Maximize o ROI da Automação com IA: O Playbook (Parte 2)

Automação de processos robóticos (RPA) é apenas o começo — é a fundação, mas não o destino, do seu programa de automação.

Na parte um, você aprendeu como testar se seu programa de automação e sua empresa estão prontos para inteligência artificial (IA). Neste post, mergulharei nos detalhes: como você e sua equipe de automação podem implementar IA no nível prático.

Modelos de IA são tanto um acelerador quanto um multiplicador para seu programa de automação.

O ROI para um investimento em RPA varia de 30% a 200% no primeiro ano, segundo estudos de caso feitos por Leslie Willcocks, professora de tecnologia, trabalho e globalização no Department of Management da London School of Economics. Entre clientes UiPath, vimos empresas atingirem ROI em apenas um mês (DHL Global Forwarding, Freight), alcançarem ROI 2:1 (Postbank), e mais.

E um retorno é apenas o começo: empresas encontraram benefícios em produtividade aumentada, engajamento de funcionários melhorado e erros reduzidos. Imagine, então, o que adicionar inteligência cognitiva ao seu conjunto de automação pode fazer. Tratamento de erros? Exceções? Human in the loop? IA pode ajudar.

Em um webinar sobre o AI Playbook (realizado durante nosso AI Summit), Brian Klochkoff, Head of Automation for Americas na dentsu international, juntou-se a mim para explicar como adicionar modelos de IA ao seu programa de automação pode desbloquear e criar valor.

Desenhe um plano de suporte à execução de IA

Na primeira parte desta série de artigos, mostramos como desmistificar IA e engajar pessoas com as possibilidades de IA. Também discutimos como demonstrar o caso para investir em IA. Uma vez que você conquiste seus stakeholders, você não quer desperdiçar esse momentum. Certifique-se de estar pronto para correr com um plano de execução que consiste nos seguintes elementos.

Governança e ética de IA

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

Na maior parte, no entanto, um modelo típico de governança de center of excellence (CoE) funciona tão bem para IA quanto para RPA. As chaves, que são importantes para um CoE de RPA também, são construir regras para accountability, transparência e justiça.

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

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

Modelo operacional

Escrevemos sobre o modelo operacional de automação múltiplas vezes, incluindo:

• Os benefícios de desenhar um
• Considerações ao construir uma equipe
• Otimizando para seu potencial total de automação

Quando se trata de IA, o núcleo do seu modelo operacional deve ser uma equipe multifuncional. Esta equipe multifuncional inclui pessoas do negócio, analytics de dados, RPA e lados de suporte. É importante que você desenhe seu modelo operacional de forma que não haja silos. Seus canais de interação devem ser eficientes, com amplas oportunidades para colaboração.

Determine cedo se você vai construir modelos internamente ou usar modelos pré-construídos. Esta decisão afetará seus requisitos de infraestrutura e seus recursos, que entraremos nas próximas duas seções.

Idealmente, seu modelo operacional tem uma estrutura que permite a integração de novas tecnologias à medida que emergem e conforme você consegue adotá-las. Integração e adoção têm que operar dentro das realidades do seu ciclo de vida de desenvolvimento de software (SDLC) e das demandas de governança.

Na dentsu, segundo Klochkoff, "Vemos o modelo operacional como sendo o wrapper em torno de todas essas coisas." Como tal, dentsu foca em criar documentação abrangente e publicar esse trabalho, transparentemente, na intranet da empresa. "Pessoas podem entender no que estamos trabalhando e como podem se envolver."

Infraestrutura e suporte

Uma vez que você determine governança e operações, você vai querer pensar em infraestrutura. Você vai hospedar sua plataforma de IA on-premises, air-gapped, ou na nuvem? Onde você vai levantar a máquina? Como você vai hospedar os dados que alimentam aqueles modelos de IA? Você vai querer decidir aqui, também, quais métodos você usa para treinamento.

Dependendo destas decisões, o lead time, esforço requerido e orçamento todos mudarão, então decida cuidadosamente.

Habilidades de recursos

Com sua infraestrutura definida, você vai querer avaliar quão qualificados seus recursos atuais são e quais lacunas de habilidades pode haver. Seu recurso central serão desenvolvedores RPA que podem fazer upskill e aprender a aplicar IA a RPA. Cientistas de dados desempenharão papéis-chave também, o cenário ideal envolvendo uma equipe onde desenvolvedores RPA e cientistas de dados trabalham juntos de perto.

Dependendo de suas decisões anteriores, você provavelmente será capaz de fazer upskill de funcionários atuais, mas pense cuidadosamente sobre contratar de fora também. Você precisará de uma mistura de recursos para obter os resultados que deseja.

A dentsu construiu personas em torno de quem em sua equipe está envolvido no CoE, quais habilidades eles têm, no que estão trabalhando, e quais certificações têm. Klochkoff vê o trabalho deles culminando em uma "comunidade multifuncional". A dentsu quer criar um caminho para aprendizado — gerenciado por governança — que capacite funcionários a aumentar seu conjunto de habilidades atual.

Klochkoff enfatizou que "tecnologia está evoluindo em uma taxa onde é difícil às vezes acompanhar [seu] próprio conhecimento." Ele recomenda que você pause pelo menos uma vez por semana para dar tempo à sua equipe para acompanhar release notes, webinars e white papers. "Nem sempre fizemos isso," Klochkoff alertou, "e significou que perdemos algumas das funcionalidades que poderíamos incorporar em nossas soluções."

Integre IA ao seu programa de RPA existente

Com um plano de suporte à execução funcionando, você está pronto para começar a integrar. As chaves para integrar IA são duplas: faça seus CoEs de RPA e analytics de dados trabalharem juntos e ajuste seu ciclo de desenvolvimento de software para incluir IA.

Incentive seus dois CoEs a colaborar

CoEs tendem a cair em um de dois modelos, cada um requerendo estratégias de colaboração diferentes.

Em um modelo de CoE individual, CoEs individuais de RPA e analytics de dados reportam a departamentos diferentes. Geralmente, os CoEs trabalham separados e independentemente.

Para alcançar maior colaboração, o CoE de RPA pode proativamente alcançar o CoE de dados e analytics. Juntos, eles podem encontrar casos de uso de negócio que se beneficiem de sua sinergia. Isso pode requerer explicar RPA para a equipe de analytics de dados, mas os benefícios desse entendimento mútuo são imensos.

Em um modelo de CoE singular, um único CoE incorpora todas as tecnologias de automação e reporta a um único líder — tipicamente um chief digital officer ou chief automation officer. Líderes de CoE podem alavancar esta consolidação para focar o CoE em um mandato de automação.

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

Com o tempo, porém, à medida que empresas adicionam mais tecnologias de automação, modelos de CoE individuais tendem a evoluir para modelos de CoE singulares.

À medida que demonstraram valor e o articularam para líderes e leads de operações, eles conseguiram explicar como IA mitigou desafios de human-in-the-loop e estendeu a capacidade de automação para assumir "problemas mais complexos".

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

Ajuste seu ciclo de vida de desenvolvimento de software

Se você está usando um modelo de CoE individual, para o SDLC operar na efetividade máxima precisa da orquestração de ambos CoEs. Geralmente, ambas tecnologias seguirão o mesmo SDLC, mas as nuances sutis mudam como você pode melhor orquestrar. Para introduzir uma estrutura que possa acomodar IA, foque nos seguintes seis componentes.

• Identificar: comece com o problema de negócio, não a solução tecnológica. Reúna RPA, cientistas de dados e usuários de negócio — idealmente na mesma sala — para identificar problemas que se adequem a soluções de IA. Antes de fazer qualquer outra coisa, determine se usar RPA e UiPath AI Center resolverá o problema em questão. E se você determinar que AI Center se encaixa, descubra o que o modelo de machine learning (ML) deve resolver.
• Desenhar: a camada de IA requer consideração de design. Ao começar a desenhar, determine se seus desenvolvedores RPA precisarão desenhar suas soluções RPA de forma diferente com a adição de ML. Além disso, você vai querer perguntar à sua equipe de dados que preparação de dados o modelo de ML precisará.
• Desenvolver: neste estágio, você pode permitir que suas equipes de RPA e cientistas de dados diverjam e façam seus componentes individuais desde que sigam suas respectivas políticas e procedimentos DevOps. Determine o nível de orquestração necessário entre seu CoE de dados e analytics e seu CoE de RPA. Saiba, no fluxo de trabalho ponta a ponta, como a entrada de uma tecnologia criará a saída da próxima tecnologia.
• Testar: garanta que seu testador de aceitação do usuário, assim como seus CoEs, saibam o que esperar em cada estágio do SDLC. RPA tende a ser direto, então teste é definitivo. Você passa ou não. ML é sobre melhoria gradual, então modelos incluem um threshold de confiança que melhorará com o tempo.
• Implantar: o avanço de tecnologias modernas de automação tornou AI Ops mais fácil que em anos passados. Determine se o CoE de RPA lida com a implantação de modelos de IA para AI Center. Atualize sua checklist de implantação para garantir que verificações estejam no lugar. O ato real de implantação agora é bem simples.
• Manter: determine como suas equipes mitigam e gerenciam efeitos de mudanças externas, e determine qual equipe mantém modelos de IA após implantação. Em RPA, todos sabem se o robô está rodando; determinar se um modelo de ML está tomando a decisão "errada" é difícil. Você pode precisar criar um dashboard que rastreie confiança e acione alertas se a confiança cair abaixo de certo threshold.

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

Leve sua estratégia de automação ao próximo nível integrando IA

IA levará sua estratégia de automação ao próximo nível. Integrar IA requer habilidades organizacionais assim como tecnológicas, mas os benefícios dessa integração serão enormes. Seu SDLC, seus CoEs de RPA e analytics de dados, seu programa de automação — todos requerem reavaliação clara e cuidadosa antes da introdução de IA.

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