Maximice el ROI de la automatización con IA: El Playbook (Parte 2)

La automatización robótica de procesos (RPA) es solo el comienzo—es la base, pero no el destino, de su programa de automatización.

En la parte uno, aprendió cómo probar si su programa de automatización y su empresa están listos para inteligencia artificial (IA). En esta publicación, me sumerjo en los detalles: cómo usted y su equipo de automatización pueden implementar IA en el terreno.

Los modelos de IA son tanto un acelerante como un multiplicador para su programa de automatización.

El ROI para una inversión en RPA varía del 30% al 200% en el primer año, según estudios de caso realizados por Leslie Willcocks, profesor de tecnología, trabajo y globalización en el Departamento de Gestión de la London School of Economics. Entre clientes de UiPath, hemos visto empresas alcanzar ROI en tan solo un mes (DHL Global Forwarding, Freight), lograr un ROI 2:1 (Postbank), y más.

Y un retorno es solo el comienzo: las empresas han encontrado beneficios en mayor productividad, mejor compromiso de empleados y reducción de errores. Imagine, entonces, qué puede hacer agregar inteligencia cognitiva a su suite de automatización. ¿Manejo de errores? ¿Excepciones? ¿Humano en el bucle? La IA puede ayudar.

En un seminario web sobre el Playbook de IA (realizado durante nuestra Cumbre de IA), Brian Klochkoff, Jefe de Automatización para Américas en dentsu international, se unió a mí para explicar cómo agregar modelos de IA a su programa de automatización puede desbloquear y crear valor.

Diseñe un plan de soporte de ejecución de IA

En la parte uno de esta serie de artículos, le mostramos cómo desmitificar la IA e involucrar a las personas con las posibilidades de IA. También discutimos cómo demostrar el caso para invertir en IA. Una vez que gane a sus partes interesadas, no quiere desperdiciar ese impulso. Asegúrese de estar listo para ejecutar con un plan de ejecución que consista en los siguientes elementos.

Gobernanza y ética de IA

La gobernanza y ética para IA es un campo relativamente nuevo, por lo que el camino a seguir no está bien trillado. Muchas empresas y entidades gubernamentales aún están resolviendo cómo se ve la gobernanza, especialmente en lo que respecta a consideraciones éticas.

En su mayor parte, sin embargo, un modelo típico de gobernanza de centro de excelencia (CoE) funciona tan bien para IA como para RPA. Las claves, que son importantes para un CoE de RPA también, son construir reglas para responsabilidad, transparencia y equidad.

¿Cómo evita sesgos sistémicos de su modelo y datos, por ejemplo? Necesita tener puntos de control que le permitan rastrear decisiones de vuelta a un humano, a un robot, o a alguna mezcla de los dos. Esta parte de su plan de soporte de ejecución incluirá reglas sobre privacidad de datos y ciberseguridad también.

Ponemos gobernanza y ética arriba porque la gobernanza y ética necesitan ser un esfuerzo dedicado del equipo que está ejecutando IA. Cualquier cosa menos que máxima prioridad crea un riesgo que su empresa no quiere asumir.

Modelo operativo

Hemos escrito sobre el modelo operativo de automatización múltiples veces, incluyendo:

• Los beneficios de diseñar uno
• Consideraciones al construir un equipo
• Optimización para su potencial de automatización completo

Cuando se trata de IA, el núcleo de su modelo operativo debe ser un equipo multifuncional. Este equipo multifuncional incluye personas del negocio, analítica de datos, RPA y lados de soporte. Es importante que diseñe su modelo operativo de manera que no haya silos. Sus canales de interacción deben ser eficientes, con amplias oportunidades para colaboración.

Determine temprano si construirá modelos internamente o usará modelos preconstruidos. Esta decisión afectará sus requisitos de infraestructura y sus recursos, en lo que entraremos en las próximas dos secciones.

Idealmente, su modelo operativo tiene una estructura que permite la integración de nuevas tecnologías a medida que surgen y como usted es capaz de adoptarlas. La integración y adopción tienen que operar dentro de las realidades de su ciclo de vida de desarrollo de software (SDLC) y las demandas de gobernanza.

En dentsu, según Klochkoff, "Vemos el modelo operativo como el envoltorio alrededor de todas estas cosas". Como tal, dentsu se enfoca en crear documentación exhaustiva y publicar ese trabajo, transparentemente, en la intranet de la empresa. "La gente puede entender en qué estamos y cómo pueden involucrarse".

Infraestructura y soporte

Una vez que determine gobernanza y operaciones, querrá pensar en infraestructura. ¿Va a alojar su plataforma de IA on-premises, air-gapped, o en la nube? ¿Dónde va a levantar la máquina? ¿Cómo va a alojar los datos que alimentan esos modelos de IA? Querrá decidir aquí también qué métodos usa para entrenamiento.

Dependiendo de estas decisiones, el tiempo de espera, esfuerzo requerido y presupuesto cambiarán todos, así que tómelas con cuidado.

Habilidades de recursos

Con su infraestructura establecida, querrá evaluar qué tan calificados están sus recursos actuales y qué brechas de habilidades podría haber. Su recurso central serán desarrolladores de RPA que puedan mejorar sus habilidades y aprender a aplicar IA a RPA. Los científicos de datos jugarán papeles clave también, el escenario ideal involucrando un equipo donde desarrolladores de RPA y científicos de datos trabajen juntos estrechamente.

Dependiendo de sus decisiones previas, probablemente podrá mejorar las habilidades de empleados actuales pero piense cuidadosamente en contratar desde fuera también. Necesitará una mezcla de recursos para obtener los resultados que quiere.

dentsu construyó personas alrededor de quién en su equipo está involucrado en el CoE, qué habilidades tienen, hacia qué están trabajando, y qué certificaciones tienen. Klochkoff ve su trabajo culminando en una "comunidad multifuncional". dentsu quiere crear un camino para el aprendizaje—gestionado por gobernanza—que permita a los empleados aumentar su conjunto de habilidades actual.

Klochkoff enfatizó que "la tecnología está evolucionando a tal ritmo donde a veces es difícil mantenerse al día con [su] propio conocimiento". Recomienda hacer una pausa al menos una vez a la semana para dar a su equipo tiempo para ponerse al día con notas de lanzamiento, seminarios web y white papers. "No siempre lo hicimos", advirtió Klochkoff, "y significaba que nos perdíamos algunas de las funcionalidades que podríamos incrustar en nuestras soluciones".

Integre IA en su programa RPA existente

Con un plan de soporte de ejecución en marcha, está listo para empezar a integrar. Las claves para integrar IA son dobles: haga que sus CoEs de RPA y analítica de datos trabajen juntos y ajuste su ciclo de desarrollo de software para incluir IA.

Fomente la colaboración entre sus dos CoEs

Los CoEs tienden a caer en uno de dos modelos, cada uno requiriendo diferentes estrategias de colaboración.

En un modelo de CoE individual, los CoEs individuales de RPA y analítica de datos reportan a diferentes departamentos. Generalmente, los CoEs trabajan aparte e independientemente.

Para lograr mayor colaboración, el CoE de RPA puede contactar proactivamente al CoE de datos y analítica. Juntos, pueden encontrar casos de uso de negocio que beneficien de su sinergia. Esto podría requerir explicar RPA al equipo de analítica de datos, pero los beneficios de ese entendimiento mutuo son inmensos.

En un modelo de CoE singular, un solo CoE incorpora todas las tecnologías de automatización y reporta a un solo líder—típicamente un director digital o director de automatización. Los líderes de CoE pueden aprovechar esta consolidación para enfocar el CoE en un mandato de automatizar.

No hay un modelo correcto para todas las organizaciones. Necesitará sopesar los pros y contras de cada modelo, junto con sus objetivos y dónde está en su viaje de automatización, para determinar qué modelo es mejor para su organización.

Con el tiempo, sin embargo, a medida que las empresas agregan más tecnologías de automatización, los modelos de CoE individuales tienden a evolucionar hacia modelos de CoE singulares.

Como demostraron valor y lo articularon a líderes y directores de operaciones, pudieron explicar cómo la IA mitigaba desafíos de humano en el bucle y extendía la capacidad de la automatización para asumir "problemas más complejos".

Una vez que las empresas tienen un portafolio de tecnologías de IA y automatización, es natural empezar a pensar en cómo pueden hacerlas armoniosas.

Ajuste su ciclo de vida de desarrollo de software

Si está usando un modelo de CoE individual, para que el SDLC opere con máxima efectividad necesita la orquestación de ambos CoEs. Generalmente, ambas tecnologías seguirán el mismo SDLC, pero los matices sutiles cambian cómo puede orquestar mejor. Para introducir una estructura que pueda acomodar IA, enfóquese en los siguientes seis componentes.

• Identificar: empiece con el problema de negocio, no la solución tecnológica. Reúna a RPA, científicos de datos y usuarios de negocio—idealmente en la misma sala—para identificar problemas que se adapten a soluciones de IA. Antes de hacer cualquier otra cosa, determine si usar RPA y UiPath AI Center resolverá el problema en cuestión. Y si determina que AI Center encaja, averigüe qué debe resolver el modelo de aprendizaje automático (ML).
• Diseñar: la capa de IA requiere consideración de diseño. Al empezar a diseñar, determine si sus desarrolladores de RPA necesitarán diseñar sus soluciones RPA de manera diferente con la adición de ML. Además, querrá preguntar a su equipo de datos qué preparación de datos necesitará su modelado ML.
• Desarrollar: en esta etapa, puede permitir que sus equipos de RPA y científicos de datos diverjan y hagan sus componentes individuales siempre que sigan sus respectivas políticas y procedimientos DevOps. Determine el nivel de orquestación necesario entre su CoE de datos y analítica y su CoE de RPA. Sepa, en el flujo de trabajo de extremo a extremo, cómo la entrada de una tecnología creará la salida de la siguiente tecnología.
• Probar: asegure que su tester de aceptación de usuario, así como sus CoEs, sepan qué esperar en cada etapa del SDLC. RPA tiende a ser directo, así que las pruebas son definitivas. O pasa o no. ML se trata de mejora gradual, así que los modelos incluyen un umbral de confianza que mejorará con el tiempo.
• Desplegar: el avance de tecnologías modernas de automatización ha hecho IA Ops más fácil que en años pasados. Determine si el CoE de RPA maneja el despliegue de modelos de IA a AI Center. Actualice su lista de verificación de despliegue para asegurar que los controles estén en su lugar. El acto real de despliegue ahora es bastante simple.
• Mantener: determine cómo sus equipos mitigan y gestionan los efectos de cambios externos, y determine qué equipo mantiene modelos de IA después del despliegue. En RPA, todos saben si el robot está corriendo; determinar si un modelo ML está tomando la decisión "incorrecta" es difícil. Podría necesitar crear un panel que rastree la confianza y active alertas si la confianza cae por debajo de un cierto umbral.

Aunque los SDLCs de RPA e IA comparten muchas similitudes, las diferencias son lo que marcan la diferencia.

Lleve su estrategia de automatización al siguiente nivel integrando IA

La IA llevará su estrategia de automatización al siguiente nivel. Integrar IA requerirá habilidades organizacionales así como tecnológicas, pero los beneficios de esa integración serán enormes. Su SDLC, sus CoEs de RPA y analítica de datos, su programa de automatización—todos requieren una reevaluación clara y cuidadosa antes de la introducción de IA.

Para aprender más sobre modelos de IA y sobre mejores prácticas de IA y automatización, vea la grabación completa del seminario web del Playbook de IA.