Mengatasi Tantangan Pemrosesan Konten RPA: Strategi Terbukti dari Ahli Industri
Bagaimana perusahaan dapat mengatasi tantangan RPA ini?
Dibangun untuk mirip dengan asisten digital untuk karyawan, robotic process automation dikenal berguna untuk menyederhanakan operasi bisnis tanpa meningkatkan biaya, sambil mengurangi kesalahan manusia. Namun, perangkat lunak RPA sendirian memiliki jebaknya ketika datang ke pemrosesan konten, karena kesenjangan intelijen.
Namun, ada cara untuk mengatasi kekurangan ini, sebagaimana diungkapkan oleh lima ahli di bidang ini.
Integrasi tambahan
Salah satu cara untuk mengatasi kekurangan pemrosesan konten adalah dengan menggabungkan teknologi cerdas lain dan mengintegrasikannya ke dalam sistem.
“Teknologi RPA terutama digunakan untuk mengotomatisasi proses berbasis aturan dan meniru tindakan manusia, seperti memproses faktur dan memasukkan data ke sistem SAP atau Oracle dari lembar kerja Microsoft Excel,” kata Gopal Ramasubramanian, senior director, intelligent automation & technology di Cognizant.
“Namun, ketika datang ke pemrosesan konten dalam dokumen, ada kebutuhan akan teknologi intake cerdas tambahan yang menggabungkan optical character recognition (OCR), pemrosesan bahasa alami (NLP) dan pembelajaran mesin (ML) untuk dapat mengekstrak metadata dari dokumen dan mengotomatisasi pemrosesan.
“Konten dapat berupa berbagai jenis, seperti terstruktur/dicetak, terstruktur/tulisan tangan, tidak terstruktur/dicetak dan tidak terstruktur/tulisan tangan. Cukup mudah untuk mengekstrak konten terstruktur menggunakan teknologi OCR standar. Namun, mengekstrak konten tidak terstruktur menantang dan, semakin banyak, kita melihat adopsi NLP dan teknologi pembelajaran mesin untuk mengatasinya.”
Arpit Oberoi, spesialis RPA di delaware, menambahkan: “Tantangan terbesar yang dihadapi teknologi RPA saat ini adalah fakta bahwa itu masih seringkali kesulitan memproses konten dan data yang tidak terstruktur. Untuk mengatasi masalah berkelanjutan ini, organisasi dapat mencoba menselaraskan data mereka menjadi kumpulan data yang lebih terstruktur dan juga, jika memungkinkan, menggabungkan AI dan RPA untuk mengoptimalkan atau mengotomatisasi pemrosesan konten.”
Partisipasi pihak ketiga
Andrew Rayner, vice-president of professional services EMEA di UiPath, melanjutkan dengan tema integrasi tambahan dengan menjelaskan kebutuhan akan aplikasi pihak ketiga digabungkan dengan RPA.
“Secara historis, teknologi RPA telah mampu diintegrasikan dengan aplikasi pihak ketiga untuk membantu pemrosesan konten,” kata Rayner. “Misalnya, banyak vendor OCR (Abbyy, IBM, dll.) memiliki integrasi langsung, yang memungkinkan dokumen semi-terstruktur atau terstruktur untuk diklasifikasikan dan dikenali.
“Di UiPath, kami telah berinvestasi besar dalam pemahaman dokumen untuk memberikan solusi ‘out of the box’ bagi pelanggan, dengan fleksibilitas untuk menerapkan teknik berbeda seperti pencocokan pola, templating, dan pembelajaran mesin untuk menangani jenis dokumen yang tidak terstruktur dan semi-terstruktur.
“Saat kita berpikir lebih luas tentang pemrosesan konten, ini cocok dengan hyperautomation, kita sekarang memiliki alur kerja yang berjalan lama dengan manusia di dalam lingkaran, yang memungkinkan robot dan manusia untuk bekerja secara lancar dalam satu transaksi.
“Telah terjadi kemajuan besar dalam hal konektivitas aplikasi untuk memproses konten melalui antarmuka pengguna atau API, dan dengan perkenalan RPA dan ML, robot sekarang dapat mengklasifikasikan, memahami sentimen dan menyarankan tindakan terbaik berikutnya untuk konten yang tidak terstruktur.”
Berinvestasi pada alat, dengan hati-hati
Sementara kebutuhan untuk menanggung beban dari perangkat lunak tambahan adalah valid, organisasi harus hati-hati tentang penglebihan biaya, dan memastikan alat yang mereka investasikan memiliki tujuan yang jelas dan spesifik.
“Bisnis memiliki banyak data tidak terstruktur dalam banyak format berbeda di seluruh organisasi mereka, baik itu dokumen, email atau bahkan data berbasis sistem yang tidak terstruktur, seperti data pembayaran untuk rekonsiliasi,” kata Chris Porter, CEO di NexBotix. “Itu menyebabkan masalah bagi RPA, yang hanya dapat menangani proses digital berbasis aturan dan terstruktur.
“Ada beberapa cara berbeda bagi pelanggan untuk mengatasi kekurangan ini. Satu adalah membeli solusi titik yang disesuaikan seperti alat OCR, yang dapat mengekstrak data dari dokumen, atau mereka dapat berinvestasi pada alat alur kerja untuk membantu mereka mengorkestrasi robot dan manusia, atau mungkin membeli beberapa pembelajaran mesin dari Google untuk mencoba mengekstrak wawasan dari dokumen kompleks mereka. Alat ini dirancang untuk memecahkan seperangkat masalah yang sangat sempit, dalam parameter yang ketat.
“Namun, masing-masing memiliki tantangan teknisnya sendiri; saat memulai salah satu proyek ini, Anda menghadapi biaya yang signifikan, plus Anda membutuhkan keterampilan dan teknologi yang tepat untuk mendukung setiap inisiatif. Setiap kasus penggunaan perlu diperlakukan sebagai proyek individu, karena Anda secara efektif membeli untuk kebutuhan khusus itu, dan jika Anda memiliki banyak jenis data yang berbeda di organisasi Anda, banyak proses yang memiliki tingkat data yang tidak terstruktur ini, Anda perlu memulai dari awal setiap kali dan membeli solusi yang tepat untuk memperbaiki setiap masalah individual.
“Kunci adalah menerapkan teknologi yang tepat untuk memecahkan masalah yang tepat tetapi melakukannya dengan cara yang dapat diskalakan yang berfokus pada nilai bisnis. Misalnya, kami memiliki pemrosesan faktur siap pakai yang dapat kami implementasikan di perusahaan apa pun memanfaatkan komponen yang dapat digunakan kembali dan mengotomatisasi proses bisnis ujung-ke-ujung di akun bayar. Kami telah melakukan pekerjaan keras untuk membangun itu dan membuatnya bekerja untuk pelanggan.”
Intelijen konten
Cara terakhir untuk mengatasi kekurangan RPA di sekitar pemrosesan konten adalah dengan menerapkan kemampuan tambahan.
Neil Murphy, global vice-president di ABBYY, menjelaskan: “Tantangan terbesar dengan RPA adalah ia tidak dapat memproses konten yang tidak terstruktur seperti faktur, email, formulir, terima kasih, atau korespondensi. Namun, perusahaan dapat ‖ dan memang ‖ mengatasinya.
“Semua yang dibutuhkan adalah ‘keterampilan’ intelijen konten yang membuat bot RPA lebih cerdas dengan menambahkan kemampuan kognitif, seperti menganalisis, memahami, dan memproses konten yang tidak terstruktur. Organisasi dapat menerapkan keterampilan intelijen konten ini dengan solusi no code atau low code yang mudah digunakan, yang memungkinkan staf mereka untuk membangun bot RPA yang dapat menangani berbagai macam dokumen.
“Sudah, kita melihat adopsi di semua ukuran bisnis di mana ambang masuk teknologi dihilangkan oleh pendekatan seperti ini. Ini pada gilirannya mendorong inovasi ‖ beberapa perusahaan sekarang menggabungkan keterampilan ini untuk menawarkan pemahaman kognitif lanjutan tentang kasus penggunaan kompleks. Onboarding pelanggan adalah contoh yang baik, di mana ada sejumlah besar dokumen yang perlu diproses, mulai dari dokumen identitas dan formulir onboarding, hingga rekening bank dan bukti alamat.”
