Оригинал: Smarter BPM with AI
Автор: Сэнди Кемсли (Sandy Kemsley)
По мере взросления, интегрированные системы управления бизнес-процессами (BPMS) из систем, которые просто исполняют процессы по предопределенному шаблону, становятся более интеллектуальными, способными динамически поддерживать, направлять и автоматизировать процессы. Чтобы по-прежнему быть инновационными и обеспечивать операционную эффективность, нам необходимо дополнить процессы и человеческий интеллект машинным. Как эти технологии дополняют друг друга и как они способны помочь бизнесу достигать операционной результативности?
В 2016 г. Workflow Management Coalition предложили мне внести вклад в книгу «Best Practices for Knowledge Workers». В своей главе «Не только чек-листы» я призывала к более интеллектуальной версии адаптивного кейс-менеджмента. На следующий год они опубликовали книгу под названием «Intelligent Adaptability» и я внесла вклад главой «Machine Intelligence and Automation in ACM and BPM», в которой я развила прежние идеи. С тех пор прошел еще год, и пора снова взглянуть на то, как развиваются идеи на стыке BPM и широкого спектра технологий искусственного интеллекта.
Технологии искусственного интеллекта в контексте BPM
Сближению BPM и ИИ способствуют два фактора: роль BPMS как универсальной платформы разработки приложений, позволяющих легко интегрировать другие технологии, и необходимость автоматизировать процессы и решения, диктуемая бизнес-потребностями в диапазоне от сокращения затрат до управления рисками. Стандартный перечень точек пересечения между ИИ и BPM:
- Бизнес-правила и автоматическое принятие решений обеспечивают соблюдение требований регулятора и следование лучшим практикам. Они дают гарантию, что работник умственного труда не нарушает стандартную процедуру выполнения определенной задачи, и что к каждому делу применяются одни и те же бизнес-правила.
- Предиктивная аналитика дает работникам рекомендации на основе сравнения текущего контекста со схожими ситуациями в прошлом. Это уменьшает время обучения сотрудников и помогает им принимать правильные решения.
- Машинное обучение (ML) и роботизированные процессы (RPA) автоматизируют задачи, не требующие высокой квалификации, воспроизводя действия пользователя. В результате работники умственного труда освобождаются от такой работы и могут сосредоточиться на более сложных неструктурированных задачах.
- Обработка событий из интернета вещей (IoT). Процесс взаимодействует с внешними устройствами и может автоматически запускать действия и процессы, реагируя на события, порождаемые удаленными устройствами или внешними данными.
- Обработка комплексных событий/потоков распознает паттерны в последовательностях транзакций и в ответ на аномалии инициирует сигналы тревоги или процессы.
- Автоматическое выявление процессов позволяет создавать модели и предсказывать завершение процессов.
Не все перечисленные технологии относятся к ИИ, но ИИ и машинное обучение являются кирпичиками многих других технологий, так что линия между ИИ не-ИИ размывается. Например, RPA может быть реализован как простая технология записи и воспроизведения действий пользователя, но его потенциал по-настоящему раскрывается, когда обучающийся RPA-агент заранее инсталлируется, чтобы понаблюдать за действиями сотрудника в течение некоторого промежутка времени и определить лучший способ замены их роботом.
Обработка событий – еще одна технология, корни которой в относительно стандартной поддержке принятия решений, но добавление ИИ и машинного обучения дает возможность на тысячах транзакций обнаруживать повторяющиеся паттерны, запрограммировать которые заранее не представляется возможным. Это можно использовать, например, для выявления мошеннических действий по финансовым транзакциям, попыток взлома сети по запросам доступа или скорого отказа оборудования по журналам событий. Хотя большая часть этого мира лежит вне BPMS, процесс разбирательства система обработки событий инициирует с помощью BPMS.
Еще одним примером служит автоматическое выявление процессов, которое может ограничиться стандартными алгоритмами определения траекторий, по которым ходят экземпляры процессов, а может давать намного больше благодаря ИИ. Вводя цель в виде метрики процесса и давая возможность ИИ искать к нему кратчайший путь, можно предсказывать когда завершится конкретный экземпляр и какую траекторию следует выбрать, а также показать как процесс может быть улучшен на будущее. Последняя возможность «тюнинга» модели процесса с помощью ИИ замыкает цикл усовершенствования и добавляет процессу возможность «самолечения».
Разумеется, эти технологии не исключают друг друга, и вполне можно встретить системы, в которое многие из них комбинируются, чтобы в итоге получить более «умные» процессы.
Интеллектуальные процессы как бизнес-инновация
Будучи «технарем», я нахожу технологии очень интересным, но по-настоящему важно, какие возможности они открывают для бизнеса. Для начала, мы видим множество операционных преимуществ:
- Сокращение затрат – как рабочего времени, так и продолжительности цикла.
- Повышение качества и соответствия требованиям регулятора за счет стандартизации процессов и решений.
- Квалифицированные сотрудники освобождаются от рутины и могут уделять больше внимания проблемам заказчиков и другим неструктурированным задачам.
В итоге все это складывается в повышение удовлетворенности заказчиков, а автоматизация низкоквалифицированных задач еще и способствует удовлетворенности сотрудников.
Выходя за рамки операционной эффективности, интеллектуальный BPM в комбинации с ИИ и машинным обучением позволяет бизнесу делать то, что было просто невозможно. Например, становится возможным не только предсказывать, что экземпляр процесса рискует не вписаться в SLA или регуляторные нормы, но и рекомендовать корректирующие действия или даже автоматически их выполнять, например, пропускать одобрение для экземпляров с низким риском, пересчитывать приоритеты задач в очереди на исполнение или привлекать к работе внешних исполнителей.