Как машинное обучение повлияет на роботизацию бизнес-процессов

Те организации, которые серьёзно задумывались над повышением операционной производительности своих бизнес-процессов и снижением операционных расходов, не могли обойти в своих поисках возможность их автоматизации и роботизации. Новая на украинском рынке инновационная технология роботизации бизнес-процессов (Robotic Process Automation, RPA) имеет для этого огромный и несомненный потенциал. Все рутинные, повторяющиеся изо дня в день процессы (сверка баланса, составление отчётности, обработка счетов на оплату, проведение платежей, сбор и ввод данных во внутренние системы и т. п.), которых существует множество практически в каждой организации, могут быть существенно усовершенствованы благодаря этой технологии.

Однако, будем откровенны, при всех преимуществах роботизации бизнес-процессов технология всё-таки имеет свои ограничения в применении. Они вступают в действие, когда речь идёт об осуществлении таких операций и процессов, которые происходят по нетривиальным сценариям и требуют принятия решений или анализа. На данном этапе развития технологии роботизации программный робот способен воспринимать только шаблонные структурированные данные и осуществлять операции, основанные на чётко определённых параметрах. Распознавать неструктурированные или полуструктурированные массивы данных и делать на их основе определённые выводы их ещё нужно «обучать». Поэтому до недавнего времени за роботом и человеком были чётко прописаны назначенные полномочия в рамках выполнения определённых бизнес-процессов, а обработка неструктурированных данных и аналитические задачи были только прерогативой человека.

Однако будет ли эта ситуация оставаться и в дальнейшем неизменной?

Никто из нас не рождается с априори сложившимся мировоззрением и опытом. Человек становится тем, кем себя создаёт в процессе обучения и развития, и этот процесс не прекращается на протяжении всей его жизни. 

Похожая идея — способности машин самостоятельно «обучаться» — заложена и в технологию машинного обучения (Machine Learning, ML). Как оказывается, машины также могут учиться на основе собственного опыта, в процессе анализа и обработки больших массивов данных находить в них закономерности и прогнозировать результаты.

Сама идея машинного обучения не нова и уже широко апробирована такими технологическими гигантами, как IBM (Watson, 2011), Google (AlphaGo, 2015). Но только сейчас — с развитием современных технологий и усовершенствованием уже разработанных прототипов — появляются предпосылки для её полноценной технической реализации. Мы даже порой не подозреваем, что машинное обучение уже стало частью нашей нынешней повседневной жизни. На основе наших предыдущих предпочтений специально настроенные алгоритмы подбирают нам ленту новостей в соцсетях и товары в интернет-магазинах, а также осуществляют фильтрацию почтовых сообщений от спама; всё совершеннее становится машинный перевод (например, Google Translate) благодаря доступной ручной функции «улучшить перевод» и т. п. По мнению специалистов, направление машинного обучения станет одним из определяющих в развитии компьютерных технологий в XXI веке.

Поэтому с появлением и активным внедрением машинного обучения осуществление программными роботами исключительно рутинных задач становится далеко не верхней границей их потенциальных возможностей. Применение технологий машинного обучения открывает совершенно новые возможности для роботизации бизнес-процессов и позволяет расширить её функциональность. Благодаря когнитивным технологиям программные роботы становятся всё умнее, в состоянии выполнять ещё более сложные задачи, чем на это способны сегодня, развивать и совершенствовать свои навыки, которые не были в них заложены с самого начала. Поэтому сочетание возможностей этих технологий позволит достичь ещё большей операционной эффективности.

Так где же именно может применяться технология машинного обучения в сфере роботизации бизнес-процессов? Здесь без лишних сомнений можно сказать, что развиваться она будет прежде всего в области совершенствования распознаваемых объектов и данных. Поскольку программный робот может сейчас качественно и без ошибок считывать только печатный текст, следующим шагом для него должно стать качественное распознавание нестандартных шрифтов, неструктурированных данных, рукописного текста, а также возможность распознавать человеческое лицо и естественный язык. Вместе с расширением распознавательных возможностей параллельно будут совершенствоваться возможности роботизации по эффективной обработке бизнес-процессов. А это всё в конечном итоге позволит ещё более их оптимизировать и сократить операционные расходы на их содержание.

Однако всё-таки не следует также забывать и об определённых рисках интеграции машинного обучения и роботизации бизнес-процессов. Если, например, вы корректно запрограммируете робота на выполнение нужных вам действий, используя уже апробированные методы RPA, вы можете быть абсолютно уверены в точности выполнения роботизированного процесса. Однако если вы всё же рассчитываете на более широкие возможности программного робота, но объём предоставленных ему для анализа и «принятия решения» данных будет неполным, некорректным или недостаточно продуманным, то нельзя будет полностью исключить возможность возникновения ошибок. Более того, при таких условиях они будут вполне закономерны. Однако если в вашей команде разработчиков есть люди с соответствующими профессиональными навыками, способные тщательно продумать и корректно применять учебные алгоритмы программирования, то таких рисков, бесспорно, можно избежать.

Поэтому выбор, несомненно, будет оставаться за вами: классическая роботизация бизнес-процессов или классическая роботизация, умноженная на возможности когнитивных технологий машинного обучения. Оба варианта способны открыть несравненно лучшие возможности для оптимизации бизнеса. Однако уже и сегодня совершенно очевидно, что будущее всё-таки будет за последней.