Dapatkan Lebih Banyak Nilai Otomatisasi Dengan AI:AI Playbook Anda (Bagian 2)

Otomatisasi proses robotik (RPA) hanyalah permulaan—ini adalah fondasi, tetapi bukan tujuan, dari program otomatisasi Anda.

Di bagian pertama, Anda mempelajari cara menguji apakah program otomatisasi dan perusahaan Anda siap untuk kecerdasan buatan (AI). Dalam postingan ini, saya akan membahas seluk beluknya:bagaimana Anda dan tim otomasi Anda dapat mengimplementasikan AI di tingkat dasar.

Model AI merupakan akselerator dan pengganda untuk program otomatisasi Anda.

ROI untuk investasi RPA berkisar antara 30% hingga 200% pada tahun pertama, menurut studi kasus yang dilakukan oleh Leslie Willcocks, profesor teknologi, pekerjaan, dan globalisasi di Departemen Manajemen London School of Economics. Di antara pelanggan UiPath, kami telah melihat perusahaan mencapai ROI hanya dalam waktu satu bulan (DHL Global Forwarding, Freight), mencapai ROI 2:1 (Postbank), dan banyak lagi.

Dan pengembalian hanyalah permulaan:perusahaan telah menemukan manfaat dalam peningkatan produktivitas, peningkatan keterlibatan karyawan, dan pengurangan kesalahan. Bayangkan, lalu, apa yang dapat dilakukan dengan menambahkan kecerdasan kognitif ke rangkaian otomatisasi Anda. Penanganan kesalahan? Pengecualian? Manusia dalam lingkaran? AI dapat membantu.

Dalam webinar di AI Playbook (yang diadakan selama AI Summit kami), Brian Klochkoff, Head of Automation for Americas di dentsu international, bergabung dengan saya untuk menjelaskan bagaimana menambahkan model AI ke program otomatisasi Anda dapat membuka kunci dan menciptakan nilai.

Desain rencana dukungan eksekusi AI

Di bagian pertama dari seri artikel ini, kami menunjukkan kepada Anda cara mengungkap AI dan melibatkan orang-orang dengan kemungkinan AI. Kami juga membahas cara mendemonstrasikan kasus untuk berinvestasi di AI. Setelah Anda memenangkan pemangku kepentingan, Anda tidak ingin menyia-nyiakan momentum itu. Pastikan Anda siap menjalankan dengan rencana eksekusi yang terdiri dari elemen-elemen berikut.

tata kelola dan etika AI

Tata kelola dan etika untuk AI adalah bidang yang relatif baru, sehingga jalan ke depan tidak dilalui dengan baik. Banyak perusahaan dan entitas pemerintah masih mencari tahu seperti apa tata kelola, terutama yang berkaitan dengan pertimbangan etis.

Namun, untuk sebagian besar, model tata kelola center of excellence (CoE) yang khas berfungsi dengan baik untuk AI seperti halnya untuk RPA. Kuncinya, yang juga penting bagi CoE RPA, adalah membangun aturan untuk akuntabilitas, transparansi, dan keadilan.

Bagaimana Anda menghindari bias sistemik dari model dan data Anda, misalnya? Anda perlu memiliki titik kontrol yang memungkinkan Anda melacak keputusan kembali ke manusia, robot, atau campuran keduanya. Bagian dari rencana dukungan eksekusi Anda ini juga akan mencakup aturan tentang privasi data dan keamanan siber.

Kami mengutamakan tata kelola dan etika karena tata kelola dan etika perlu menjadi upaya khusus dari tim yang menjalankan AI. Apa pun yang kurang dari prioritas utama menciptakan risiko yang tidak ingin diambil oleh perusahaan Anda.

Model operasi

Kami telah menulis tentang model operasi otomatisasi beberapa kali, termasuk:

• Manfaat mendesainnya

• Pertimbangan yang harus dibuat saat membangun tim

• Mengoptimalkan potensi otomatisasi penuh Anda

Dalam hal AI, inti dari model operasi Anda harus menjadi tim lintas fungsi. Tim lintas fungsi ini mencakup orang-orang dari bisnis, analitik data, RPA, dan sisi dukungan. Anda harus mendesain model operasi Anda sedemikian rupa sehingga tidak ada silo. Saluran interaksi Anda harus efisien, dengan banyak peluang untuk berkolaborasi.

Tentukan sejak awal apakah Anda akan membuat model di rumah atau menggunakan model yang sudah jadi. Keputusan ini akan memengaruhi persyaratan infrastruktur dan sumber daya Anda, yang akan kita bahas di dua bagian berikutnya.

Idealnya, model operasi Anda memiliki struktur yang memungkinkan integrasi teknologi baru saat mereka muncul dan saat Anda dapat mengadopsinya. Integrasi dan adopsi harus beroperasi dalam realitas siklus pengembangan perangkat lunak (SDLC) Anda dan tuntutan tata kelola.

Di dentsu, menurut Klochkoff, "Kami melihat model operasi sebagai pembungkus semua hal ini." Dengan demikian, dentsu berfokus pada pembuatan dokumentasi dan penerbitan komprehensif yang berfungsi, secara transparan, di intranet perusahaan. “Orang-orang dapat memahami tentang kami dan bagaimana mereka dapat terlibat.”

Infrastruktur dan dukungan

Setelah Anda menentukan tata kelola dan operasi, Anda harus memikirkan infrastruktur. Apakah Anda akan menghosting platform AI Anda di tempat, dengan celah udara, atau di cloud? Di mana Anda akan berdiri mesin? Bagaimana Anda akan meng-host data yang mendorong model AI tersebut? Anda juga ingin memutuskan di sini, metode mana yang Anda gunakan untuk pelatihan.

Bergantung pada keputusan ini, waktu tunggu, upaya yang diperlukan, dan anggaran semuanya akan berubah, jadi buatlah dengan hati-hati.

Keterampilan sumber daya

Dengan infrastruktur yang telah Anda selesaikan, Anda akan ingin mengevaluasi seberapa terampil sumber daya Anda saat ini dan kesenjangan keterampilan apa yang mungkin ada. Sumber daya inti Anda adalah pengembang RPA yang dapat meningkatkan keterampilan dan belajar menerapkan AI ke RPA. Ilmuwan data juga akan memainkan peran kunci, skenario ideal yang melibatkan tim di mana pengembang RPA dan ilmuwan data bekerja sama secara erat.

Bergantung pada keputusan Anda sebelumnya, Anda mungkin dapat meningkatkan keterampilan karyawan saat ini, tetapi pikirkan baik-baik tentang perekrutan dari luar juga. Anda akan membutuhkan campuran sumber daya untuk mendapatkan hasil yang Anda inginkan.

dentsu membangun persona di sekitar siapa di tim mereka yang terlibat dalam CoE, keterampilan apa yang mereka miliki, apa yang sedang mereka kerjakan, dan sertifikasi apa yang mereka miliki. Klochkoff melihat pekerjaan mereka berpuncak pada “komunitas lintas fungsi.” dentsu ingin menciptakan jalur pembelajaran—dikelola oleh tata kelola—yang memungkinkan karyawan meningkatkan keahlian mereka saat ini.

Klochkoff menekankan bahwa “teknologi berkembang pada tingkat yang terkadang sulit untuk mengikuti pengetahuan [Anda] sendiri.” Dia merekomendasikan Anda berhenti setidaknya sekali seminggu untuk memberi tim Anda waktu untuk mengejar catatan rilis, webinar, dan kertas putih. “Kami tidak selalu melakukan itu,” Klochkoff memperingatkan, “dan itu berarti kami kehilangan beberapa fungsi yang dapat kami sematkan ke dalam solusi kami.”

Integrasikan AI ke dalam program RPA Anda yang sudah ada

Dengan rencana dukungan eksekusi dan berjalan, Anda siap untuk mulai berintegrasi. Kunci untuk mengintegrasikan AI ada dua:buat RPA Anda dan CoE analitik data bekerja bersama dan sesuaikan siklus pengembangan perangkat lunak Anda untuk menyertakan AI.

Dorong dua CoE Anda untuk berkolaborasi

CoE cenderung jatuh ke dalam salah satu dari dua model, masing-masing membutuhkan strategi kolaborasi yang berbeda.

Dalam model CoE individual, RPA individual dan CoE analitik data melapor ke departemen yang berbeda. Umumnya, CoE bekerja secara terpisah dan independen.

Untuk mencapai kolaborasi yang lebih besar, RPA CoE dapat secara proaktif menjangkau CoE data dan analitik. Bersama-sama, mereka dapat menemukan kasus penggunaan bisnis yang menguntungkan dari sinergi mereka. Ini mungkin memerlukan penjelasan RPA kepada tim analisis data, tetapi manfaat dari saling pengertian tersebut sangat besar.

Dalam model CoE tunggal, satu CoE menggabungkan semua teknologi otomasi dan melapor ke satu pimpinan—biasanya chief digital officer atau chief automation officer. Pemimpin CoE dapat memanfaatkan konsolidasi ini untuk memfokuskan CoE pada mandat untuk mengotomatisasi.

Tidak ada satu model yang tepat untuk semua organisasi. Anda harus mempertimbangkan pro dan kontra dari setiap model, bersama dengan sasaran dan posisi Anda dalam perjalanan otomatisasi, untuk menentukan model mana yang terbaik untuk organisasi Anda.

Namun, seiring waktu, seiring perusahaan menambahkan lebih banyak teknologi otomatisasi, model CoE individual cenderung berkembang menjadi model CoE tunggal.

Saat mereka mendemonstrasikan nilai dan mengartikulasikannya kepada para pemimpin dan pimpinan operasi, mereka mampu menjelaskan bagaimana AI mengurangi tantangan human-in-the-loop dan memperluas kemampuan otomatisasi untuk mengatasi “masalah yang lebih kompleks”.

Setelah perusahaan memiliki portofolio AI dan teknologi otomatisasi, wajar untuk mulai memikirkan bagaimana mereka dapat membuatnya harmonis.

Sesuaikan siklus pengembangan perangkat lunak Anda

Jika Anda menggunakan model CoE individu, agar SDLC beroperasi pada efektivitas puncak, diperlukan pengaturan kedua CoE. Secara umum, kedua teknologi akan mengikuti SDLC yang sama, tetapi nuansa halus mengubah cara Anda mengaturnya dengan baik. Untuk memperkenalkan struktur yang dapat mengakomodasi AI, fokuslah pada enam komponen berikut.

• Identifikasi: mulai dengan masalah bisnis, bukan solusi teknologi. Kumpulkan RPA, ilmuwan data, dan pengguna bisnis—idealnya di ruangan yang sama—untuk mengidentifikasi masalah yang sesuai dengan solusi AI. Sebelum melakukan hal lain, tentukan apakah menggunakan RPA dan UiPath AI Center akan menyelesaikan masalah yang dihadapi. Dan jika Anda benar-benar menentukan AI Center yang cocok, cari tahu apa yang harus diselesaikan oleh model pembelajaran mesin (ML).

• Desain: layering AI membutuhkan pertimbangan desain. Saat Anda mulai mendesain, tentukan apakah pengembang RPA Anda perlu mendesain solusi RPA mereka secara berbeda dengan penambahan ML. Selain itu, Anda dapat menanyakan kepada tim data Anda persiapan data apa yang diperlukan untuk pemodelan ML mereka.

• Kembangkan :pada tahap ini, Anda dapat mengizinkan tim RPA dan ilmuwan data Anda untuk menyimpang dan membuat komponen masing-masing selama mereka mengikuti kebijakan dan prosedur DevOps masing-masing. Tentukan tingkat orkestrasi yang diperlukan antara CoE data dan analitik Anda dan CoE RPA Anda. Ketahuilah, dalam alur kerja ujung ke ujung, bagaimana input dari satu teknologi akan menghasilkan output dari teknologi berikutnya.

• Uji :pastikan penguji penerimaan pengguna Anda, serta CoE Anda, tahu apa yang diharapkan pada setiap tahap SDLC. RPA cenderung langsung, jadi pengujiannya pasti. Anda lulus atau tidak. ML adalah tentang peningkatan bertahap, jadi model menyertakan ambang batas keyakinan yang akan meningkat seiring waktu.

• Terapkan :kemajuan teknologi otomasi modern telah membuat AI Ops lebih mudah daripada tahun-tahun sebelumnya. Tentukan apakah RPA CoE menangani penerapan model AI ke AI Center. Perbarui daftar periksa penerapan Anda untuk memastikan bahwa pemeriksaan sudah dilakukan. Tindakan penerapan yang sebenarnya sekarang cukup sederhana.

• Pertahankan :menentukan bagaimana tim Anda memitigasi dan mengelola efek perubahan eksternal, dan menentukan tim mana yang mempertahankan model AI setelah penerapan. Di RPA, semua orang tahu apakah robot sedang berjalan; menentukan apakah model ML membuat keputusan "salah" itu sulit. Anda mungkin perlu membuat dasbor yang melacak kepercayaan diri dan memicu peringatan jika kepercayaan diri turun di bawah ambang batas tertentu.

Meskipun RPA dan AI SDLC memiliki banyak kesamaan, perbedaan itulah yang membuat perbedaan.

Tingkatkan strategi otomatisasi Anda dengan mengintegrasikan AI

AI akan membawa strategi otomatisasi Anda ke level selanjutnya. Mengintegrasikan AI akan membutuhkan keterampilan organisasi serta keterampilan teknologi, tetapi manfaat dari integrasi itu akan sangat besar. SDLC Anda, RPA, dan CoE analitik data Anda, program otomatisasi Anda—semuanya memerlukan evaluasi ulang yang jelas dan hati-hati sebelum pengenalan AI.

Untuk mempelajari lebih lanjut tentang model AI dan tentang AI dan praktik terbaik otomatisasi, lihat rekaman webinar AI Playbook lengkap.