Por Karina Provasnik
Hoy en día son cada vez más las organizaciones que buscan generar mayores eficiencias en sus procesos y poder realizar una transformación de su negocio exitosa, es por ello que con el paso del tiempo, cada vez más industrias se están beneficiando con la incorporación de tecnologías cognitivas y de automatización.
Para comprender cómo estas tecnologías nos están afectando, es necesario aclarar algunos conceptos iniciales. Se entiende por automatización, el proceso de crear automáticamente un sistema o una función de proceso donde la intervención del humano no es necesaria. La automatización robótica de procesos (RPA) puede programarse para realizar tareas repetitivas y de alto volumen que suelen requerir la participación de una persona para automatizar pasos que insumen mucho tiempo en un proceso y también permite integrar diferentes sistemas en forma rápida, que de otro modo llevaría mucho esfuerzo manual o de programación.
Para poder automatizar tareas, la clave está en el conocimiento del proceso, la determinación de datos y en tener documentado cada uno de sus pasos, así como entender la lógica que tiene detrás.
Cuando se habla de bots a propósito de RPA se hace alusión a un programa que imita las acciones de un humano y que también interactúa con otras aplicaciones en otros dispositivos. Además, estos bots pueden ejecutar cálculos complejos y tomar decisiones en base a los datos disponibles (estructurados y semiestructurados) y a ciertas reglas predefinidas.
Por otra parte, Inteligencia Artificial (IA) hace posible que las máquinas (programas informáticos) imiten a los humanos en funciones como la resolución de problemas y el aprendizaje. Dicho de otro modo, la IA aprende de comportamientos pasados y mejora las decisiones de manera autónoma. Para que esto sea posible, la IA se compone de diversas disciplinas, como por ejemplo, el aprendizaje automático (ML Machine Learning), el procesamiento del lenguaje natural (NLP Natural Language Processing), entre otras.
ML es la ciencia que entrena algoritmos con el fin de que puedan tomar decisiones sin haber sido programadas. Se considera que el aprendizaje profundo (Deep Learning), es la evolución tecnológica de ML y se diferencia en que DL se especializa en que la computadora es capaz de predecir lo que va a suceder por medio de una analítica predictiva.
Se pueden diferenciar tres tipos de algoritmos de aprendizaje automático:
• El aprendizaje supervisado, en el que los datos están etiquetados para que los patrones puedan ser detectados por los algoritmos y de este modo queda identificado para que posteriormente pueda volver a detectar esos datos (por ejemplo, la clasificación del correo electrónico entre Spam o no);
• El aprendizaje no supervisado, en el que los datos no están etiquetados y se clasifican de acuerdo con determinadas similitudes o diferencias (por ejemplo, agrupar información obtenida sobre usuarios en una web o app y que la IA pueda detectar características en común);
• El aprendizaje de refuerzo, en el que los datos no están etiquetados, pero después de realizar una acción o varias acciones, el sistema de IA recibe retroalimentación y los datos quedan identificados en el sistema para futuras acciones (por ejemplo, es utilizado para entrenar sistema de navegación de drones, coches, aviones).
El NLP es la capacidad que tienen las máquinas para comprender e interpretar el lenguaje humano tal como se escribe o se habla y tiene como objetivo que las máquinas/computadoras tengan la misma capacidad que el ser humano al momento de comprender el lenguaje.
De lo explicado anteriormente, se puede afirmar la definición publicada por la IEEE Standards Association que expresa que “RPA es un robot de software que imita las acciones humanas, mientras que la Inteligencia artificial trata de imitar la inteligencia humana».
Entonces podemos preguntarnos, ¿cómo es posible llevar a RPA a otro nivel? ¿Cómo pueden las empresas que actualmente invierten en RPA seguir mejorando sus procesos para obtener mayores beneficios? Y la respuesta es considerando el uso de ambas tecnologías. Actualmente al uso de RPA con IA se lo conoce como la Automatización Inteligente, aunque lo que esto quiere decir es simplemente que se aplican ambas tecnologías. De esta manera, las empresas logran expandir sus posibilidades mejorando su productividad.
Un clásico ejemplo del uso de IA en RPA es el poder procesar datos no estructurados (datos de un video, un audio, una conversación de chat, etc.). Con IA pueden procesar todos estos datos de una manera escalable. Cuando RPA se mejora con la IA, los bots aprenden a encontrar patrones en datos no estructurados e implementar procesos precisos. Estos bots son capaces de razonar y tomar decisiones, además de ir aprendiendo a medida que ejecuta el proceso.
Algunas aplicaciones de IA y un caso de éxito:
• Chatbots que interactúan con los clientes o empleados.
• Uso de ML para personalizar ofertas y desarrollar estrategias de venta.
• Otras tecnologías para el análisis de imágenes, revisión de contratos y documentos legales.
Una compañía de seguros en su área de reclamos recibe miles de solicitudes todos los días e implementó IA para automatizar algunas de sus aplicaciones de reclamos. Antes de IA, la mayor parte de este proceso era realizada manualmente por un equipo de 30 FTEs (Full Time Equivalent), con un costo de US$ 2M anuales.
La solución fue implementar IA y RPA para el procesamiento de estos reclamos, de esta forma IA tiene la función de leer los documentos ingresados, clasificar la información e identificar la misma antes de pasarle la tarea a RPA quien se encarga de procesarla automáticamente.
Como resultado, la compañía espera reducir el personal involucrado en este proceso a 14 FTEs, con una reducción de costos de US$ 1M anual y liberando 16 personas que podrían participar de otros procesos o focalizarse a tareas que agreguen más valor.
Podemos concluir que sin lugar a duda la IA lleva a RPA a otro nivel, ofreciendo nuevas oportunidades de acción, mejora de productividad, reducción de costos y reubicación de personal a tareas de tipo cognitivo y no rutinarias.
Fuentes:
- Everest Group Research
- The Economist
- UI-Path
- Automation Anywhere
- Aura quantic
Comments