Cómo las empresas pueden superar los inconvenientes del procesamiento de contenido de RPA

¿Cómo pueden las empresas superar estos desafíos de RPA?

Construido para parecerse a los asistentes digitales para los empleados, se sabe que la automatización robótica de procesos es útil para optimizar las operaciones comerciales sin aumentar los costos, al tiempo que reduce el error humano. Sin embargo, el software RPA por sí solo tiene sus inconvenientes en lo que respecta al procesamiento de contenido, debido a la inteligencia incompatible.

Sin embargo, hay formas de superar estos inconvenientes, como lo revelan cinco expertos en el campo.

Integración adicional

Una forma de superar los inconvenientes del procesamiento de contenido es combinar otras tecnologías inteligentes e integrarlas en el sistema.

"La tecnología RPA se usa principalmente para automatizar procesos basados ​​en reglas e imitar acciones humanas, como procesar una factura e ingresar datos en los sistemas SAP u Oracle desde una hoja de cálculo de Microsoft Excel", explicó Gopal Ramasubramanian, director sénior de tecnología y automatización inteligente de Cognizant. .

“Sin embargo, cuando se trata de procesar contenido en documentos, existe la necesidad de tecnologías de entrada inteligente adicionales que combinen reconocimiento óptico de caracteres (OCR), procesamiento de lenguaje natural (NLP) y aprendizaje automático (ML) para poder extraer metadatos de la documentos y automatizar el procesamiento.

“El contenido puede ser de diferentes tipos, como estructurado/impreso, estructurado/escrito a mano, no estructurado/impreso y no estructurado/escrito a mano. Es bastante fácil extraer contenido estructurado utilizando tecnologías OCR estándar. Sin embargo, la extracción de contenido no estructurado plantea un desafío y, cada vez más, estamos viendo la adopción de tecnologías de NLP y aprendizaje automático para abordarlo”.

Arpit Oberoi, especialista en RPA de Delaware, agregó:“El mayor desafío que enfrenta la tecnología RPA en la actualidad es el hecho de que, a menudo, todavía tiene dificultades para procesar contenido y datos no estructurados. Para superar este problema continuo, las organizaciones pueden intentar armonizar sus datos en conjuntos de datos más estructurados y también, cuando sea posible, combinar IA y RPA para optimizar o automatizar el procesamiento de contenido”.

Participación de terceros

Andrew Rayner, vicepresidente de servicios profesionales de EMEA en UiPath, continuó con el tema de la integración adicional al explicar la necesidad de aplicaciones de terceros combinadas con RPA.

“Históricamente, la tecnología RPA ha podido integrarse con aplicaciones de terceros para ayudar en el procesamiento de contenido”, dijo Rayner. “Por ejemplo, muchos de los proveedores de OCR (Abbyy, IBM, etc.) tienen integración directa, lo que permite clasificar y reconocer documentos semiestructurados o estructurados.

“En UiPath, hemos invertido mucho en la comprensión de documentos para proporcionar una solución 'lista para usar' para los clientes, con la flexibilidad de aplicar diferentes técnicas, como coincidencia de patrones, plantillas y aprendizaje automático para manejar tipos de documentos no estructurados y semiestructurados. .

“A medida que pensamos más en el procesamiento de contenido, esto se adapta bien a la hiperautomatización, ahora tenemos flujos de trabajo de ejecución prolongada con humanos en el circuito, lo que permite que tanto los robots como los humanos trabajen sin problemas en una transacción.

“Ha habido grandes avances en términos de conectividad de aplicaciones para procesar contenido a través de la interfaz de usuario o las API, y con la introducción de RPA y ML, los robots ahora pueden clasificar, comprender el sentimiento y sugerir las siguientes mejores acciones para el contenido que no está estructurado”.

Invierte en herramientas, con cuidado

Si bien la necesidad de obtener asistencia de software adicional es válida, las organizaciones deben tener cuidado con los gastos excesivos y asegurarse de que las herramientas en las que invierten tengan un propósito claro y específico.

“Las empresas tienen una gran cantidad de datos no estructurados en muchos formatos diferentes en toda su organización, ya sean documentos, correos electrónicos o incluso datos basados ​​en sistemas que no están estructurados, como datos de pago para conciliaciones”, dijo Chris Porter, director ejecutivo de NexBotix. “Eso causa un problema para RPA, que solo puede manejar procesos digitales estructurados y basados ​​en reglas.

“Hay un par de maneras diferentes para que los clientes superen estas deficiencias. Una es comprar una solución puntual personalizada como una herramienta OCR, que puede extraer datos de documentos, o podrían invertir en una herramienta de flujo de trabajo para ayudarlos a orquestar robots y humanos, o tal vez comprar algo de aprendizaje automático de Google para tratar de extraer información de sus complejos documentos. Estas herramientas están diseñadas para resolver un conjunto muy limitado de problemas, dentro de parámetros estrictos.

“Sin embargo, cada uno de estos tiene sus propios desafíos técnicos; al embarcarse en uno de estos proyectos, enfrenta un costo significativo, además necesita las habilidades y la tecnología adecuadas para respaldar cada iniciativa. Cada caso de uso debe tratarse como un proyecto individual, porque está comprando efectivamente para esa necesidad particular, y si tiene muchos tipos diferentes de datos en su organización, muchos procesos diferentes que tienen este nivel de datos no estructurados, usted necesita comenzar de nuevo cada vez y comprar la solución adecuada para solucionar cada problema individual.

“La clave es aplicar la tecnología correcta para resolver los problemas correctos, pero hacerlo de una manera escalable que se centre en el valor comercial. Por ejemplo, tenemos un procesamiento de facturas listo para usar que podemos implementar en cualquier empresa aprovechando los componentes reutilizables y automatizando el proceso comercial de extremo a extremo en las cuentas por pagar. Ya hemos hecho el trabajo duro para construir eso y hacer que funcione para el cliente”.

Inteligencia de contenido

Una forma final de superar los inconvenientes de RPA en torno al procesamiento de contenido es implementar capacidades adicionales.

Neil Murphy, vicepresidente global de ABBYY, explicó:“El mayor desafío con RPA es que no puede procesar contenido no estructurado como facturas, correos electrónicos, formularios, recibos o correspondencia. Sin embargo, las empresas pueden, y lo hacen, superar esto.

“Todo lo que se necesita son ‘habilidades’ de inteligencia de contenido que hacen que los bots RPA sean más inteligentes al agregar capacidades cognitivas, como analizar, comprender y procesar contenido no estructurado. Las organizaciones pueden implementar estas habilidades de inteligencia de contenido con soluciones fáciles de usar sin código o con código bajo, que permiten a su personal crear bots RPA que pueden manejar una amplia gama de documentos.

“Ya estamos viendo la adopción en empresas de todos los tamaños donde la barrera tecnológica de entrada se elimina con este enfoque. Esto, a su vez, está impulsando la innovación:algunas empresas ahora combinan estas habilidades para ofrecer una comprensión cognitiva avanzada de casos de uso complejos. La incorporación de clientes es un buen ejemplo, donde hay una multitud de documentos que deben procesarse, desde documentos de identidad y formularios de incorporación, hasta extractos bancarios y comprobantes de domicilio”.