Интеллектуальная автоматизация


Оригинал: Intelligent Automation
Автор:  Натаниэл Палмер (Nathaniel Palmer)

Введение

В течение последних десяти лет мы отстаивали идеи адаптивности и мобильности организаций и одновременно подчеркивали преимущества адаптивного кейс-менеджмента (ACM, Adaptive Case Management) перед предшествующими поколениями средств автоматизации процессов. При этом мы часто отмечали архаичность «автоматизации» в контексте современного умственного труда и ее ограниченность в сравнении с преимуществами ACM. В данной статье мы рассмотрим, как цифровая трансформация привела к появлению «интеллектуальной автоматизации» – новой дисциплины, объединившей традиционные возможности ACM и управления бизнес-процессами (BPM, Business Process Management) и вышедшей за границы традиционных представлений об автоматизации.

Цифровая трансформация и неотложные требования новой автоматизации

Согласно недавнему опросу консалтинговой компании Deloitte & Touche, 95% CEO и 97% членов советов директоров корпораций упоминали «серьезные угрозы и уничтожение перспектив роста их бизнеса в течение следующих двух-трех лет». Конкретная угроза, на которую ссылаются чаще всего – разрушительный эффект внедрения цифровых технологий конкурентами и внутренние проблемы инвестиций в технологии для поддержания необходимого темпа. Или, на модном сленге, больше всего они боятся цифрового подрыва (digital disruption). Как от него уберечься? Цифровая трансформация – вот фраза, которая в бизнес-кругах звучит чаще всего. Но что она означает? В своей основе, цифровая трансформация – это преобразование или «цифровизация» существующих процессов и операций в программном обеспечении. Дело не просто в «приложениях» и не в том, чтобы стать «дот-комом», а в том, чтобы использовать цифровые средства (мобильные приложения, интернет, интеллектуальные помощники и т.п.) для связи с клиентами, партнерами и даже с сотрудниками.

Прессинг в сторону цифровой трансформации и смутная угроза цифровой трансформации – уже не новость. Все мы слышали истории бизнесов, доминировавших в прошлом и унесенных ветром в результате цифрового подрыва. Самый знаменитый пример – Blockbuster, которого вытеснил Netflix. Мы видим вокруг бессчетное число новых инновационных «цифровых аборигенов», быстро обгоняющих былых лидеров рынков. Мы видим истории успеха таких компаний, как Uber, Facebook, Airbnb, Postmates и других, поднявшихся от идей, десять лет назад представлявшихся невозможными, до сегодняшнего многомиллиардного бизнеса.

Многие CEO не спят по ночам из-за страха быть «уберизированными», но еще больший стресс вызывает вопрос – как совместить цифровую трансформацию с корпоративным управлением? Как избежать рисков потери контроля над процессами корпоративного управления и рисков нарушения безопасности и при этом предоставить клиентам цифровой доступ к вашей продукции и услугам? Или сделать возможным вовлечение партнеров и сотрудников через цифровые каналы? С точки зрения инвестиций в технологии, ответ заключается в интеллектуальной автоматизации как двигателе цифровой трансформации.

Интеллектуальная автоматизация – очередной шаг в эволюции систем воркфлоу и BPM (Business Process Management), на котором софтверные роботы и искусственный интеллект (ИИ) дополняют технологии управления процессами и использование бизнес-правил. Критичным для успешной (с управляемыми рисками) цифровой трансформации является сочетание управления информацией и интеллектуальной автоматизации.

Цифровизация бизнес-процессов

Технологии интеллектуальной автоматизации поддерживают взаимодействие с людьми и выполняют их работу. Относительно простой пример – чатбот с ИИ, способный взаимодействовать с клиентами (и все шире – также с партнерами и сотрудниками) так же, как это мог бы делать человек из службы клиентского сервиса. Такое взаимодействие размывает грань между человеком и машиной – невозможно или трудно понять, находится ли по ту сторону цифровых коммуникаций (мобильного приложения или вебсайта) кто-то живой или виртуальный. Они легко проходят знаменитый тест Тьюринга (разработан Аланом Тьюрингом в 1950 для оценки способности машины демонстрировать интеллект, неотличимый от человеческого). При этом в интеллектуальной автоматизации чатботы – всего лишь тонкая внешняя облицовка. В конечном счете, цифровую трансформацию определяют скорее процессы, протекающие за кулисами.

Более конкретно, успешная стратегия цифровой трансформации – та, которая связывает отдельные элементы автоматизации в рамках целостного сквозного процесса, рассматриваемого от начала и до конца, подчиняющегося корпоративным правилам и правилам управления информацией. Это требует отделения уровня правил, по которым работа должна выполняться, от уровня систем, с помощью которых работа выполняется.

В большинстве корпораций точки контроля соблюдения корпоративных правил и политик связаны с людьми, они встроены в пользовательский интерфейс ключевых бизнес-приложений. Люди являются частью системы отчетности, обеспечивающей соответствие установленным политикам и процедурам. Компании концентрируются на действиях работников (человеческих существ), использующих в ходе своей работы накопленный опыт и субъективные суждения.

Чатбот может уметь проверять статус заказа или страхового случая или даже инициировать его рассмотрение. Но работа с высокой добавленной ценностью – рассмотрение страхового случая или выполнение заказа – остается за квалифицированными работниками-людьми. Часто предполагается, что такая работа «неавтоматизируема», так как для выполнения процесса (или даже единичной задачи) необходим многократно входить в различные автоматизированные системы. Обычно не обходится без внешних систем или иного программного обеспечения, которое невозможно интегрировать через программные интерфейсы. Их интегрирует сидящий на вращающемся стуле человек, используя бумажные стикеры. В результате правила и поток работ определяются не истинными целями сквозного процесса, а внутренним устройством автоматизированных систем.

Интеллектуальная автоматизация позволяет софтверным роботам выполнять те же функции, что и человек, без изменения существующих пользовательских интерфейсов, существующих точек контроля и системы отчетности. Робот выполняет ту же работу, что и человек, и с использованием тех же систем. Но кто диктует роботу что ему делать? Управление информацией – «кровеносная система» цифровой трансформации – играет здесь ключевую роль, задавая те же правила, которыми руководствуются сотрудники-люди и обеспечивая такой же уровень прозрачности (включая аудиторский след, управление записями и другие средства фиксации цепочек обработки чувствительной информации).

Какую автоматизацию можно считать интеллектуальной, а какую нет

Основные стимулы для инвестиций в новые технологии – это увеличение объема операций (масштабирование) и повышение организационной мобильности. Стремясь делать как можно больше и быстрее меньшим числом людей, компании в первую очередь инвестируют в технологии, позволяющие быстрее выводить продукцию на рынок, принимать более информированные решения, а также сокращать производственные издержки. Способность адаптироваться и реагировать на новые события и при этом соответствовать существующим правилам и политикам составляет суть организационной мобильности. Но эта цель зачастую входит в противоречие с автоматизацией, нацеленной на масштабирование и повторяемость. Сегодняшнее состояние автоматизации процессов выглядит как на картинке ниже – как последовательность конвейерных линий, оптимизированных на максимальную производительность и стабильность. Инженеры-технологи проектируют для каждой коробки идеальный маршрут, и эти пути неизменны, они не адаптируются к содержимому коробки.

Рис. 1. Сегодняшняя автоматизация сильно напоминает конвейеры с их фиксированными маршрутами, потоки процессов проектируются архитекторами и инженерами и не адаптируются к содержанию работы и бизнес-событиям.

Большинство используемых сегодня систем автоматизации процессов были спроектированы и разработаны тем же способом, что и остальные системы автоматизации нескольких последних десятилетий. Они представляют собой образец автоматизации, которая жестко следует фиксированным маршрутам. Это отличается от того, как работают люди – нас-то интересует, что внутри коробки. Мы не в состоянии заранее полностью запрограммировать последовательность шагов и процессов, не зная точного содержания каждой конкретной работы, которую предстоит выполнить. По этой причине до сегодняшнего дня автоматизация процессов была ограничена областью повторяющихся и относительно простых процессов. Когда же мы комбинируем автоматизацию процессов с кейс-менеджментом и искусственным интеллектом, базирующимся на данных, мы можем расширить область, поддающуюся автоматизацию или иной форме управления. Эта комбинация и составляет интеллектуальную автоматизацию.

Как выглядит интеллектуальная автоматизация? Используем ту же метафору: на рис. 2 изображен один из центров доставки Amazon, в котором роботы Kiva заменили фиксированные конвейерные линии. Точно так же, как относятся к своей работе люди, роботам есть дело до содержимого коробки, и они на самом деле это знают. Зная контекст (что внутри коробки и куда она направляется), роботы определяют оптимальный маршрут и местоположение товаров, которое обеспечит максимальную скорость процесса выполнения заказа. Опираясь на процессы, правила и данные, роботы определяют маршруты, адаптированные к содержанию текущей работы, точно так же как нам приходится адаптироваться, чтобы успешно выполнить нашу работу.

Рис. 2. Интеллектуальная автоматизация выигрывает за счет эффективности автоматизированных агентов с искусственным интеллектом, использующим данные, правила и аналитику для оптимизации по целям и для принятия решений.

Комбинация автоматизации потоков работ и основанного на данных машинного интеллекта позволяет управлять выполнением работ и в то же время динамически адаптировать шаги процессы к знанию и пониманию контента, данных и развертывающихся во времени бизнес-событий. Фундаментом интеллектуальной автоматизации является способность процессов, управляемых данными, динамически адаптироваться к содержанию работы, что позволяет с минимальными затратами достигать максимального результата в рамках существующих правил и политик. Траектория экземпляра процесса определяется нижележащими политиками и правилами, оперирующими информацией, собранной в ходе процесса.

Рис. 3. Интеллектуальная автоматизация в виде интегрированной цифровой платформы.

Роботы становятся рабочей силой

Роботизация процессов (RPA, Robotic Process Automation), один из самых быстрорастущих сегментов бизнес-технологий, в то же время часто понимается превратно. Некоторые называют RPA «захватом экрана на стероидах» – но нет, это гораздо более мощная технология. Это всего лишь одна из опор интеллектуальной автоматизации, хотя и критически важная. Сам по себе RPA ориентирован на масштаб и повторяемость. Он заменяет субъективное принятие решений человеком, но ему недостает основанной на данных оптимизации, предлагаемой ИИ.

Хотя RPA больше про «автоматизацию», чем про «интеллектуальность», он может выглядеть заманчивым. В рамках интеллектуальной автоматизацииЮ как более широкого подхода, RPA дает те же преимущества оптимизации операций, тот же подрывной потенциал, что и использование физических роботов. В отличие от решений, нацеленных на координацию и последовательность выполнения задач людьми, и от традиционной софтверной автоматизации, нацеленной на простые автоматические задачи, RPA узко нацелен на автоматизацию действий, выполняемых человеком. Существующий пользовательский интерфейс остается неизменным, и сотфверные роботы выполняют в нем те же действия, что и человек – входят по логину и паролю, вводят и/или извлекают данные из приложения.

Интеллектуальная автоматизация перекидывает мостики между «островками автоматизации» – системами, не способными интегрироваться иначе, чем с помощью человека. Это единственный способ автоматизировать такую работу. По определению, она требует входить в разные системы, чтобы завершить процесс (или даже единичную задачу), и часто это системы внешние или не поддающиеся интеграции через программный интерфейс по иной причине. Их не интегрируют иначе, чем с помощью человека, вращающегося стула и бумажных стикеров. В результате правила и поток работ определяются внутренним устройством автоматизированных систем, а не истинными целями охватывающего их сквозного процесса.

На рис. 3 платформа интеллектуальной автоматизации представлена в виде набора ключевых составляющих. Мы стремились проиллюстрировать синергию и взаимодействие составляющих платформы и не имели в виду, что они должны быть реализованы в виде модулей тесно связанной монолитной архитектуры. Скорее, интеллектуальная автоматизация реализуется в виде многослойной архитектуры лучших в своем классе компонент, работающих совместно, но обычно – каждая в своей собственной среде. Разделение по уровням абстракции между слоями дает возможность использовать для каждого лучшие в своем классе компоненты и, во все более широком масштабе, облачные сервисы.

Сам по себе RPA обычно не имеет интерфейса. Он заменяет работника умственного труда, а не выполняет функцию информационной системы, с которой тот взаимодействует. Это подчеркивает тот факт, что интеллектуальная автоматизация – не категория программного обеспечения, а скорее паттерн проектирования, позволяющий взять лучшее от лучших в своем классе компонент, чтобы предложить мощный набор функций. В фундаменте любого решения, будь то интеллектуальная автоматизация или кейс-менеджмент, лежит слой данных. В него входит операционное хранилище данных, обеспечивающее действия и операции с элементами умственного труда. Кроме того, обязательны одна или несколько учетных систем (SoR – Systems of Records), в которых сохраняются данные экземпляра процесса и вспомогательный контекст.

Поверх слоя данных – три отдельных, но синергетических компоненты «мозга» интеллектуальной автоматизации: RPA, BPM-система (BPMS) и автоматизация/управление принятием решений (Decision Automation/Management). Причем последний – это больше, чем движок бизнес-правил (BRE, Business Rules Engine). Движок – это только исполнение, а управление принятием решений –это относительно новая категория ПО, стимулирующая формализацию и текущее управление правилами и политиками, рассматриваемыми как самостоятельные артефакты и бизнес-активы.

Рис. 4. Платформа интеллектуальной автоматизации в виде послойного стека лучших в своем классе коробочных компонент.

Три «R» интеллектуальной автоматизации

До сих пор мы успели в деталях обсудить, какую роль в интеллектуальной автоматизации играют правила (первое «R» – Rules) и роботы. В дискуссия роботы и ИИ зачастую употребляются как синонимы, хотя в реальности ИИ обычно означает системы машинного обучения и нейросети, относящихся к области вероятностного ИИ (Probabilistic AI). Говоря же о роботах, мы имеем в виду нечто предписывающее – так, RPA можно считать примером детерминистического ИИ (Deterministic AI), полностью управляемого набором инструкций. RPA не принимает самостоятельные решения помимо тех, которые заданы бизнес-правилами. Правила же по необходимости однозначны, в бизнес-правилах и процессной роботизации нет места нюансам и неоднозначности. Третья «R» интеллектуальной автоматизации – Relationships, взаимоотношения.

Взаимоотношения отражают характерное для интеллектуальной автоматизации смещение фокуса с локального хранения и репликации данных к их извлечению. Например, задумайтесь о том, сколько источников информации используется для составления полного представления о конкретном клиенте. Больше не приходится ожидать, что все данные о клиенте хранятся в едином хранилищ. Скорее можно рассчитывать на единую метамодель, описывающую все измерения клиента, но сами данные, которые понадобятся сквозному процессу, взаимодействующему с этим клиентом, наверняка содержатся в множестве систем. И зачастую большинство данных, которые понадобятся, содержатся в системах, находящихся вне нашего контроля.

Обратите внимание на противоречие: роботам и правилам необходимы данные, но все большая их доля оказывается вне нашего контроля, и прежде чем использовать данные, их необходимо трансформировать или специальным образом отформатировать. В этом и заключается роль взаимоотношений. Если мы знаем где искать (т.е. если мы установили взаимоотношения между событиями, правилами и источниками данных), то мы можем использовать для поиска данных роботов. Мы также можем использовать ИИ, чтобы в реальном времени оценивать последствий происходящих событий и прогнозировать наиболее вероятный ответ, без чего история будет неполной. Таким образом, интеллектуальная автоматизация может прибегнуть к вероятностному ИИ (противоположного детерминистическому), чтобы закрыть разрывы там, где данные неполны, и тем самым удовлетворить требования роботов и правил.

Чтобы иметь возможность делать предсказания, надо привязать данные к осмысленному контексту и воспользоваться машинным обучением или другим готовым программным обеспечением ИИ. В этом нет никакого волшебства, необходимо только чтобы и бизнес-правила, и данные, на которых тренируется алгоритм машинного обучения, были тщательно проверенными и однозначными. Но полная ясность появляется только ретроспективно – после того, как процесс завершился. Таким образом, мы можем провести машинное обучение на исторических данных и затем на реальных данных предсказывать с его помощью наиболее вероятный исход. Мы также можем установить доверительный порог и на его основе решать, использовать предсказанные данные или нет.

Например, если на шаге автоматизированного процесса требуется номер социального страхования клиента, который по какой-то причине отсутствует, то ИИ может предоставить альтернативные источники информации. Скорее всего возможных кандидатов будет несколько, и платформа интеллектуальной автоматизации может задействовать ИИ, чтобы найти их, оценить, выбрать наиболее вероятный и дать ему ход только при достаточно высоком уровне достоверности, скажем 90%. С точки зрения правила или робота это просто ответ, который они искали. В данном случае интеллектуальная составляющая интеллектуальной автоматизации смогла закрыть брешь, которая в противном случае вызвала бы ошибку или прерывание процесса.

С чего начать интеллектуальную автоматизацию

Где лучше всего начать применять интеллектуальную автоматизацию? Одна из возможных стратегий – в первую очередь обратить внимание на повторяющиеся задачи, выполняемые людьми, где пользователи погрязли в рутине, утомительной монотонной работе или где для выполнения задачи или шага процесса им приходится постоянно переключаться между несколькими системами. Такие сценарии обещают легкую добычу, но ваши планы не должны ограничиваться легко достижимыми целями. Лучше, если ваша стратегия будет предусматривать распространение вширь – увязывание отдельных точек автоматизации в более комплексный, сквозной процесс. Чтобы это получилось, создайте четкую модель, в которой уровни интеллектуальной автоматизации будут логически разделены (как показано на рис. 4), и в частности, будут разделены функции традиционного BPM и RPA. Стоит заметить, что перед BPM никогда не ставилась задача полностью устранить ручную работу – только помочь выполнению этой работы через назначение задач, отслеживание их последовательности, применение правил и других средства управления. В противоположность этому, RPA предназначен для замены работы, которую люди выполняют не слишком эффективно.

Интеллектуальная автоматизация открывает возможность для гармоничного сочетания BPM и RPA, координации умственной работы и автоматизированных задач. Но хотя у такой синергии большой потенциал, осознание ее ценности не происходит автоматически. Признанного стандарта или методологии идеального сочетания BPM и RPA сегодня не существует, и часть провалов обусловлена нечетким разделением уровней ответственности между ними. Например, распределенная ошибка – определять бизнес-правила внутри сложных скриптов RPA вместо того, чтобы явно отделить логику принятия решений (политики и правила) от процедурной логики автоматизированной задачи. Ни одна из платформ RPA не предназначена для управления принятием решений, и чтобы воспользоваться лучшими решениями в каждом классе, нужна более продуманная архитектура. В рамках широкой стратегии цифровой трансформации мы используем управление принятием решений, чтобы обеспечить целостность системы бизнес-правил и дать возможность сотрудникам принимать более информированные, основанные на данных решения.

Добавленная ценность автоматизированного принятия решений

Рассмотрим самый распространенный на сегодняшний день сценарий процессной автоматизации (и в частности RPA): замена ручной повторяющейся работы (как правило, выполняемой офшорной рабочей силой), такой как обработка заявок или принятие решений по ним. Одна из проблем здесь – добиться, чтобы работники следовали установленным правилами и политикам. Эта цель достигается через обучение, инструкции и стандартные эксплуатационные регламенты, дополняемые контролем качества посредством камер видеонаблюдения.

Представьте себе альтернативный сценарий, в котором пользователи освобождены от необходимости субъективно принимать решения (т.е. полагаться на собственные интерпретации политик и правил), а вместо этого поток работ пропускается через библиотеку бизнес-логики с сотнями и тысячами правил, проверяющими корректность данных, обеспечивающими следование установленным политикам и дающими основанные на данных рекомендации по оптимальным следующим шагам. Объективные измерения (отчеты и аналитика) подтверждают, что работа выполняется в соответствии с установленной политикой. Сокращается объем обучения, так как не надо учить, что делается вслед за чем. Возрастают точность и единообразие обработки, так как автоматически проверяются каждая транзакция, каждый шаг процесса и элемент данных (вместо прежнего выборочного контроля качества).

Решение проблемы сквозного процесса

Расширим поле зрения этого сценария и представим, что BPM делает то, что он умеет лучше всего – координирует выполнение сквозного процесса (рассматриваемого от самого начала и до самого конца): управляет последовательностью шагов и контролирует состояние процесса по мере продвижение от одного шага к другому. Теперь опустимся на гораздо более глубокий уровень детализации и представим, что многие из шагов, которые раньше требовали вмешательства человека, теперь выполняются софтверными роботами, координирует которых процесс верхнего уровня. Причем инструкции роботам не зашиты в их скрипты, а берутся из целостного набора правил и политик, который может быть масштабирован на весь ваш бизнес со всеми его сложностями. Это даст нам чрезвычайно мощный набор «цифровых выгод» от автоматизации – уменьшение числа ошибок, повышение производительности и качества, уменьшение субъективных решений, повышение качества данных, более точная аналитика и возможность упреждающего анализа эффекта планируемых изменений правил и политик.

Выводы

Представьте, что тысячи страниц политик и многодневные тренинги, помогающие работникам умственного труда справляться со своими обязанностями, заменил управляемый и измеримый набор моделей принятия решения, владеют и управляют которыми представители бизнеса. Представьте, что вместо контроля качества и камер наблюдения в вашем распоряжении новый богатый источник аналитики и аудиторский след фактически принятых решений и выполненных действий. Интеллектуальная автоматизация дает возможность интегрировать процессы, а не только системы и приложения; возможность всеобъемлющей автоматизации вместо ручной (обходящейся намного дороже) работы, выполняемой людьми. Она предоставляет объективные показатели (фактические и отчетные и аналитические данные) следования работы установленным политикам. Она снижает затраты на обучение, устраняя необходимость вникать в последовательности выполнения шагов, но при этом обеспечивает точное их соблюдение. Вместо «черного ящика» бэкофисной информационной системы, каждая транзакция, шаг процесса и элемент данных автоматически контролируется бизнес-правилами.

Расширим поле зрения этого сценария, рассмотрим роль традиционного BPM – координация сквозного процесса, управление последовательностью шагов и контроль состояние процесса по мере продвижение от одного шага к другому. Теперь опустимся на гораздо более глубокий уровень детализации, воспользуемся возможностью определить бизнес-логику через политику и правила, и многие из шагов, которые раньше требовали вмешательства человека, теперь могут выполняться «интеллектуальными» роботами. Но сами по себе роботы интеллектом не обладают. Это не восстание ИИ – софтверные роботы подчиняются тем же ограничениям, правилам и стандартам отчетности, что и сотрудники-люди, но только оцифрованным в рамках стратегии трансформации. Со временем, по мере накопления данных и лучшего понимания того, как работа должна выполняться, охват такой автоматизации может расшириться на задачи, прежде выполнявшиеся вручную. Интеллектуальная автоматизация открывает перспективу большей производительности в сочетании с большей прозрачностью и более точным следованием установленным политикам. Способность интегрировать не системы и приложения, а процессы, возможность всеобъемлющая автоматизация вместо ручной (обходящейся намного дороже) работы, выполняемой людьми – это то, что делает интеллектуальную автоматизацию столь привлекательной.

Обсудить