Obtenez plus de valeur d'automatisation avec l'IA :Votre manuel d'IA (Partie 2)

L'automatisation robotique des processus (RPA) n'est qu'un début :c'est la base, mais pas la destination, de votre programme d'automatisation.

Dans la première partie, vous avez appris à tester si votre programme d'automatisation et votre entreprise sont prêts pour l'intelligence artificielle (IA). Dans cet article, je vais plonger dans le vif du sujet :comment vous et votre équipe d'automatisation pouvez mettre en œuvre l'IA sur le terrain.

Les modèles d'IA sont à la fois un accélérateur et un multiplicateur pour votre programme d'automatisation.

Le retour sur investissement d'un investissement RPA varie de 30 % à 200 % la première année, selon des études de cas réalisées par Leslie Willcocks, professeur de technologie, de travail et de mondialisation au département de gestion de la London School of Economics. Parmi les clients UiPath, nous avons vu des entreprises atteindre un retour sur investissement en un mois seulement (DHL Global Forwarding, Freight), atteindre un retour sur investissement de 2:1 (Postbank), et plus encore.

Et un retour n'est que le début :les entreprises ont trouvé des avantages dans l'augmentation de la productivité, l'amélioration de l'engagement des employés et la réduction des erreurs. Imaginez alors ce que l'ajout d'intelligence cognitive à votre suite d'automatisation peut faire. La gestion des erreurs? Exceptions? Humain dans la boucle ? L'IA peut vous aider.

Lors d'un webinaire sur l'IA Playbook (organisé lors de notre sommet sur l'IA), Brian Klochkoff, responsable de l'automatisation pour les Amériques chez dentsu international, s'est joint à moi pour expliquer comment l'ajout de modèles d'IA à votre programme d'automatisation peut débloquer et créer de la valeur.

Concevoir un plan d'assistance à l'exécution de l'IA

Dans la première partie de cette série d'articles, nous vous avons montré comment démystifier l'IA et faire participer les gens aux possibilités de l'IA. Nous avons également discuté de la manière de démontrer les arguments en faveur de l'investissement dans l'IA. Une fois que vous avez conquis vos parties prenantes, vous ne voulez pas gâcher cet élan. Assurez-vous d'être prêt à exécuter un plan d'exécution composé des éléments suivants.

Gouvernance et éthique de l'IA

La gouvernance et l'éthique de l'IA sont un domaine relativement nouveau, de sorte que la voie à suivre n'est pas bien tracée. De nombreuses entreprises et entités gouvernementales sont encore en train de déterminer à quoi ressemble la gouvernance, en particulier en ce qui concerne les considérations éthiques.

Dans la plupart des cas, cependant, un modèle de gouvernance de centre d'excellence (CoE) typique fonctionne aussi bien pour l'IA que pour la RPA. Les clés, qui sont également importantes pour un centre d'excellence RPA, consistent à établir des règles de responsabilité, de transparence et d'équité.

Comment évitez-vous les biais systémiques de votre modèle et de vos données, par exemple ? Vous devez disposer de points de contrôle qui vous permettent de retracer les décisions jusqu'à un humain, un robot ou un mélange des deux. Cette partie de votre plan d'assistance à l'exécution comprendra également des règles sur la confidentialité des données et la cybersécurité.

Nous plaçons la gouvernance et l'éthique au premier plan, car la gouvernance et l'éthique doivent être un effort dévoué de la part de l'équipe qui exécute l'IA. Tout ce qui n'est pas prioritaire crée un risque que votre entreprise ne veut pas assumer.

Modèle de fonctionnement

Nous avons écrit à plusieurs reprises sur le modèle d'opération d'automatisation, notamment :

• Les avantages d'en concevoir un

• Considérations à prendre en compte lors de la constitution d'une équipe

• Optimisation pour votre plein potentiel d'automatisation

En matière d'IA, le cœur de votre modèle opérationnel doit être une équipe interfonctionnelle. Cette équipe interfonctionnelle comprend des personnes de l'entreprise, de l'analyse de données, de la RPA et du support. Il est important que vous conceviez votre modèle d'exploitation de manière à ce qu'il n'y ait pas de silos. Vos canaux d'interaction doivent être efficaces, avec de nombreuses possibilités de collaboration.

Déterminez dès le début si vous allez construire des modèles en interne ou utiliser des modèles pré-construits. Cette décision affectera vos besoins en infrastructure et vos ressources, que nous aborderons dans les deux prochaines sections.

Idéalement, votre modèle d'exploitation a une structure qui permet l'intégration des nouvelles technologies au fur et à mesure qu'elles émergent et que vous êtes en mesure de les adopter. L'intégration et l'adoption doivent respecter les réalités de votre cycle de développement logiciel (SDLC) et les exigences de la gouvernance.

Chez dentsu, selon Klochkoff, "nous considérons le modèle d'exploitation comme l'enveloppe de toutes ces choses." En tant que tel, dentsu se concentre sur la création d'une documentation complète et la publication qui fonctionne, de manière transparente, sur l'intranet de l'entreprise. "Les gens peuvent comprendre ce que nous faisons et comment ils peuvent s'impliquer."

Infrastructure et assistance

Une fois que vous aurez déterminé la gouvernance et les opérations, vous voudrez penser à l'infrastructure. Allez-vous héberger votre plateforme d'IA sur site, en air gap ou dans le cloud ? Où vas-tu mettre la machine debout ? Comment allez-vous héberger les données qui alimentent ces modèles d'IA ? Vous devrez également décider ici des méthodes que vous utiliserez pour la formation.

En fonction de ces décisions, le délai, l'effort requis et le budget changeront tous, alors faites-les avec soin.

Compétences des ressources

Une fois votre infrastructure installée, vous souhaiterez évaluer le niveau de compétence de vos ressources actuelles et les éventuelles lacunes en matière de compétences. Votre ressource principale sera les développeurs RPA qui peuvent améliorer leurs compétences et apprendre à appliquer l'IA à la RPA. Les scientifiques des données joueront également des rôles clés, le scénario idéal impliquant une équipe où les développeurs RPA et les scientifiques des données travaillent en étroite collaboration.

En fonction de vos décisions précédentes, vous serez probablement en mesure de perfectionner les employés actuels, mais réfléchissez bien à l'embauche à l'extérieur également. Vous aurez besoin d'un mélange de ressources pour obtenir les résultats souhaités.

dentsu a créé des personnalités autour des membres de son équipe qui sont impliqués dans le CoE, de leurs compétences, de leurs objectifs et des certifications qu'ils possèdent. Klochkoff voit leur travail aboutir à une « communauté interfonctionnelle ». dentsu souhaite créer un parcours d'apprentissage, géré par la gouvernance, qui permette aux employés d'augmenter leurs compétences actuelles.

Klochkoff a souligné que "la technologie évolue à un rythme tel qu'il est parfois difficile de suivre [vos] propres connaissances". Il vous recommande de faire une pause au moins une fois par semaine pour donner à votre équipe le temps de rattraper son retard sur les notes de publication, les webinaires et les livres blancs. "Nous n'avons pas toujours fait cela", a averti Klochkoff, "et cela signifie que nous avons manqué certaines des fonctionnalités que nous pouvions intégrer dans nos solutions."

Intégrez l'IA dans votre programme RPA existant

Avec un plan d'assistance à l'exécution opérationnel, vous êtes prêt à commencer l'intégration. Les clés de l'intégration de l'IA sont doubles :faire fonctionner ensemble vos centres d'excellence RPA et d'analyse de données et ajuster votre cycle de développement logiciel pour inclure l'IA.

Encouragez vos deux centres d'excellence à collaborer

Les CoE ont tendance à tomber dans l'un des deux modèles, chacun nécessitant des stratégies de collaboration différentes.

Dans un modèle de centre d'excellence individuel, les centres d'excellence RPA et d'analyse de données individuels rendent compte à différents départements. Généralement, les centres d'excellence travaillent séparément et indépendamment.

Pour parvenir à une plus grande collaboration, le RPA CoE peut contacter de manière proactive le Data and Analytics CoE. Ensemble, ils peuvent trouver des cas d'utilisation métier qui bénéficient de leur synergie. Cela peut nécessiter d'expliquer la RPA à l'équipe d'analyse de données, mais les avantages de cette compréhension mutuelle sont immenses.

Dans un modèle de CoE singulier, un seul CoE intègre toutes les technologies d'automatisation et rend compte à un seul responsable, généralement un directeur numérique ou un directeur de l'automatisation. Les dirigeants du CoE peuvent tirer parti de cette consolidation pour concentrer le CoE sur un mandat d'automatisation.

Il n'y a pas de modèle correct pour toutes les organisations. Vous devrez peser le pour et le contre de chaque modèle, ainsi que vos objectifs et où vous en êtes dans votre parcours d'automatisation, afin de déterminer quel modèle convient le mieux à votre organisation.

Au fil du temps, cependant, à mesure que les entreprises ajoutent des technologies d'automatisation, les modèles de centre d'excellence individuels ont tendance à évoluer vers des modèles de centre d'excellence uniques.

En démontrant leur valeur et en l'articulant aux dirigeants et aux responsables des opérations, ils ont pu expliquer comment l'IA atténuait les défis liés à l'humain dans la boucle et étendait la capacité de l'automatisation à s'attaquer à des "problèmes plus complexes".

Une fois que les entreprises disposent d'un portefeuille de technologies d'IA et d'automatisation, il est naturel de commencer à réfléchir à la manière dont elles peuvent les harmoniser.

Ajustez le cycle de vie de votre développement logiciel

Si vous utilisez un modèle CoE individuel, pour que le SDLC fonctionne avec une efficacité maximale, il a besoin de l'orchestration des deux CoE. Généralement, les deux technologies suivront le même SDLC, mais les nuances subtiles changent la façon dont vous pouvez orchestrer au mieux. Pour introduire une structure pouvant accueillir l'IA, concentrez-vous sur les six composants suivants.

• Identifier : commencer par le problème commercial, pas la solution technologique. Rassemblez RPA, scientifiques des données et utilisateurs professionnels, idéalement dans la même pièce, pour identifier les problèmes qui conviennent aux solutions d'IA. Avant de faire quoi que ce soit d'autre, déterminez si l'utilisation de RPA et d'UiPath AI Center résoudra le problème en question. Et si vous déterminez que AI Center convient, déterminez ce que le modèle d'apprentissage automatique (ML) devrait résoudre.

• Conception : la superposition de l'IA nécessite une réflexion sur la conception. Lorsque vous commencez à concevoir, déterminez si vos développeurs RPA devront concevoir leurs solutions RPA différemment avec l'ajout de ML. De plus, vous voudrez peut-être demander à votre équipe de données de quelle préparation des données leur modélisation ML aura besoin.

• Développer  :à ce stade, vous pouvez autoriser vos équipes de RPA et de scientifiques des données à diverger et à créer leurs composants individuels tant qu'ils respectent leurs politiques et procédures DevOps respectives. Déterminez le niveau d'orchestration nécessaire entre votre CoE de données et d'analyse et votre CoE RPA. Sachez, dans le flux de travail de bout en bout, comment l'entrée d'une technologie créera la sortie de la technologie suivante.

• Tester :assurez-vous que votre testeur d'acceptation des utilisateurs, ainsi que vos CoE, savent à quoi s'attendre à chaque étape du SDLC. La RPA a tendance à être simple, donc les tests sont définitifs. Vous réussissez ou non. Le ML concerne une amélioration progressive. Les modèles incluent donc un seuil de confiance qui s'améliorera au fil du temps.

• Déployer  :l'avancée des technologies d'automatisation modernes a rendu les opérations d'IA plus faciles que par le passé. Déterminez si le RPA CoE gère le déploiement des modèles d'IA sur AI Center. Mettez à jour votre liste de contrôle de déploiement pour vous assurer que les vérifications sont en place. L'acte réel de déploiement est maintenant assez simple.

• Maintenir :déterminez comment vos équipes atténuent et gèrent les effets des changements externes, et déterminez quelle équipe maintient les modèles d'IA après le déploiement. En RPA, tout le monde sait si le robot est en marche ; il est difficile de déterminer si un modèle ML prend la « mauvaise » décision. Vous devrez peut-être créer un tableau de bord qui suit la confiance et déclenche des alertes si la confiance tombe en dessous d'un certain seuil.

Bien que les SDLC RPA et AI partagent de nombreuses similitudes, ce sont les différences qui font la différence.

Faites passer votre stratégie d'automatisation au niveau supérieur en intégrant l'IA

L'IA fera passer votre stratégie d'automatisation au niveau supérieur. L'intégration de l'IA nécessitera des compétences organisationnelles ainsi que des compétences technologiques, mais les avantages de cette intégration seront énormes. Votre SDLC, vos centres d'excellence RPA et d'analyse de données, votre programme d'automatisation nécessitent tous une réévaluation claire et minutieuse avant l'introduction de l'IA.

Pour en savoir plus sur les modèles d'IA et sur les meilleures pratiques en matière d'IA et d'automatisation, consultez l'enregistrement complet du webinaire AI Playbook.