RPA-Content-Processing-Herausforderungen meistern: Bewährte Strategien von Experten

Wie können Unternehmen diese RPA-Herausforderungen überwinden? Robotic Process Automation, konzipiert als digitale Assistenten für Mitarbeiter, ist bekannt dafür, Geschäftsabläufe zu straffen, ohne Kosten zu erhöhen, und menschliche Fehler zu reduzieren. Doch RPA-Software allein hat ihre Tücken bei der Content-Verarbeitung aufgrund inkompatibler Intelligenz.

Es gibt jedoch Wege, diese Nachteile zu überwinden, wie fünf Experten aufzeigen.

Zusätzliche Integration

Eine Möglichkeit, Content-Processing-Nachteile zu überwinden, ist die Kombination anderer intelligenter Technologien und deren Integration in das System.

„RPA-Technologie wird hauptsächlich für die Automatisierung regelbasierter Prozesse und die Nachahmung menschlicher Aktionen eingesetzt, z. B. die Verarbeitung einer Rechnung und die Dateneingabe in SAP oder Oracle aus einer Excel-Tabelle“, erklärt Gopal Ramasubramanian, Senior Director Intelligent Automation & Technology bei Cognizant.

„Bei der Verarbeitung von Inhalten in Dokumenten besteht jedoch Bedarf an zusätzlichen Smart-Intake-Technologien, die Optical Character Recognition (OCR), Natural Language Processing (NLP) und Machine Learning (ML) kombinieren, um Metadaten aus Dokumenten zu extrahieren und die Verarbeitung zu automatisieren.“

„Der Inhalt kann verschiedene Typen haben: strukturiert/gedruckt, strukturiert/handschriftlich, unstrukturiert/gedruckt und unstrukturiert/handschriftlich. Strukturierte Inhalte lassen sich mit Standard-OCR leicht extrahieren. Die Extraktion unstrukturierter Inhalte ist jedoch herausfordernd, und zunehmend sehen wir den Einsatz von NLP und Machine-Learning-Technologien, um dies zu adressieren.“

Arpit Oberoi, RPA-Spezialist bei delaware, fügt hinzu: „Die größte Herausforderung für RPA-Technologie heute ist, dass sie oft noch Schwierigkeiten hat, unstrukturierte Inhalte und Daten zu verarbeiten. Um dieses anhaltende Problem zu lösen, können Organisationen versuchen, ihre Daten in strukturiertere Datensets zu harmonisieren und, wo möglich, KI und RPA zu kombinieren, um Content-Processing zu optimieren oder zu automatisieren.“

Drittanbieter-Einbindung

Andrew Rayner, Vice President Professional Services EMEA bei UiPath, führt das Thema zusätzliche Integration fort und erklärt die Notwendigkeit von Drittanbieter-Anwendungen in Kombination mit RPA.

„Historisch konnte RPA-Technologie mit Drittanbieter-Anwendungen integriert werden, um die Content-Verarbeitung zu unterstützen“, sagt Rayner. „Viele OCR-Anbieter (Abbyy, IBM usw.) haben direkte Integrationen, die es ermöglichen, semi-strukturierte oder strukturierte Dokumente zu klassifizieren und zu erkennen.“

„Bei UiPath haben wir stark in Document Understanding investiert, um Kunden eine ‚Out-of-the-box‘-Lösung zu bieten, mit der Flexibilität, verschiedene Techniken wie Pattern Matching, Templating und Machine Learning anzuwenden, um unstrukturierte und semi-strukturierte Dokumenttypen zu bewältigen.“

„Wenn wir breiter über Content-Processing nachdenken, passt das gut zu Hyperautomation: Wir haben nun Long-Running-Workflows mit Human-in-the-Loop, die es Robotern und Menschen ermöglichen, nahtlos an einer Transaktion zusammenzuarbeiten.“

„Es gab enorme Fortschritte bei der Applikationskonnektivität, um Inhalte über Benutzeroberflächen oder APIs zu verarbeiten, und mit der Einführung von RPA und ML können Roboter nun klassifizieren, Stimmungen verstehen und nächste beste Aktionen für unstrukturierte Inhalte vorschlagen.“

In Tools investieren – mit Bedacht

Während der Bedarf an zusätzlicher Software berechtigt ist, müssen Organisationen vorsichtig sein, nicht zu viel auszugeben, und sicherstellen, dass die Tools, in die sie investieren, einem klaren, spezifischen Zweck dienen.

„Unternehmen haben viele unstrukturierte Daten in verschiedenen Formaten – Dokumente, E-Mails oder sogar systembasierte Daten, die nicht strukturiert sind, wie Zahlungsdaten für Abrechnungen“, sagt Chris Porter, CEO von NexBotix. „Das bereitet RPA Probleme, das nur strukturierte, regelbasierte digitale Prozesse handhaben kann.“

„Es gibt ein paar Wege, diese Mängel zu überwinden. Einer ist der Kauf einer maßgeschneiderten Point-Lösung wie einem OCR-Tool, das Daten aus Dokumenten extrahiert, oder die Investition in ein Workflow-Tool zur Orchestrierung von Robotern und Menschen, oder vielleicht den Kauf von Machine Learning von Google, um Erkenntnisse aus komplexen Dokumenten zu gewinnen. Diese Tools lösen sehr eng begrenzte Problemstellungen innerhalb enger Parameter.“

„Jedoch hat jedes dieser Tools seine eigenen technischen Herausforderungen; bei der Umsetzung eines solchen Projekts entstehen erhebliche Kosten, dazu braucht man die richtigen Skills und Technologien zur Unterstützung. Jeder Use Case muss als individuelles Projekt behandelt werden, weil man effektiv für diesen speziellen Bedarf kauft. Hat man viele verschiedene Datentypen und Prozesse mit unstrukturierten Daten, muss man jedes Mal von neuem beginnen und die passende Lösung für jedes einzelne Problem kaufen.“

„Der Schlüssel liegt darin, die richtige Technologie für die richtigen Probleme einzusetzen, aber auf skalierbare Weise, die sich auf den Geschäftsnutzen konzentriert. Beispielsweise haben wir eine fertige Rechnungsverarbeitung, die wir in jedem Unternehmen mittels wiederverwendbarer Komponenten implementieren und den End-to-End-Geschäftsprozess im Accounts Payable automatisieren können. Wir haben die harte Arbeit bereits geleistet, das zu bauen und für den Kunden funktionsfähig zu machen.“

Content Intelligence

Ein letzter Weg, RPAs Nachteile bei der Content-Verarbeitung zu überwinden, ist die Implementierung zusätzlicher Fähigkeiten.

Neil Murphy, Global Vice President bei ABBYY, erklärt: „Die größte Herausforderung bei RPA ist, dass es unstrukturierte Inhalte wie Rechnungen, E-Mails, Formulare, Quittungen oder Korrespondenz nicht verarbeiten kann. Unternehmen können – und tun – dies jedoch überwinden.“

„Es braucht lediglich Content-Intelligence-‚Skills‘, die RPA-Bots intelligenter machen, indem sie kognitive Fähigkeiten hinzufügen – wie Analysieren, Verstehen und Verarbeiten unstrukturierter Inhalte. Organisationen können diese Content-Intelligence-Skills mit einfachen No-Code- oder Low-Code-Lösungen bereitstellen, die es ihren Mitarbeitern ermöglichen, RPA-Bots zu bauen, die eine Vielzahl von Dokumenten bewältigen können.“

„Bereits sehen wir Adoption in Unternehmen aller Größen, da die technologische Einstiegshürde durch einen solchen Ansatz entfernt wird. Dies treibt Innovation voran – einige Unternehmen kombinieren diese Skills nun, um ein fortgeschrittenes kognitives Verständnis komplexer Use Cases zu bieten. Kunden-Onboarding ist ein gutes Beispiel, wo eine Vielzahl von Dokumenten verarbeitet werden muss: Identitätsdokumente, Onboarding-Formulare, Kontoausweise und Adressnachweise.“