Der nächste große Coup!
Robotic Process Automation (RPA) hat in den vergangenen Jahren einen rasanten Aufstieg hingelegt. Kein Wunder, denn mit Hilfe dieser Technologie können Unternehmen ohne Eingriffe in ihre vorhandenen Systeme zahlreiche Geschäftsprozesse automatisieren. Das bringt ihnen nicht nur massive Kosteneinsparungen und Produktivitätssteigerungen. Durch die Entlastung der Mitarbeiter von ungeliebten Standardaufgaben verbessert sich das Arbeitsklima und indem menschliche Fehlerquellen ausgeschlossen werden, steigt die Qualität der Prozesse. Da sich bei einer Automatisierung sicherstellen lässt, dass Prozesse genauso ablaufen, wie es durch Richtlinien oder Gesetze vorgeschrieben ist, erleichtert das die Compliance. Nicht zuletzt erhöht sich durch schnellere und bessere Services auch die Kundenzufriedenheit.
Autor – Walter Obermeier, Geschäftsführer der UiPath GmbH in München
Doch die Automatisierung hat auch Grenzen. Am besten funktioniert sie bei Prozessen, die auf klar strukturierten Informationen basieren und eindeutigen festen Regeln folgen. Solche Abläufe sind mit RPA in aller Regel durchgängig automatisierbar. Wenn aber unstrukturierte Informationen interpretiert werden und Entscheidungen getroffen werden müssen, sind die Software-Roboter meist mit ihrem Latein am Ende und benötigen menschliche Hilfe. Zumindest noch im Moment, denn durch die Kombination mit Künstlicher Intelligenz wird Robotic Process Automation zunehmend in die Lage versetzt, eine kognitive, also gewissermaßen „mitdenkende“ Automatisierung zu ermöglichen.
Optimierung durch KI und Machine Learning
Die Künstliche Intelligenz mit der größten Relevanz für RPA ist dabei das Deep Learning. Ein Großteil des aktuellen KI-Booms lässt sich auf die Entwicklung tiefer neuronaler Netze in den vergangenen Jahren zurückführen. Diese bestehen zum einen aus so genannten gefalteten neuronalen Netzen, einer spezialisierten Anwendung neuronaler Netze für maschinelles Sehen. Zum anderen bestehen sie aus rückgekoppelten neuronalen Netzen, die sich insbesondere für die maschinelle Verarbeitung von natürlicher Sprache eignen. Darüber hinaus spielen sie auch eine wichtige Rolle beim so genannten Reinforcement Learning, bei dem die KI nach dem Trial-and-Error-Prinzip lernt, komplexe Situationen zu meistern.
Wie genau lässt sich nun RPA durch die Einbettung von Künstlicher Intelligenz optimieren? Jeder IT-gestützte Unternehmensprozess folgt im Wesentlichen den drei Grundschritten „Datenaufbereitung“, „Beurteilen“ und „Aktion“. Vor allem bei den ersten beiden kann Künstliche Intelligenz die manuellen Nacharbeiten erheblich reduzieren.
Unstrukturierte Daten? Automatisiert aufbereiten.
Die Datenaufbereitung umfasst typischerweise die Datenextraktion, die Datentransformation und die Datenbereinigung. Ziel ist es dabei, die Daten in sinnvolle Informationen oder Erkenntnisse für ihre weitere Verarbeitung umzuwandeln. Dabei haben es Unternehmen mit strukturierten und unstrukturierten Daten zu tun. Die strukturierten Daten sind maschinell verständlich und abfragefähig und lassen sich dadurch meist basierend auf Regeln automatisch für die weitere Verarbeitung aufbereiten.
Den mit Abstand größten Anteil am Datenbestand von Unternehmen haben aber unstrukturierte Daten – Tendenz steigend. Diese sind anhand von Regeln nur sehr schwer oder überhaupt nicht interpretierbar, so dass sich die zur Weiterverarbeitung nötigen Informationen bislang nicht automatisiert extrahieren lassen. Hier kann Künstliche Intelligenz künftig Abhilfe schaffen. Dabei hat jede Unterklasse der unstrukturierten Daten ihre spezifischen Herausforderungen und braucht eigene technische Lösungen.
Unstrukturierte Texte benötigten KI-Technologien für die Verarbeitung von natürlicher Sprache. Sie müssen die verschiedenen Attribute wie Kontext, Personen oder Orte interpretieren, die für das Verständnis der Daten relevant sind.
Unstrukturierte Abbilder von Dokumenten, etwa Scans, erfordern Funktionen für Optical Character Regocnition (OCR) und Intelligent Character Regocnition (ICR) zur Extraktion von Daten. Weist ein Abbild ein konsistentes Format auf, wie das etwa bei Rechnungen oder Zahlungsüberweisungen der Fall ist, reichen die OCR- beziehungsweise ICR-Prozesse zur automatisierten Weiterverarbeitung aus. Ist das Format nicht konsistent, liefern diese Prozesse als Ergebnis unstrukturierte Textdaten, die dann auf die oben genannten KI-Technologien für natürliche Sprache angewiesen sind.
Unstrukturierte Bilder müssen mit Hilfe von KI-Technologien für maschinelles Sehen interpretiert werden, um daraus Informationen zu extrahieren. Ein Beispiel dafür ist etwa das Konstruktionsdiagramm eines Hauses, das möglichst schnell in eine Materialliste umgewandelt werden soll.
Unstrukturierte Audiodaten helfen Unternehmen unter anderem bei der Analyse von Kundenanrufen, um den Grad der Zufriedenheit oder andere Stimmungen zu erkennen. Schließlich gibt es noch unstrukturierte Videos, deren Daten von Unternehmen aber nur selten verwendet werden. In beiden Fällen steht die Entwicklung von Interpretationstechnologien noch ganz am Anfang.
@DOK.Grafik: Bitte Zeilenumbrüche in diesem Absatz beachten.
Entscheidungsfindung? Gestützt durch Prognosen.
Beim zweiten Prozessschritt, dem „Beurteilen“, ist zwischen zwei wesentlichen Kategorien zu unterscheiden: regelbasierten Urteilen und trendbasierten Urteilen. Bei regelbasierten Urteilen fußt die Entscheidungsfindung auf konfigurierbaren Regeln, wie dies beispielsweise bei Rechnungen möglich ist, die einen bestimmten Satz an Schlüsselinformationen aufweisen. Solche regelbasierten Entscheidungen lassen sich sehr einfach komplett automatisieren.
Trendbasierte Urteile umfassen Entscheidungen, die auf Mustern der Vergangenheit basieren. Ein Beispiel dafür wäre etwa die Entscheidung, Fehlbeträge von Kunden abzuschreiben. Zwar lassen sich auch unklare Entscheidungen häufig kodifizieren, dennoch ist in vielen Fällen Intuition erforderlich, die auf Erfahrung beruht und sich nicht in Regeln fassen lässt. Beurteilungen, die etwa im Zuge von Marketing-Kampagnen, beim Abschluss von Geschäftsperioden oder bei der Bewertung der Liquiditätslage nötig sind, können nur von Menschen zuverlässig gefällt werden.
Derartige Entscheidungen kann Künstliche Intelligenz den Menschen also nicht komplett abnehmen. Aber sie kann den Weg dorthin erleichtern und beschleunigen, indem sie Prognosen erstellt und daraus Vorschläge für die besten Entscheidungen generiert. Mit Hilfe statistischer Wahrscheinlichkeiten lässt sich dann sogar ein Teil der Entscheidungen automatisieren. Überschreitet die von der KI ermittelte Wahrscheinlichkeit, dass eine bestimmte Entscheidung die richtige ist, einen kritischen Schwellenwert, wird sie automatisiert. Bleibt die Wahrscheinlichkeit dagegen unter diesem Wert, müssen auch weiterhin Menschen in den Entscheidungsprozess einbezogen werden.
Perspektiven
Bilderkennung & visuelle Analyseverfahren mit Deep-Learning-Technologien
Bis dato nutzen Unternehmen RPA vor allem noch für eine regelbasierte Automatisierung. Doch durch die Integration Künstlicher Intelligenz haben sie zunehmend die Möglichkeit zu kognitiver Automatisierung. Sie eröffnet ihnen ganz neue und disruptive Wege zur Transformation ihrer Geschäftsprozesse.
RPA-Anbieter wie UiPath haben bereits Bilderkennung in ihre Plattformen integriert und arbeiten derzeit daran, auch Deep-Learning-Technologien einzubinden. Das wird es den Software-Robotern künftig ermöglichen, jeden Bildschirminhalt auf ähnliche Weise zu verstehen, wie das Menschen können. Die Bilderkennungs-Engines, die dabei zum Einsatz kommen und hochleistungsfähige Algorithmen nutzen, sind dafür optimiert, in weniger als 100 Millisekunden Bilder auf dem Bildschirm zu finden.
Individuelle Entwicklung von KI-Algorithmen
Durch die Integration von Machine-Learning-Technologien werden RPA-Plattformen zudem semi-strukturierte und unstrukturierte Inhalte immer zuverlässiger verarbeiten können. E-Mails, Jahresabschlüsse, Verträge und andere Dokumente enthalten Daten, die mit Hilfe von Schlüsselwörtern extrahiert und logisch organisiert werden müssen, damit die Software-Roboter richtige Entscheidungen treffen können. Idealerweise haben Nutzer dabei die Möglichkeit, KI-Algorithmen direkt innerhalb der RPA-Plattform zu entwickeln, indem die Plattform dafür gängige Programmiersprachen wie Python unterstützt. Zudem sollten die Nutzer auch direkt innerhalb der Plattform Machine-Learning-Modelle ausführen, warten und verwalten können.
Unternehmensanwendungen via Chatbots durch Natural Language Processing
Eine dritte große KI-Baustelle von RPA ist die Verarbeitung natürlicher Sprache. Die Unternehmensanwendungen der Zukunft werden weniger Formular-basiert und deutlich stärker Interaktions-basiert sein. In den Contact-Centern der Unternehmen hat diese Entwicklung mit dem zunehmenden Einsatz von Chatbots bereits begonnen. Im privaten Bereich führen inzwischen sehr viele Nutzer ihre Anfragen an Suchmaschinen durch Spracheingabe durch. Diese Art der Interaktion mit Software wird sich auch im Unternehmensumfeld immer weiter verbreiten. Um auch in diesem Umfeld eine durchgängige Automatisierung zu ermöglichen, müssen RPA-Plattformen Technologien für Natural Language Processing (NLP) und Lösungen für Contact-Center-KI integrieren.
Eine äußerst spannende Chance besteht darüber hinaus in der Automatisierung der Automatisierung durch KI. Durch die Integration von Process-Discovery-Technologie werden RPA-Plattformen in die Lage versetzt, die Mensch-Maschine-Interaktion und ihre Spuren in den Systemen en Detail zu analysieren. Auf dieser Basis könnte es RPA künftig möglich sein, selbstständig Automatisierungsvorlagen zu generieren.
Fazit
Unternehmen nutzen Robotic Process Automation hauptsächlich für regelbasierte Prozesse, die auf klar strukturierten Informationen basieren. Doch durch die Integration von Künstlicher Intelligenz ermöglichen RPA-Plattformen zunehmend eine kognitive Automatisierung. Software-Roboter werden zum Beispiel in die Lage versetzt, unstrukturierte Daten zu interpretieren und Entscheidungen zu treffen.
www.uipath.com/de
UiPath ist ein führender Anbieter für Enterprise Robotic Process Automation (RPA) und ein Vorreiter des „Automation First“-Zeitalters. Mit der True Enterprise RPA Platform von UiPath konnten Unternehmen und Institutionen auf der ganzen Welt bereits Millionen von repetitiven und anspruchslosen Aufgaben automatisieren – und dadurch ihre Produktivität steigern, ihre Kundenbindung verbessern und die Zufriedenheit ihrer Mitarbeiter erhöhen.