Veröffentlicht: Januar 2020
RPA ist zweifellos der derzeit erfolgreichste Werkzeugkasten für die Prozessautomatisierung in modernen Unternehmen. Allerdings bringt die Einführung von RPA auch einige Herausforderungen, insbesondere beim Design, bei der Entwicklung und Wartung der Bots. Entsprechend widmen sich die RPA-Plattformhersteller und Machine-Learning-Lösungsanbieter wie auch wir bei Almato diesen Herausforderungen sehr umfassend. Alle Hersteller eint dabei das Ziel, den Einsatz von RPA so einfach wie nur möglich zu machen. Nur so können sie die Anwendungsbereiche von RPA stetig erweitern. Wir können deshalb von einer schnellen und kontinuierlichen Fortentwicklung der RPA-Werkzeugkästen ausgehen und sehen dabei die folgenden drei Schwerpunkte.
1. Vereinfachung der RPA-Programmierung: No-Code-RPA__
Sämtliche RPA-Hersteller bieten heute komfortable Entwicklungsumgebungen für die Programmierung von Bots an. Mit diesen Umgebungen wird derzeit der größte Teil der Automatisierung implementiert und hier entsteht auch der meiste Aufwand. Deshalb versuchen die RPA-Hersteller weitergehende Funktionen zur Verfügung zu stellen, mit denen auch Experten aus den Fachbereichen die Automatisierung ohne Programmierung – „No-Code“ – umsetzen können.
Obwohl die RPA-Programmierung schneller erlernt werden kann als gängige Programmiersprachen wie etwa Java oder Python, erfordert sie dennoch einen nicht zu unterschätzenden Lernaufwand. Mit No-Code-RPA kann sich das radikal ändern.
No-Code-RPA hat dabei das Potenzial, die tägliche Arbeit von Angestellten in praktisch sämtlichen Unternehmensbereichen zu revolutionieren. Dies wird klar, wenn man sich die Veränderungen alleine im Finanzbereich durch Werkzeuge wie Excel vor Augen führt. No-Code-RPA hat ein sehr viel breiteres Anwendungsspektrum als etwa Excel und ein dementsprechend großes Veränderungspotenzial.
2. Automatisierung der Prozessmodellierung: Lernende Systeme__
Derzeit müssen RPA-Entwickler den zu automatisierenden Geschäftsprozess vor der eigentlichen Programmierung manuell analysieren, verstehen und modellieren. Das kann ein sehr anspruchsvoller und auch aufwendiger Vorgang sein, wenngleich es viele unterstützende Tools wie etwa Recorder gibt. In vielen Unternehmen steckt das Wissen um die Abläufe aber mit vielen Einzelheiten ausschließlich in den Köpfen der Mitarbeiter. Dementsprechend muss das notwendige Prozesswissen manuell aus Interviews, Videos und Protokollen extrahiert werden.
Mit dem Ansatz „Self-Learning-RPA“ verfolgen die RPA-Hersteller das Ziel, das notwendige Prozesswissen möglichst vollautomatisch akquirieren zu können. Außer den Daten, die aus der Benutzung der Zielanwendungen entstehen, müssen in die Analyse der Geschäftsprozesse auch ergänzende aktuelle Kontextinformationen mit einbezogen werden. So etwa die Informationen, die der Sachbearbeiter während seiner Tätigkeiten spricht oder die aktuellen Wetterdaten etc. Dies zu automatisieren ist eine äußerst schwierige Aufgabe und wird in vielen kleinen Schritten entwickelt werden.
3. RPA intelligenter machen: Cognitive Automation__
Unter dem Begriff Cognitive Automation werden im Kontext von RPA alle KI-basierten Erweiterungen zusammengefasst. Vielfach wird in diesem Zusammenhang auch der Begriff Intelligent Process Automation (IPA) verwendet. KI umfasst dabei verschiedene Technologien, mit denen Bots wahrnehmen, verstehen, handeln und lernen. Mit diesen Technologien sollen Bots Schritt für Schritt mit erweiterten Skills ausgestattet werden, was als Upskilling bezeichnet werden kann.
Eine wesentliche Fähigkeit, an der einige Hersteller intensiv arbeiten, ist die Verbesserung der Verarbeitung von natürlicher Sprache, sei es als gesprochene Sprache oder in Form von Texten in Dokumenten, E-Mails etc. Bereits ein grundlegendes Sprachverständnis erleichtert die Automatisierung der meisten Kundenservice- oder Vertragsprozesse erheblich.
Eine weitere wichtige Fähigkeit ist die Verarbeitung unstrukturierter Daten mithilfe von Machine-Learning-Anwendungen. Dies führt zu einer enormen Erweiterung der Bandbreite der zu automatisierenden Prozesse.
Bereits heute stehen die folgenden KI-basierten Möglichkeiten zur Verfügung, die auch kontinuierlich weiterentwickelt werden:
- Klassifizierung: Zuordnen von Dokumenten in vordefinierte Klassen
- Objekterkennung: Identifizierung von Objekten in Bildern und Videos
- Texterkennung: Extrahierung von Text aus Bildern mit intelligentem OCR
- Absichtserkennung (Intent Detection): Erkennen der Absicht eingehender Nachrichten
- Vorhersagen: Einschätzung von Risiken, Vorhersagen zu Produkten, Kunden etc.
- Lernen: Verarbeitung von Nutzerfeedback (Reinforcement-Learning)
- Data-Extraction: Extrahieren strukturierter Daten aus unstrukturierten Daten („Dark Data“)
- Generierung von Daten: Synthetische Erzeugung von Trainingsdaten wie etwa Bilder
Zusammenfassend:
RPA wird einfacher zu implementieren, RPA wird lernen können und intelligent.
Wir werden sehen, wie die nächsten Releases der Hersteller ausgestattet sind.
