Business : Petit ML est le prochain grand saut dans RPA

Au lieu de faire de grands projets de ML, intégrez le ML dans votre travail RPA au quotidien et soyez étonné.

Le boom de l’automatisation des processus robotiques (RPA) au cours des dernières années a clairement montré que les processus commerciaux dans presque toutes les industries ont un nombre infini de goulots d’étranglement à résoudre et des améliorations d’efficacité à gagner. Des années avant le plein essor de la RPA, McKinsey estimait déjà l’impact annuel de l’automatisation du travail de connaissance autour de 6000 milliards de dollars en 2025.

Ayant suivi l’évolution de RPA des scripts python vers les plateformes généralisées, j’ai assisté à toute une transformation. Les outils et bibliothèques disponibles dans RPA se sont améliorés au fil du temps, chaque itération élargissant la variété des processus pouvant être automatisés et améliorant encore les taux d’automatisation globaux. Je crois que l’ajout de l’apprentissage automatique (ML) dans la boîte à outils quotidienne des développeurs RPA est le prochain grand pas en avant dans la portée et l’efficacité de l’automatisation des processus. Et je un m ne pas seul. Mais il y a un hic. Cela sera très différent de ce que tout le battage médiatique vous ferait croire.

Pourquoi même se soucier de l’apprentissage automatique?

Imaginez RPA sans logique ni variables if-else. Vous ne pouviez automatiser que des processus de clics simples et complètement statiques. Au fur et à mesure que nous ajoutons des variables et de la logique, nous pouvons commencer à automatiser des processus plus complexes et impactants. Plus le processus que vous souhaitez automatiser est complexe, plus vous devez ajouter de règles logiques et plus vous devez prendre en compte les cas marginaux. La charge pesant sur le système de règles du développeur RPA augmente de façon exponentielle. Vous voyez où je veux en venir?

le loi des rendements décroissants dicte qu’à un moment donné (étonnamment bientôt) le développement de systèmes de règles devient si coûteux que l’automatisation du processus ne vaut plus l’investissement. C’est là que l’apprentissage automatique entre en jeu. Utilisé correctement, il peut facilement déjouer n’importe quel système de règles traditionnel tout en nécessitant beaucoup moins de ressources. Et encore mieux, il déverrouille des automatisations si complexes que tenter de les résoudre avec des systèmes de règles serait risible. En fin de compte, la loi des rendements décroissants s’applique naturellement également à l’apprentissage automatique, mais je vais bientôt comprendre pourquoi cela n’a pas vraiment d’importance en ce moment.

Mais attendez, l’apprentissage automatique n’est-il pas incroyablement cher?

Oui et non. En choisissant la bonne approche et les bons outils, vous pouvez choisir entre le fou cher et le fou rentable. J’aime diviser l’automatisation en deux catégories:

1. Impact élevé, automatisation à faible volume

2. Faible impact, automatisation à haut volume

La première catégorie contient toutes les applications accélérées telles que les assistants personnels d’IA, les analyses commerciales de Big Data, la R&D automatisée et d’autres concepts qui apportent des promesses d’impact massif dans l’entreprise. Ceux-ci sont lancés comme d’énormes projets d’apprentissage automatique avec de grandes ambitions, mais ont tendance à devenir de simples cascades de relations publiques et ne parviennent pas à fournir une valeur réelle. Pourquoi? La réponse est dans le graphique. Les applications à fort impact nécessitent un investissement énorme pour éliminer l’augmentation finale de 2% de la précision nécessaire pour le faire fonctionner, ce qui a pour effet de réduire le retour sur investissement. Habituellement, ces projets drainent tellement de ressources que l’entreprise est obligée de réduire les coûts.

La deuxième catégorie concerne l’efficacité. Il a beaucoup moins d’attrait pour les médias, mais ne vous laissez pas berner par sa nature discrète. C’est là que vous trouverez des bénéfices réalisables et un véritable changement organisationnel. Des choses comme le traitement des factures, le classement des plaintes des clients et les pistes de vente éligibles ne ressemblent pas à des automatisations qui pourraient changer le monde. Mais ensemble, ils augmentent l’efficacité de votre entreprise d’un ordre de grandeur. Pensez à l’impact d’Internet. Vous n’avez pas un seul projet Internet massif, mais à la place, Internet est intégré dans toutes les fonctions de votre entreprise. La même chose se produira avec l’apprentissage automatique. Vous voulez être dans la zone rentable à haut rendement. Donc, au lieu de faire de gros projets ML, intégrez ML dans votre travail RPA au quotidien et soyez étonné.

Comment je fais ça? Nos scientifiques des données sont très occupés.

Choisissez simplement des outils qui permettent à votre équipe RPA d’utiliser l’apprentissage automatique sans compter sur l’équipe de science des données pour chaque automatisation. Il existe des outils d’apprentissage automatique destinés aux développeurs et évitant tous les tracas de la formation, de l’hébergement et de la maintenance des modèles.

Naturellement, vous pourriez toujours obtenir de meilleures performances avec un modèle personnalisé fabriqué par une équipe de science des données, mais vous devrez évaluer et justifier si l’investissement en vaut la peine. Lorsque l’équipe RPA peut utiliser elle-même le machine learning, le seuil d’intégration de l’intelligence dans l’automatisation des processus s’effondre. Vous allez commencer à le voir partout.

La plupart des outils ML sont destinés aux scientifiques des données afin d’optimiser leur travail. Vous devrez donc creuser pour trouver des solutions centrées sur les développeurs. J’y reviendrai à la fin du post.

Ok, par où dois-je commencer?

Jetez un œil à vos automatisations actuelles. Certains d’entre eux nécessitent-ils une mise à jour constante de leur système de règles ou ont-ils besoin d’une intervention humaine fréquente? Si oui, ces goulots d’étranglement pourraient-ils être résolus avec une certaine intelligence?

Une autre excellente source est votre backlog RPA. Y a-t-il des automatisations qui sont restées là avec une priorité moyenne à élevée pendant un certain temps mais qui n’ont jamais progressé? Ce sont généralement ceux qui ont un peu de complexité qui restent coincés dans l’arriéré.

Les automatisations où l’intelligence est nécessaire se trouvent généralement dans l’une des cases suivantes:

1. Dispose de données d’entrée non fiables: Par exemple. l’utilisateur n’a pas rempli toutes les informations nécessaires dans un formulaire ou il a fait des fautes de frappe.
2. Nécessite un système de règles complexe: Par exemple. identifier si une entrée existe déjà dans la base de données mais dans un format différent (Corp Inc. contre Corp).
3. Nécessite des décisions cognitives: Par exemple. un ticket de réclamation doit être attribué au bon agent du service client en fonction de sa catégorie ou de son urgence.
4. L’environnement ou les données changent fréquemment: Par exemple. les produits vendus au détail changent constamment lorsque de nouveaux produits sont introduits et que les anciens sont abandonnés.

Puis-je le faire sur ma plateforme RPA?

Oui. Le but est de faire de l’apprentissage automatique un outil normal dans votre boîte à outils RPA quotidienne et de supprimer tout point de friction entre les deux. Au moins aito.ai est déjà compatible avec Robot Framework, UiPath, BluePrism et tous les autres acteurs majeurs. L’utilisation de solutions comme celle-ci ne nécessite pas beaucoup plus que l’envoi de requêtes HTTP, une fonction standard dans n’importe quelle plate-forme RPA. Nous travaillons sur des guides et des didacticiels pour chaque plate-forme pour vous aider à démarrer, et nous lançons des bibliothèques et des composants pour rendre l’utilisation de ML encore plus facile sur les plates-formes.

N’hésitez pas à m’envoyer un message LinkedIn ou envoyez-moi un e-mail si vous souhaitez rejoindre les premiers utilisateurs. Rendez-vous dans le train ML!