Der Boom in der robotic process automation (RPA) in den letzten Jahren hat ziemlich deutlich gemacht, dass Geschäftsprozesse in nahezu jeder Branche eine endlose Anzahl von Engpässen aufweisen und Effizienzverbesserungen erzielt werden müssen. Bereits Jahre vor dem vollen Anstieg von RPA schätzte McKinsey die jährlichen Auswirkungen der Automatisierung der Wissensarbeit auf rund 6 Billionen US-Dollar im Jahr 2025.
Nachdem ich die Entwicklung von RPA von Python-Skripten zu verallgemeinerten Plattformen verfolgt habe, habe ich eine ziemliche Veränderung erlebt. Die in RPA verfügbaren Tools und Bibliotheken haben sich im Laufe der Zeit verbessert. Jede Iteration erweitert die Vielfalt der Prozesse, die automatisiert werden können, und verbessert die Gesamtautomatisierungsraten weiter. Ich glaube, dass die Aufnahme von maschinellem Lernen (ML) in die alltägliche Toolbox von RPA-Entwicklern der nächste große Sprung in Umfang und Effektivität der Prozessautomatisierung ist. Und ich bin nicht allein. Aber da ist ein Fang. Es wird ganz anders aussehen, als der ganze Hype Sie glauben machen würde.
Warum sollte man sich überhaupt für maschinelles Lernen interessieren?
Stellen Sie sich RPA ohne if-else-Logik oder Variablen vor. Sie konnten nur einfache und vollständig statische Klickprozesse automatisieren. Wenn wir nach und nach einige Variablen und Logik hinzufügen, können wir damit beginnen, komplexere und wirkungsvollere Prozesse zu automatisieren. Je komplexer der Prozess ist, den Sie automatisieren möchten, desto mehr Logikregeln müssen Sie hinzufügen und desto mehr Randfälle müssen Sie berücksichtigen. Die Belastung des Regelsystems des RPA-Entwicklers wächst exponentiell. Sehen Sie, wohin wir damit gehen?
Das Gesetz der sinkenden Rendite schreibt vor, dass die Entwicklung von Regelsystemen irgendwann (überraschend bald) so kostspielig wird, dass sich die Automatisierung des Prozesses nicht mehr lohnt. Hier kommt maschinelles Lernen ins Spiel. Bei richtiger Anwendung kann es jedes herkömmliche Regelsystem leicht überlisten, während es weitaus weniger Ressourcen benötigt. Und noch besser, es entsperrt Automatisierungen, die so komplex sind, dass der Versuch, sie mit Regelsystemen zu lösen, lächerlich wäre. Letztendlich gilt das Gesetz der sinkenden Rendite natürlich auch für maschinelles Lernen, aber wir werden bald verstehen, warum es im Moment eigentlich keine Rolle spielt.
Ist maschinelles Lernen nicht verrückt teuer?
Ja und nein. Wenn Sie den richtigen Ansatz und die richtigen Tools auswählen, können Sie zwischen verrückt teuer und verrückt profitabel wählen. Ich teile die Automatisierung gerne in zwei Kategorien ein:
1. Automatisierung mit hoher Auswirkung und geringem Volumen
2. Automatisierung mit geringen Auswirkungen und hohem Volumen.
Die erste Kategorie enthält alle hochgespielten Anwendungen wie persönliche KI-Assistenten, Big-Data-Business-Analysen, automatisierte F & E und andere Konzepte, die massive Auswirkungen auf das Geschäft versprechen.
Diese werden als große Projekte für maschinelles Lernen mit großen Ambitionen gestartet, werden jedoch eher zu PR-Stunts und liefern nicht viel tatsächlichen Wert. Warum? Die Antwort ist in der Grafik. Die Anwendungen mit hoher Auswirkung erfordern eine enorme Investition, um die endgültige Erhöhung der Genauigkeit um 2% auszugleichen, die erforderlich ist, damit sie funktioniert, und den ROI auf negativ zu drücken. Normalerweise verbrauchen diese Projekte so viele Ressourcen, dass das Unternehmen gezwungen ist, die Kosten zu senken und sie zu schließen.
In der zweiten Kategorie dreht sich alles um Effizienz. Es hat weit weniger Medienattraktivität, lässt sich aber nicht von seiner unauffälligen Natur täuschen. Hier finden Sie realisierbare Gewinne und echte organisatorische Veränderungen. Dinge wie die Rechnungsbearbeitung, die Kategorisierung von Kundenbeschwerden und die Qualifizierung von Vertriebsleads klingen nicht nach weltverändernden Automatisierungen. Zusammengenommen steigern sie jedoch die Effizienz Ihres Unternehmens um eine Größenordnung. Denken Sie über die Auswirkungen des Internets nach. Sie haben kein einziges großes Internetprojekt, sondern das Internet ist in jede einzelne Funktion Ihres Unternehmens eingebettet. Das gleiche wird beim maschinellen Lernen passieren. Sie möchten in der profitablen Hocheffizienzzone sein. Anstatt große ML-Projekte durchzuführen, binden Sie kleine ML in Ihre tägliche RPA-Arbeit ein und lassen Sie sich überraschen.
Wie mache ich das? Unsere Data Scientists sind sehr beschäftigt
Wählen Sie einfach Tools aus, mit denen Ihr RPA-Team maschinelles Lernen nutzen kann, ohne sich bei jeder Automatisierung auf das Data Science-Team verlassen zu müssen. Es gibt Tools für maschinelles Lernen, die sich an Entwickler richten und den ganzen Aufwand an Modellschulung, Hosting und Wartung überspringen. Natürlich könnten Sie mit einem benutzerdefinierten Modell eines Data-Science-Teams immer eine höhere Leistung erzielen, aber Sie müssen bewerten und begründen, ob sich die Investition lohnt. Wenn das RPA-Team das maschinelle Lernen selbst nutzen kann, sinkt der Schwellenwert für die Einbeziehung von Intelligenz in die Prozessautomatisierung. Sie werden es überall sehen. Die meisten ML-Tools richten sich an Datenwissenschaftler, um ihre Arbeit zu optimieren. Sie müssen also etwas graben, um entwicklerorientierte Lösungen zu finden. Ich werde am Ende des Beitrags darauf zurückkommen.
Ok, wo soll ich anfangen?
Schauen Sie sich Ihre aktuellen Automatisierungen an. Müssen einige von ihnen ständig in ihrem Regelsystem aktualisiert werden oder müssen sie häufig von Menschen eingegriffen werden? Wenn ja, könnten diese Engpässe mit etwas Intelligenz behoben werden?
Eine weitere gute Quelle ist Ihr RPA-Rückstand. Gibt es Automatisierungen, die dort schon eine Weile mit mittlerer bis hoher Priorität sitzen, sich aber nie weiterentwickelt haben? Es sind normalerweise diejenigen mit etwas Komplexität, die im Rückstand stecken bleiben.
Automatisierungen, bei denen Intelligenz erforderlich ist, befinden sich im Allgemeinen in einem der folgenden Felder:
- Hat unzuverlässige Eingabedaten: z. B. Der Benutzer hat nicht alle erforderlichen Informationen in ein Formular eingegeben oder Tippfehler gemacht.
- Benötigt ein komplexes Regelsystem: z. B. Identifizieren, ob ein Eintrag bereits in der Datenbank vorhanden ist, jedoch in einem anderen Format (GmbH. vs Gesellschaft mit beschränkter Haftung).
- Erfordert kognitive Entscheidungen: z. B. Ein Beschwerde-Ticket muss dem richtigen Kundendienstmitarbeiter entsprechend seiner Kategorie oder Dringlichkeit zugewiesen werden.
- Umgebung oder Daten ändern sich häufig: z. B. Die im Einzelhandel verkauften Produkte ändern sich ständig, wenn neue Produkte eingeführt und alte eingestellt werden
Kann ich das auf meiner RPA-Plattform tun?
Ja. Der springende Punkt ist, maschinelles Lernen zu einem normalen Werkzeug in Ihrer täglichen RPA-Toolbox zu machen und dazwischen liegende Reibungspunkte zu entfernen. Die Verwendung solcher Lösungen erfordert nicht viel mehr als das Senden von HTTP-Anforderungen, eine Standardfunktion in jeder RPA-Plattform. Wir arbeiten an Lösungen und Workshops, um Ihnen den Einstieg zu erleichtern, und wir starten Bibliotheken und Komponenten, um die Verwendung von ML auf den Plattformen noch einfacher zu gestalten. Sie können mir gerne eine Nachricht auf LinkedIn senden oder mir eine E-Mail (j.funke@it-p.de) senden, wenn Sie sich den Early Adopters anschließen möchten. Wir sehen uns im ML-Zug!