• partner

  • partner

  • partner

  • Homepage
  • >
  • Kennisartikel
  • >
  • Hoe past AI in RPA-roadmap?

Kennisartikel

  • Hoe past AI in RPA-roadmap?

    15.03.17 | Door: Cognizant

    Amsterdam - 2016 was het jaar van de robot. Wordt 2017 het jaar van artificial intelligence en cognitive agents? Vorig jaar heeft de adoptie van robotic process automation (RPA) een enorme vlucht genomen in Nederland. Waar in voorgaande jaren nog veel organisaties enkel kennis aan het vergaren waren over RPA, hebben de meeste van hen inmiddels pilots lopen of zelfs robots in productie genomen. 

    Artificial intelligence (AI) wordt vaak gezien als de volgende stap en veel organisatie willen nu beter begrijpen hoe AI past in hun RPA-roadmap. En de vragen die wij op dit vlak het vaakst horen zijn:

    1.         Wat zijn de belangrijkste verschillen tussen RPA en AI?

    2.         Wat zijn voorbeelden van AI en waar passen organisatie het al toe?

    3.         Wat zijn de belangrijkste do’s en don’ts en welke stappen kan ik nu het best zetten?

    Wat zijn de belangrijkste verschillen tussen RPA en AI? RPA automatiseert repetitieve taken in bedrijfs- en IT-processen gebruikmakend van de user interface. En organisaties die RPA hebben geïmplementeerd plukken inmiddels de vruchten in termen van time-to-market, schaalbaarheid, kwaliteit, compliance en de aantrekkelijke return on investment en een terugverdientijd van 6 tot 9 maanden.

    Beperkingen

    Tegelijkertijd ondervinden organisaties ook de beperkingen van RPA. Deze zijn met name dat RPA alleen om kan gaan met zogenaamde rule-based processen en ook gestructureerde data-input nodig heeft. En dit is waar AI om de hoek komt kijken, want veel processen hebben ook zogenaamde judgement-based elementen en werken met ongestructureerde data.

    Een goed voorbeeld van AI is wat Facebook doet via hun FAIR (Facebook Artificial Intelligence Research)-unit. Zij hebben een oplossing ontwikkeld die in staat is om afbeeldingen naar tekst te vertalen en vice versa. Voor kleine volumes zou een ‘traditionele’ aanpak op basis van businessrules en tagging van afbeeldingen natuurlijk prima werken. Maar het geschatte aantal dagelijks geüploade afbeeldingen op Facebook is 300 miljoen en het is dus onmogelijk al deze afbeeldingen te taggen en al helemaal om dat realtime te doen. FAIR heeft daarom algoritmes ontwikkeld die patronen kunnen herkennen in afbeeldingen. Vervolgens traint FAIR deze algoritmes door ze met grote hoeveelheden afbeeldingen te voeden waarvan ze aangeven wat op de afbeelding staat, zeg van auto’s, honden, de Eiffeltoren of wat je ook maar kan bedenken. 

    Patroonherkenning

    Op een gegeven moment leert het algoritme de patronen herkennen en kan het afbeeldingen die het nog niet eerder heeft gezien toch interpreteren. Facebook gebruikt dit idee onder andere om blinde mensen deel te laten nemen aan het Facebook-netwerk. Het algoritme interpreteert afbeeldingen en laat via een spraakinterface de gebruiker horen wat op de afbeelding staat. En hoe meer (goede) data het algoritme ziet, des te beter het wordt.

    In het voorbeeld van Facebook hebben we het over afbeeldingen, maar hetzelfde idee gaat op voor andere ongestructureerde bronnen. Denk aan free-format e-mails of chatberichten, juridische documenten, rapporten, enzovoorts en je kunt je voorstellen dat er een wereld van mogelijkheden opengaat.

    Samenvattend is RPA dus gebaseerd op een traditionele aanpak van regels en structuur. Alles wat buiten deze regels valt, kan niet worden afgehandeld door middel van RPA. AI daarentegen is gebaseerd op algoritmes en leert zelf naarmate het meer data verwerkt.  

    Virtual cognitive agent

    Wat zijn andere voorbeelden van AI en waar passen organisatie het al toe? Een andere AI-toepassing die momenteel een hoge vlucht neemt, is de virtual cognitive agent (VCA). De VCA is het best te omschrijven als een AI-gebaseerd systeem of engagement dat getraind kan worden met mensen te communiceren door middel van zowel tekst als spraak. Denk hierbij aan chatbots, persoonlijke assistenten en virtuele callcentermedewerkers.

    Een aantal organisaties laat al klinkende resultaten zien op het gebied van VCA’s, zoals een grote bank die de snelheid van het oplossen van klantvragen met 70 procent zag verbeteren en een openbaar vervoerder die meer dan 1 miljoen euro heeft bespaard op customerservicekosten. 

    Lessen

    Wat zijn de belangrijkste do’s en don’ts en welke stappen kan ik nu het best zetten? Belangrijke lessen die getrokken kunnen worden uit AI projecten zijn de volgende.

    Focus niet alleen op tools en technologie, maar denk vanuit het proces en de businessdoelstellingen en zoek daar de juiste oplossing(en) bij. We zien bijna nooit dat een tool alle requirements kan afdekken en ook is soms een procesinterventie logischer.

    Zorg ook dat er voldoende en kwalitatief goede data beschikbaar is om de oplossing te trainen. We zien soms dat organisaties veel energie steken in het ontwikkelen van mooie algoritmes om er vervolgens achter te komen dat er (onvoldoende) goede data beschikbaar is.

     En wat betreft stappen die organisaties nu het beste kunnen zetten: RPA is iets waar iedere organisatie inmiddels eigenlijk mee aan de slag zou moeten zijn. Is dit nog niet het geval, dan is daar een inhaalslag te maken. Verder adviseren wij nu te beginnen met het begrijpen van en het experimenteren met AI-concepten. Deze experimenteerfase is belangrijk om goed te begrijpen waar de waarde zit van AI. De stap daarna is om AI in productie te brengen. Veel organisatie zijn van plan dit in de loop van dit jaar te doen.

    Auteur: Bart van der Mark, AVP Intelligent Automation Venture Europe bij Cognizant

trefwoorden

it-management |it |

Meest gelezen op IT Executive

Meest bekeken partnercontent