IA). Neste post, vou mergulhar no âmago da questão:como você e sua equipe de automação podem implementar a IA no nível básico.

Os modelos de IA são um acelerador e um multiplicador para seu programa de automação.

O ROI de um investimento em RPA varia de 30% a 200% no primeiro ano, de acordo com estudos de caso feitos por Leslie Willcocks, professora de tecnologia, trabalho e globalização do Departamento de Administração da London School of Economics. Entre os clientes da UiPath, vimos empresas atingirem o ROI em menos de um mês (DHL Global Forwarding, Freight), alcançarem um ROI de 2:1 (Postbank) e muito mais.

E o retorno é apenas o começo:as empresas encontraram benefícios no aumento da produtividade, no envolvimento aprimorado dos funcionários e na redução de erros. Imagine, então, o que a adição de inteligência cognitiva ao seu conjunto de automação pode fazer. Manipulação de erros? Exceções? Humano no circuito? A IA pode ajudar.

Em um webinar sobre o AI Playbook (realizado durante nosso AI Summit), Brian Klochkoff, chefe de automação para as Américas da dentu international, se juntou a mim para explicar como adicionar modelos de IA ao seu programa de automação pode desbloquear e criar valor.

Desenvolva um plano de suporte à execução de IA

Na primeira parte desta série de artigos, mostramos como desmistificar a IA e envolver as pessoas com as possibilidades da IA. Também discutimos como demonstrar o caso de investir em IA. Depois de conquistar seus stakeholders, você não quer desperdiçar esse momento. Verifique se você está pronto para executar com um plano de execução que consiste nos seguintes elementos.

Governança e ética da IA

Governança e ética para a IA são um campo relativamente novo, portanto, o caminho a seguir não é bem trilhado. Muitas empresas e entidades governamentais ainda estão decidindo como é a governança, especialmente no que se refere a considerações éticas.

Na maioria das vezes, no entanto, um modelo de governança típico de centro de excelência (CoE) funciona tão bem para IA quanto para RPA. As chaves, que também são importantes para um CoE de RPA, são criar regras para responsabilidade, transparência e justiça.

Como você evita vieses sistêmicos de seu modelo e dados, por exemplo? Você precisa ter pontos de controle que permitam rastrear as decisões até um humano, um robô ou uma mistura dos dois. Esta parte do seu plano de suporte à execução também incluirá regras sobre privacidade de dados e segurança cibernética.

Colocamos governança e ética no topo porque governança e ética precisam ser um esforço dedicado da equipe que está executando a IA. Qualquer coisa menos do que a prioridade máxima cria um risco que sua empresa não quer assumir.

Modelo operacional

Já escrevemos sobre o modelo de operação de automação várias vezes, incluindo:

• 
  Os benefícios de projetar um
  
• 
  Considerações a serem feitas ao construir uma equipe
  
• 
  Otimizando para todo o seu potencial de automação
  

Quando se trata de IA, o núcleo do seu modelo operacional deve ser uma equipe multifuncional. Essa equipe multifuncional inclui pessoas das áreas de negócios, análise de dados, RPA e suporte. É importante que você projete seu modelo operacional de forma que não haja silos. Seus canais de interação devem ser eficientes, com muitas oportunidades de colaboração.

Determine desde o início se você construirá modelos em casa ou usará modelos pré-construídos. Essa decisão afetará seus requisitos de infraestrutura e seus recursos, que abordaremos nas próximas duas seções.

O ideal é que seu modelo operacional tenha uma estrutura que permita a integração de novas tecnologias à medida que elas surgem e à medida que você consegue adotá-las. A integração e a adoção precisam operar dentro das realidades do seu ciclo de vida de desenvolvimento de software (SDLC) e das demandas de governança.

Na dentu, de acordo com Klochkoff, “vemos o modelo operacional como o invólucro de todas essas coisas”. Dessa forma, a dentu se concentra na criação de documentação abrangente e na publicação desse trabalho, de forma transparente, na intranet da empresa. “As pessoas podem entender o que somos e como elas podem se envolver.”

Infraestrutura e suporte

Depois de determinar a governança e as operações, você deve pensar na infraestrutura. Você vai hospedar sua plataforma de IA on-premise, air-gapped ou na nuvem? Onde você vai colocar a máquina? Como você vai hospedar os dados que alimentam esses modelos de IA? Você vai querer decidir aqui também quais métodos você usa para o treinamento.

Dependendo dessas decisões, o prazo de entrega, o esforço necessário e o orçamento mudarão, portanto, tome-os com cuidado.

Habilidades de recursos

Com sua infraestrutura estabelecida, você desejará avaliar a qualificação de seus recursos atuais e quais lacunas de habilidades podem existir. Seu principal recurso serão os desenvolvedores de RPA que podem aprimorar e aprender a aplicar a IA ao RPA. Os cientistas de dados também desempenharão papéis importantes, o cenário ideal envolvendo uma equipe em que desenvolvedores de RPA e cientistas de dados trabalham juntos.

Dependendo de suas decisões anteriores, você provavelmente poderá aprimorar os funcionários atuais, mas pense com cuidado sobre a contratação de fora também. Você precisará de uma combinação de recursos para obter os resultados desejados.

A dentu construiu personas em torno de quem em sua equipe está envolvido no CoE, quais habilidades eles têm, no que estão trabalhando e quais certificações eles têm. Klochkoff vê seu trabalho culminando em uma “comunidade multifuncional”. A dentu quer criar um caminho para o aprendizado—gerenciado pela governança—que permita que os funcionários aumentem suas habilidades atuais.

Klochkoff enfatizou que “a tecnologia está evoluindo a um ritmo tal que às vezes é difícil acompanhar [seu] próprio conhecimento”. Ele recomenda que você faça uma pausa pelo menos uma vez por semana para dar tempo à sua equipe para acompanhar as notas de lançamento, webinars e white papers. “Nem sempre fazíamos isso”, alertou Klochkoff, “e isso significava que perdemos algumas das funcionalidades que poderíamos incorporar em nossas soluções”.

Integre IA ao seu programa de RPA existente

Com um plano de suporte de execução em execução, você está pronto para começar a integrar. As chaves para integrar a IA são duas:faça com que seus CoEs de RPA e análise de dados funcionem juntos e ajuste seu ciclo de desenvolvimento de software para incluir a IA.

Incentive seus dois CoEs a colaborar

Os CoEs tendem a se enquadrar em um dos dois modelos, cada um exigindo diferentes estratégias de colaboração.

Em um modelo de CoE individual, RPAs individuais e CoEs de análise de dados se reportam a diferentes departamentos. Geralmente, os CoEs trabalham à parte e de forma independente.

Para obter maior colaboração, o RPA CoE pode entrar em contato proativamente com o CoE de dados e análises. Juntos, eles podem encontrar casos de uso de negócios que se beneficiam de sua sinergia. Isso pode exigir a explicação do RPA para a equipe de análise de dados, mas os benefícios desse entendimento mútuo são imensos.

Em um modelo de CoE único, um único CoE incorpora todas as tecnologias de automação e se reporta a um líder, normalmente um diretor digital ou diretor de automação. Os líderes do CoE podem aproveitar essa consolidação para focar o CoE em um mandato para automatizar.

Não existe um modelo correto para todas as organizações. Você precisará pesar os prós e os contras de cada modelo, juntamente com seus objetivos e onde você está em sua jornada de automação, para determinar qual modelo é melhor para sua organização.

Com o tempo, no entanto, à medida que as empresas adicionam mais tecnologias de automação, os modelos individuais de CoE tendem a evoluir para modelos de CoE singulares.

À medida que demonstraram valor e o articularam para líderes e líderes de operações, eles puderam explicar como a IA mitigou os desafios humanos e ampliou a capacidade da automação para enfrentar “problemas mais complexos”.

Uma vez que as empresas tenham um portfólio de tecnologias de IA e automação, é natural começar a pensar em como elas podem torná-las harmoniosas.

Ajuste seu ciclo de vida de desenvolvimento de software

Se você estiver usando um modelo de CoE individual, para que o SDLC opere com eficácia máxima, ele precisa da orquestração de ambos os CoEs. Geralmente, ambas as tecnologias seguirão o mesmo SDLC, mas as nuances sutis mudam a melhor forma de orquestrar. Para introduzir uma estrutura que possa acomodar a IA, concentre-se nos seis componentes a seguir.

• 
  Identificar: comece com o problema de negócios, não com a solução de tecnologia. Reúna RPA, cientistas de dados e usuários de negócios – idealmente na mesma sala – para identificar problemas adequados às soluções de IA. Antes de fazer qualquer outra coisa, determine se o uso de RPA e UiPath AI Center resolverá o problema em questão. E se você determinar que o AI Center se encaixa, descubra o que o modelo de aprendizado de máquina (ML) deve resolver.
  
• 
  Projeto: a camada de IA requer consideração de design. Ao começar a projetar, determine se seus desenvolvedores de RPA precisarão projetar suas soluções de RPA de forma diferente com a adição de ML. Além disso, você deve perguntar à sua equipe de dados qual preparação de dados será necessária para a modelagem de ML.
  
• 
  Desenvolver :nesta fase, você pode permitir que suas equipes de RPA e cientistas de dados divirjam e criem seus componentes individuais, desde que sigam suas respectivas políticas e procedimentos de DevOps. Determine o nível de orquestração necessário entre seu CoE de dados e análises e seu CoE de RPA. Saiba, no fluxo de trabalho de ponta a ponta, como a entrada de uma tecnologia criará a saída da próxima tecnologia.
  
• 
  Teste :garanta que seu testador de aceitação do usuário, bem como seus CoEs, saibam o que esperar em cada estágio do SDLC. O RPA tende a ser direto, então o teste é definitivo. Ou você passa ou não. O ML trata da melhoria gradual, portanto, os modelos incluem um limite de confiança que melhorará com o tempo.
  
• 
  Implantar :o avanço das modernas tecnologias de automação tornou as operações de IA mais fáceis do que nos anos anteriores. Determine se o RPA CoE lida com a implantação de modelos de IA no AI Center. Atualize sua lista de verificação de implantação para garantir que as verificações estejam em vigor. O ato real de implantação agora é bastante simples.
  
• 
  Manter :determine como suas equipes mitigam e gerenciam os efeitos de mudanças externas e determine qual equipe mantém os modelos de IA após a implantação. No RPA, todos sabem se o robô está rodando; determinar se um modelo de ML está tomando a decisão “errada” é difícil. Talvez seja necessário criar um painel que rastreie a confiança e acione alertas se a confiança cair abaixo de um determinado limite.
  

Embora os SDLCs de RPA e AI compartilhem muitas semelhanças, as diferenças são o que fazem a diferença.

Eleve sua estratégia de automação para o próximo nível integrando a IA

A IA levará sua estratégia de automação para o próximo nível. A integração da IA ​​exigirá habilidades organizacionais e tecnológicas, mas os benefícios dessa integração serão enormes. Seu SDLC, seu RPA e CoEs de análise de dados, seu programa de automação – todos exigem uma reavaliação clara e cuidadosa antes da introdução da IA.

Para saber mais sobre modelos de IA e práticas recomendadas de IA e automação, confira a gravação completa do webinar do AI Playbook.