Mehr Automatisierungswert mit KI:Ihr KI-Playbook (Teil 2)

Robotic Process Automation (RPA) ist nur der Anfang – es ist die Grundlage, aber nicht das Ziel Ihres Automatisierungsprogramms.

In Teil eins haben Sie gelernt, wie Sie testen können, ob Ihr Automatisierungsprogramm und Ihr Unternehmen bereit für künstliche Intelligenz (KI) sind. In diesem Beitrag gehe ich auf das Wesentliche ein:wie Sie und Ihr Automatisierungsteam KI im Grunde implementieren können.

KI-Modelle sind sowohl ein Beschleuniger als auch ein Multiplikator für Ihr Automatisierungsprogramm.

Laut Fallstudien von Leslie Willcocks, Professor für Technologie, Arbeit und Globalisierung am Department of Management der London School of Economics, liegt der ROI für eine RPA-Investition im ersten Jahr zwischen 30 % und 200 %. Unter den UiPath-Kunden haben wir gesehen, dass Unternehmen einen ROI in nur einem Monat (DHL Global Forwarding, Freight), einen ROI von 2:1 (Postbank) und mehr erreichen.

Und eine Rendite ist nur der Anfang:Unternehmen haben Vorteile in gesteigerter Produktivität, verbessertem Mitarbeiterengagement und weniger Fehlern festgestellt. Stellen Sie sich also vor, was das Hinzufügen von kognitiver Intelligenz zu Ihrer Automatisierungssuite bewirken kann. Fehlerbehandlung? Ausnahmen? Mensch in der Schleife? KI kann helfen.

In einem Webinar zum KI-Playbook (das während unseres KI-Gipfels abgehalten wurde) kam Brian Klochkoff, Head of Automation for Americas bei dentsu international, zu mir, um zu erklären, wie das Hinzufügen von KI-Modellen zu Ihrem Automatisierungsprogramm Mehrwert schaffen kann.

Entwerfen Sie einen Plan zur Unterstützung der KI-Ausführung

In Teil eins dieser Artikelserie haben wir Ihnen gezeigt, wie Sie KI entmystifizieren und Menschen für die Möglichkeiten von KI begeistern können. Wir haben auch darüber diskutiert, wie man Argumente für Investitionen in KI demonstrieren kann. Sobald Sie Ihre Stakeholder überzeugt haben, möchten Sie diese Dynamik nicht verschwenden. Stellen Sie sicher, dass Sie mit einem Ausführungsplan bereit sind, der aus den folgenden Elementen besteht.

KI-Governance und -Ethik

Governance und Ethik für KI ist ein relativ neues Gebiet, daher ist der Weg nach vorne nicht ausgetreten. Viele Unternehmen und Regierungsbehörden arbeiten immer noch daran, wie Governance aussieht, insbesondere in Bezug auf ethische Erwägungen.

Meistens funktioniert jedoch ein typisches Governance-Modell eines Kompetenzzentrums (CoE) für KI genauso gut wie für RPA. Die Schlüssel, die auch für ein RPA CoE wichtig sind, bestehen darin, Regeln für Rechenschaftspflicht, Transparenz und Fairness zu erstellen.

Wie vermeiden Sie beispielsweise systemische Verzerrungen Ihres Modells und Ihrer Daten? Sie benötigen Kontrollpunkte, die es Ihnen ermöglichen, Entscheidungen auf einen Menschen, einen Roboter oder eine Mischung aus beidem zurückzuführen. Dieser Teil Ihres Ausführungsunterstützungsplans enthält auch Regeln zum Datenschutz und zur Cybersicherheit.

Wir stellen Governance und Ethik ganz oben, weil Governance und Ethik eine engagierte Anstrengung des Teams sein müssen, das KI ausführt. Alles, was weniger als höchste Priorität hat, stellt ein Risiko dar, das Ihr Unternehmen nicht eingehen möchte.

Betriebsmodell

Wir haben mehrfach über das Automatisierungsbetriebsmodell geschrieben, darunter:

• Die Vorteile des Entwerfens eines solchen

• Überlegungen zum Aufbau eines Teams

• Optimierung für Ihr volles Automatisierungspotenzial

Wenn es um KI geht, muss der Kern Ihres Betriebsmodells ein funktionsübergreifendes Team sein. Dieses funktionsübergreifende Team umfasst Mitarbeiter aus den Bereichen Business, Datenanalyse, RPA und Support. Es ist wichtig, dass Sie Ihr Betriebsmodell so gestalten, dass es keine Silos gibt. Ihre Interaktionskanäle sollten effizient sein und zahlreiche Möglichkeiten zur Zusammenarbeit bieten.

Legen Sie frühzeitig fest, ob Sie Modelle intern erstellen oder vorgefertigte Modelle verwenden. Diese Entscheidung wirkt sich auf Ihre Infrastrukturanforderungen und Ihre Ressourcen aus, auf die wir in den nächsten beiden Abschnitten eingehen werden.

Idealerweise hat Ihr Betriebsmodell eine Struktur, die die Integration neuer Technologien ermöglicht, sobald sie entstehen und Sie sie übernehmen können. Integration und Einführung müssen innerhalb der Realitäten Ihres Softwareentwicklungslebenszyklus (SDLC) und der Anforderungen der Governance erfolgen.

Bei dentsu, so Klochkoff, „sehen wir das Betriebsmodell als die Hülle um all diese Dinge.“ Daher konzentriert sich dentsu auf die Erstellung umfassender Dokumentationen und Veröffentlichungen, die transparent im Intranet des Unternehmens funktionieren. „Die Leute können verstehen, worum es uns geht und wie sie sich engagieren können.“

Infrastruktur und Support

Sobald Sie Governance und Betrieb festgelegt haben, sollten Sie über die Infrastruktur nachdenken. Werden Sie Ihre KI-Plattform lokal, per Air-Gap oder in der Cloud hosten? Wo willst du die Maschine aufstellen? Wie werden Sie die Daten hosten, die diese KI-Modelle antreiben? Entscheiden Sie auch hier, mit welchen Methoden Sie trainieren.

Abhängig von diesen Entscheidungen ändern sich die Vorlaufzeit, der erforderliche Aufwand und das Budget, also treffen Sie sie sorgfältig.

Ressourcenfähigkeiten

Wenn Ihre Infrastruktur eingerichtet ist, sollten Sie bewerten, wie qualifiziert Ihre aktuellen Ressourcen sind und welche Qualifikationslücken möglicherweise bestehen. Ihre Kernressource sind RPA-Entwickler, die sich weiterbilden und lernen können, KI auf RPA anzuwenden. Datenwissenschaftler werden ebenfalls eine Schlüsselrolle spielen, das ideale Szenario mit einem Team, in dem RPA-Entwickler und Datenwissenschaftler eng zusammenarbeiten.

Abhängig von Ihren bisherigen Entscheidungen werden Sie wahrscheinlich in der Lage sein, aktuelle Mitarbeiter weiterzubilden, aber denken Sie auch sorgfältig über die Einstellung von externen Mitarbeitern nach. Sie benötigen eine Mischung aus Ressourcen, um die gewünschten Ergebnisse zu erzielen.

dentsu baute Personas darauf auf, wer in ihrem Team am CoE beteiligt ist, welche Fähigkeiten sie haben, worauf sie hinarbeiten und welche Zertifizierungen sie haben. Klochkoff sieht ihre Arbeit in einer „Cross-Functional Community“ kulminieren. dentsu möchte einen Lernweg schaffen – verwaltet durch Governance – der es Mitarbeitern ermöglicht, ihre aktuellen Fähigkeiten zu erweitern.

Klochkoff betonte, dass „die Technologie sich so schnell entwickelt, dass es manchmal schwierig ist, mit [Ihrem] eigenen Wissen Schritt zu halten“. Er empfiehlt Ihnen, mindestens einmal pro Woche eine Pause einzulegen, um Ihrem Team Zeit zu geben, sich über Versionshinweise, Webinare und Whitepaper zu informieren. „Wir haben das nicht immer gemacht“, warnte Klochkoff, „und es bedeutete, dass wir einige der Funktionen verpasst haben, die wir in unsere Lösungen einbetten konnten.“

Integrieren Sie KI in Ihr bestehendes RPA-Programm

Mit einem ausgeführten Ausführungsunterstützungsplan können Sie mit der Integration beginnen. Die Schlüssel zur Integration von KI sind zweierlei:Sorgen Sie dafür, dass Ihre RPA- und Datenanalyse-CoEs zusammenarbeiten, und passen Sie Ihren Softwareentwicklungszyklus an, um KI einzubeziehen.

Ermutigen Sie Ihre beiden CoEs zur Zusammenarbeit

CoEs fallen in der Regel in eines von zwei Modellen, die jeweils unterschiedliche Strategien für die Zusammenarbeit erfordern.

In einem individuellen CoE-Modell berichten einzelne RPA- und Datenanalyse-CoEs an verschiedene Abteilungen. Im Allgemeinen arbeiten die CoEs getrennt und unabhängig voneinander.

Um eine bessere Zusammenarbeit zu erreichen, kann sich das RPA CoE proaktiv an das Data and Analytics CoE wenden. Gemeinsam können sie Geschäftsanwendungsfälle finden, die von ihrer Synergie profitieren. Dazu muss dem Datenanalyseteam möglicherweise RPA erklärt werden, aber die Vorteile dieses gegenseitigen Verständnisses sind immens.

In einem einzelnen CoE-Modell umfasst ein einziges CoE alle Automatisierungstechnologien und berichtet an einen Lead – typischerweise einen Chief Digital Officer oder Chief Automation Officer. CoE-Führungskräfte können diese Konsolidierung nutzen, um das CoE auf ein Automatisierungsmandat zu konzentrieren.

Es gibt kein richtiges Modell für alle Organisationen. Sie müssen die Vor- und Nachteile jedes Modells zusammen mit Ihren Zielen und dem aktuellen Stand Ihrer Automatisierungsreise abwägen, um zu bestimmen, welches Modell für Ihr Unternehmen am besten geeignet ist.

Im Laufe der Zeit jedoch, wenn Unternehmen weitere Automatisierungstechnologien hinzufügen, entwickeln sich einzelne CoE-Modelle tendenziell zu einzelnen CoE-Modellen.

Als sie den Wert demonstrierten und ihn gegenüber Führungskräften und Betriebsleitern artikulierten, konnten sie erklären, wie KI die Herausforderungen des Human-in-the-Loop mindert und die Fähigkeit der Automatisierung erweitert, „komplexere Probleme“ zu bewältigen.

Sobald Unternehmen über ein Portfolio von KI- und Automatisierungstechnologien verfügen, ist es natürlich, darüber nachzudenken, wie sie diese harmonisch gestalten können.

Passen Sie Ihren Softwareentwicklungslebenszyklus an

Wenn Sie ein einzelnes CoE-Modell verwenden, benötigt das SDLC, um mit maximaler Effektivität zu arbeiten, die Orchestrierung beider CoEs. Im Allgemeinen folgen beide Technologien demselben SDLC, aber die subtilen Nuancen ändern, wie Sie am besten orchestrieren können. Um eine Struktur einzuführen, die KI aufnehmen kann, konzentrieren Sie sich auf die folgenden sechs Komponenten.

• Identifizieren: Beginnen Sie mit dem Geschäftsproblem, nicht mit der Technologielösung. Bringen Sie RPA, Data Scientists und Geschäftsanwender zusammen – idealerweise im selben Raum –, um Probleme zu identifizieren, die für KI-Lösungen geeignet sind. Bevor Sie irgendetwas anderes tun, stellen Sie fest, ob die Verwendung von RPA und UiPath AI Center das vorliegende Problem lösen wird. Und wenn Sie feststellen, dass AI Center passt, finden Sie heraus, was das Modell für maschinelles Lernen (ML) lösen sollte.

• Entwurf: Die Schichtung von KI erfordert Designüberlegungen. Legen Sie zu Beginn des Entwurfs fest, ob Ihre RPA-Entwickler ihre RPA-Lösungen durch die Hinzufügung von ML anders gestalten müssen. Darüber hinaus sollten Sie Ihr Datenteam fragen, welche Datenvorbereitung für die ML-Modellierung erforderlich ist.

• Entwickeln :In dieser Phase können Sie Ihren RPA- und Datenwissenschaftlerteams erlauben, voneinander abzuweichen und ihre individuellen Komponenten zu erstellen, solange sie ihre jeweiligen DevOps-Richtlinien und -Verfahren befolgen. Bestimmen Sie den Grad der Orchestrierung, der zwischen Ihrem Daten- und Analyse-CoE und Ihrem RPA-CoE erforderlich ist. Wissen Sie im End-to-End-Workflow, wie der Input einer Technologie den Output der nächsten Technologie erzeugt.

• Test :Stellen Sie sicher, dass Ihr Benutzerakzeptanztester sowie Ihre CoEs wissen, was Sie in jeder Phase des SDLC erwarten können. RPA ist in der Regel unkompliziert, daher ist das Testen definitiv. Entweder man besteht oder nicht. Bei ML geht es um schrittweise Verbesserung, daher enthalten die Modelle einen Konfidenzschwellenwert, der sich im Laufe der Zeit verbessert.

• Bereitstellen :Der Fortschritt moderner Automatisierungstechnologien hat AI Ops einfacher gemacht als in den vergangenen Jahren. Bestimmen Sie, ob das RPA CoE die Bereitstellung von KI-Modellen in AI Center übernimmt. Aktualisieren Sie Ihre Checkliste für die Bereitstellung, um sicherzustellen, dass Prüfungen vorhanden sind. Der eigentliche Vorgang der Bereitstellung ist jetzt ganz einfach.

• Pflegen :Bestimmen Sie, wie Ihre Teams die Auswirkungen externer Änderungen mindern und verwalten, und bestimmen Sie, welches Team KI-Modelle nach der Bereitstellung verwaltet. Bei RPA weiß jeder, ob der Roboter läuft; Es ist schwierig festzustellen, ob ein ML-Modell die „falsche“ Entscheidung trifft. Möglicherweise müssen Sie ein Dashboard erstellen, das das Vertrauen verfolgt und Warnungen auslöst, wenn das Vertrauen unter einen bestimmten Schwellenwert fällt.

Obwohl die RPA- und KI-SDLCs viele Gemeinsamkeiten aufweisen, machen die Unterschiede den Unterschied aus.

Bringen Sie Ihre Automatisierungsstrategie auf die nächste Stufe, indem Sie KI integrieren

KI bringt Ihre Automatisierungsstrategie auf die nächste Stufe. Die Integration von KI erfordert sowohl organisatorische als auch technologische Fähigkeiten, aber die Vorteile dieser Integration werden enorm sein. Ihr SDLC, Ihre RPA- und Datenanalyse-CoEs, Ihr Automatisierungsprogramm – alle erfordern eine klare und sorgfältige Neubewertung vor der Einführung von KI.

Um mehr über KI-Modelle und Best Practices für KI und Automatisierung zu erfahren, sehen Sie sich die vollständige Aufzeichnung des KI-Playbook-Webinars an.