Superando los desafíos del procesamiento de contenido en RPA: Estrategias probadas de expertos

¿Cómo pueden las empresas superar estos desafíos de RPA? Diseñados para parecerse a asistentes digitales para empleados, la automatización de procesos robóticos es conocida por ser útil para agilizar operaciones empresariales sin aumentar costes, reduciendo el error humano. Sin embargo, el software RPA por sí solo tiene sus inconvenientes en el procesamiento de contenido, debido a una inteligencia incompatible.

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

Integración adicional

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

«La tecnología RPA se utiliza principalmente para automatizar procesos basados en reglas e imitar acciones humanas, como procesar una factura e introducir datos en sistemas SAP u Oracle desde una hoja de cálculo de Microsoft Excel», explica Gopal Ramasubramanian, director sénior de automatización inteligente y tecnología en Cognizant.

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

«El contenido puede ser de diferentes tipos, como estructurado/impreso, estructurado/manuscrito, no estructurado/impreso y no estructurado/manuscrito. Es bastante fácil extraer contenido estructurado usando tecnologías OCR estándar. Sin embargo, extraer contenido no estructurado plantea un desafío y, cada vez más, vemos la adopción de tecnologías NLP y de aprendizaje automático para abordarlo.»

Arpit Oberoi, especialista en RPA en delaware, añadió: «El mayor desafío al que se enfrenta la tecnología RPA hoy en día es que a menudo aún lucha 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 explicando la necesidad de aplicaciones de terceros combinadas con RPA.

«Históricamente, la tecnología RPA ha podido integrarse con aplicaciones de terceros para asistir el procesamiento de contenido», dijo Rayner. «Por ejemplo, muchos proveedores de OCR (Abbyy, IBM, etc.) tienen integración directa, permitiendo que documentos semiestructurados o estructurados sean clasificados y reconocidos.»

«En UiPath, hemos invertido mucho en comprensión de documentos para proporcionar una solución "out of the box" para clientes, con la flexibilidad de aplicar diferentes técnicas como coincidencia de patrones, plantillas y aprendizaje automático para lidiar con tipos de documentos no estructurados y semiestructurados.»

«Al pensar de forma más amplia sobre el procesamiento de contenido, esto encaja bien en la hiperautomatización; ahora tenemos flujos de trabajo de larga duración con humano en el bucle, permitiendo que tanto robots como humanos trabajen sin problemas en una transacción.»

«Ha habido avances enormes en términos de conectividad de aplicaciones para procesar contenido a través de la interfaz de usuario o APIs, y con la introducción de RPA y ML, los robots ahora pueden clasificar, entender el sentimiento y sugerir las próximas mejores acciones para contenido no estructurado.»

Invertir en herramientas, con cuidado

Si bien la necesidad de recurrir a software adicional es válida, las organizaciones deben tener cuidado de no gastar de más y asegurarse de que las herramientas en las que invierten tengan un propósito claro y específico.

«Las empresas tienen muchos 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 pagos para conciliaciones», dijo Chris Porter, CEO de NexBotix. «Eso causa un problema para la RPA, que solo puede manejar procesos digitales estructurados y basados en reglas.»

«Hay un par de formas diferentes para que los clientes superen estas deficiencias. Una es comprar una solución puntual a medida como una herramienta OCR, que puede extraer datos de documentos, o podrían invertir en una herramienta de flujo de trabajo para ayudarles a orquestar robots y humanos, o quizás comprar algo de aprendizaje automático de Google para intentar extraer insights de sus documentos complejos. Estas herramientas están diseñadas para resolver un conjunto muy estrecho de problemas, dentro de parámetros ajustados.»

«Sin embargo, cada una tiene sus propios desafíos técnicos; al embarcarse en uno de estos proyectos, se enfrenta a un coste significativo, además de necesitar las habilidades y la tecnología adecuadas para apoyar cada iniciativa. Cada caso de uso debe tratarse como un proyecto individual, porque efectivamente estás comprando para esa necesidad particular, y si tienes muchos tipos diferentes de datos en tu organización, muchos procesos diferentes que tienen este nivel de datos no estructurados, tienes que empezar de nuevo cada vez y comprar la solución adecuada para arreglar 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 empresarial. Por ejemplo, tenemos procesamiento de facturas listo para usar que podemos implementar en cualquier empresa aprovechando componentes reutilizables y automatizando el proceso de negocio de extremo a extremo en 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 la RPA en torno al procesamiento de contenido es implementar capacidades adicionales.

Neil Murphy, vicepresidente global en ABBYY, explicó: «El mayor desafío con la 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 de RPA sean más inteligentes al añadir capacidades cognitivas, como analizar, comprender y procesar contenido no estructurado. Las organizaciones pueden desplegar estas habilidades de inteligencia de contenido con soluciones fáciles de usar sin código o low-code, que permiten a su personal construir bots de RPA que pueden manejar una vasta gama de documentos.»

«Ya estamos viendo 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 están combinando 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 necesitan ser procesados, desde documentos de identidad y formularios de incorporación, hasta extractos bancarios y comprobantes de domicilio.»