Superando Desafios de Processamento de Conteúdo no RPA: Estratégias Comprovadas de Especialistas

Como as empresas podem superar esses desafios do RPA? Criados para se assemelhar a assistentes digitais para funcionários, a automação de processos robóticos é conhecida por ser útil para simplificar operações de negócio sem aumentar custos, enquanto reduz erro humano. No entanto, o software RPA sozinho tem suas armadilhas no processamento de conteúdo, devido a inteligência incompatível.

No entanto, existem maneiras de superar essas desvantagens, conforme revelado por cinco especialistas da área.

Integração adicional

Uma maneira de superar as desvantagens do processamento de conteúdo é combinando outras tecnologias inteligentes e integrando-as ao sistema.

“A tecnologia RPA é usada principalmente para automatizar processos baseados em regras e imitar ações humanas, como processar uma fatura e inserir dados em sistemas SAP ou Oracle a partir de uma planilha Microsoft Excel,” explicou Gopal Ramasubramanian, diretor sênior de automação inteligente e tecnologia na Cognizant.

“No entanto, quando se trata de processar conteúdo em documentos, há necessidade de tecnologias adicionais de captura inteligente que combinem reconhecimento óptico de caracteres (OCR), processamento de linguagem natural (NLP) e machine learning (ML) para extrair metadados dos documentos e automatizar o processamento.”

“O conteúdo pode ser de diferentes tipos: estruturado/impresso, estruturado/manuscrito, não estruturado/impresso e não estruturado/manuscrito. É relativamente fácil extrair conteúdo estruturado usando tecnologias OCR padrão. No entanto, extrair conteúdo não estruturado representa um desafio e, cada vez mais, vemos adoção de tecnologias NLP e machine learning para abordá-lo.”

Arpit Oberoi, especialista em RPA na delaware, acrescentou: “O maior desafio enfrentado pela tecnologia RPA hoje é que ela ainda luta para processar conteúdo e dados não estruturados. Para superar essa questão contínua, organizações podem tentar harmonizar seus dados em conjuntos de dados mais estruturados e, onde possível, combinar IA e RPA para otimizar ou automatizar o processamento de conteúdo.”

Envolvimento de terceiros

Andrew Rayner, vice-presidente de serviços profissionais EMEA na UiPath, continuou no tema de integração adicional explicando a necessidade de aplicações de terceiros combinadas com RPA.

“Historicamente, a tecnologia RPA consegue integrar com aplicações de terceiros para auxiliar processamento de conteúdo,” disse Rayner. “Por exemplo, muitos fornecedores de OCR (Abbyy, IBM, etc.) têm integração direta, permitindo que documentos semi-estruturados ou estruturados sejam classificados e reconhecidos.”

“Na UiPath, investimos pesadamente em compreensão de documentos para fornecer uma solução ‘pronta para uso’ para clientes, com flexibilidade para aplicar diferentes técnicas como correspondência de padrões, templates e machine learning para lidar com tipos de documentos não estruturados e semi-estruturados.”

“Ao pensarmos mais amplamente sobre processamento de conteúdo, isso se encaixa bem na hiperautomação; agora temos workflows de longa duração com humano no loop, permitindo que robôs e humanos trabalhem perfeitamente em uma transação.”

“Houve grandes avanços em conectividade de aplicações para processar conteúdo via interface do usuário ou APIs, e com a introdução de RPA e ML, robôs agora podem classificar, entender sentimento e sugerir próximas melhores ações para conteúdo não estruturado.”

Investir em ferramentas, com cuidado

Embora a necessidade de recorrer a software adicional seja válida, organizações devem ter cuidado com gastos excessivos e garantir que as ferramentas em que investem tenham propósito claro e específico.

“Empresas têm muitos dados não estruturados em diversos formatos por toda a organização, sejam documentos, e-mails ou até dados baseados em sistema não estruturados, como dados de pagamento para reconciliações,” disse Chris Porter, CEO da NexBotix. “Isso causa problema para o RPA, que só lida com processos digitais estruturados e baseados em regras.”

“Existem algumas maneiras diferentes para clientes superarem essas deficiências. Uma é comprar uma solução pontual sob medida como ferramenta OCR, que extrai dados de documentos, ou investir em ferramenta de workflow para ajudar a orquestrar robôs e humanos, ou talvez comprar machine learning do Google para tentar extrair insights de documentos complexos. Essas ferramentas são projetadas para resolver um conjunto muito estreito de problemas, dentro de parâmetros apertados.”

“No entanto, cada uma tem seus próprios desafios técnicos; ao embarcar em um desses projetos, você enfrenta custo significativo, além de precisar das habilidades e tecnologia certas para suportar cada iniciativa. Cada caso de uso precisa ser tratado como projeto individual, porque você está efetivamente comprando para aquela necessidade específica, e se você tem muitos tipos diferentes de dados na organização, muitos processos com esse nível de dados não estruturados, precisa começar do zero cada vez e comprar a solução certa para corrigir cada problema individual.”

“A chave é aplicar a tecnologia certa para resolver os problemas certos, mas de forma escalável que foque em valor de negócio. Por exemplo, temos processamento de faturas pronto para uso que implementamos em qualquer empresa usando componentes reutilizáveis e automatizando o processo de negócio ponta a ponta em contas a pagar. Já fizemos o trabalho difícil de construir isso e fazer funcionar para o cliente.”

Inteligência de conteúdo

Uma maneira final de superar as desvantagens do RPA no processamento de conteúdo é implementar capacidades extras.

Neil Murphy, vice-presidente global da ABBYY, explicou: “O maior desafio com RPA é que ele não consegue processar conteúdo não estruturado como faturas, e-mails, formulários, recibos ou correspondência. No entanto, empresas podem – e fazem – superar isso.”

“Tudo o que precisa são ‘habilidades’ de inteligência de conteúdo que tornam bots RPA mais inteligentes adicionando capacidades cognitivas, como analisar, entender e processar conteúdo não estruturado. Organizações podem implantar essas habilidades de inteligência de conteúdo com soluções fáceis de usar no-code ou low-code, que permitem à equipe construir bots RPA que lidam com vasta gama de documentos.”

“Já vemos adoção em empresas de todos os tamanhos onde a barreira tecnológica de entrada é removida por tal abordagem. Isso, por sua vez, impulsiona inovação – algumas empresas agora combinam essas habilidades para oferecer compreensão cognitiva avançada de casos de uso complexos. Onboarding de clientes é um bom exemplo, onde há multiplicidade de documentos a processar, desde documentos de identidade e formulários de onboarding, a extratos bancários e comprovantes de endereço.”