Maximiser le ROI de l'automatisation avec l'IA : Le Playbook (Partie 2)

L'automatisation des processus robotiques (RPA) n'est que le début — c'est la fondation, mais pas la destination, de votre programme d'automatisation.

Dans la première partie, vous avez appris comment tester si votre programme d'automatisation et votre entreprise sont prêts pour l'intelligence artificielle (IA). Dans cet article, je plongerai dans le concret : comment vous et votre équipe d'automatisation pouvez implémenter l'IA sur le terrain.

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

Le ROI pour un investissement RPA varie de 30 % à 200 % la première année, selon des études de cas menées par Leslie Willcocks, professeur de technologie, travail et mondialisation au Department of Management de la London School of Economics. Parmi les clients UiPath, nous avons vu des entreprises atteindre le ROI en aussi peu qu'un mois (DHL Global Forwarding, Freight), atteindre un ROI de 2:1 (Postbank), et plus.

Et un retour n'est que le début : les entreprises ont trouvé des bénéfices en productivité accrue, engagement employé amélioré, et erreurs réduites. Imaginez, alors, ce qu'ajouter de l'intelligence cognitive à votre suite d'automatisation peut faire. Gestion des erreurs ? Exceptions ? Humain dans la boucle ? L'IA peut aider.

Dans un webinaire sur le Playbook IA (tenu pendant notre AI Summit), Brian Klochkoff, Head of Automation for Americas chez dentsu international, m'a rejoint pour expliquer comment ajouter des modèles IA à votre programme d'automatisation peut débloquer et créer de la valeur.

Concevoir un plan de support d'exécution IA

Dans la première partie de cette série d'articles, nous vous avons montré comment démystifier l'IA et engager les gens avec les possibilités de l'IA. Nous avons aussi discuté comment démontrer le cas pour investir 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 courir avec un plan d'exécution qui consiste des éléments suivants.

Gouvernance et éthique de l'IA

La gouvernance et l'éthique pour l'IA est un domaine relativement nouveau, donc le chemin à suivre n'est pas bien tracé. De nombreuses entreprises et entités gouvernementales sont encore en train de déterminer à quoi ressemble la gouvernance, surtout en ce qui concerne les considérations éthiques.

Pour la plupart, cependant, un modèle de gouvernance typique de Centre d'Excellence (CoE) fonctionne aussi bien pour l'IA que pour la RPA. Les clés, qui sont importantes pour un CoE RPA aussi, sont de construire des règles pour la responsabilité, la transparence et l'équité.

Comment éviter les biais systémiques de votre modèle et données, par exemple ? Vous devez avoir des points de contrôle qui vous permettent de tracer les décisions jusqu'à un humain, un robot, ou un mélange des deux. Cette partie de votre plan de support d'exécution inclura des règles sur la confidentialité des données et la cybersécurité, aussi.

Nous mettons la gouvernance et l'éthique en haut parce qu'elles doivent être un effort dédié de l'équipe qui exécute l'IA. Tout ce qui est moins que priorité absolue crée un risque que votre entreprise ne veut pas prendre.

Modèle opérationnel

Nous avons écrit sur le modèle opérationnel d'automatisation plusieurs fois, incluant :

• Les avantages d'en concevoir un
• Considérations à faire lors de la construction d'une équipe
• Optimiser pour votre plein potentiel d'automatisation

Quand il s'agit d'IA, le cœur de votre modèle opérationnel doit être une équipe transversale. Cette équipe transversale inclut des personnes du métier, de l'analytique de données, de la RPA, et du support. Il est important que vous conceviez votre modèle opérationnel de telle sorte qu'il n'y ait pas de silos. Vos canaux d'interaction doivent être efficaces, avec de nombreuses opportunités de collaboration.

Déterminez tôt si vous allez construire des modèles en interne ou utiliser des modèles pré-construits. Cette décision affectera vos exigences d'infrastructure et vos ressources, sur lesquelles nous entrerons dans les deux prochaines sections.

Idéalement, votre modèle opérationnel a une structure qui permet l'intégration de nouvelles technologies au fur et à mesure qu'elles émergent et que vous êtes capable de les adopter. L'intégration et l'adoption doivent opérer dans les réalités de votre cycle de vie de développement logiciel (SDLC) et les exigences de gouvernance.

Chez dentsu, selon Klochkoff, « Nous voyons le modèle opérationnel comme étant le wrapper autour de toutes ces choses. » En tant que tel, dentsu se concentre sur la création de documentation complète et la publication de ce travail, transparemment, sur l'intranet de l'entreprise. « Les gens peuvent comprendre ce que nous faisons et comment ils peuvent s'impliquer. »

Infrastructure et support

Une fois que vous déterminez la gouvernance et les opérations, vous voudrez penser à l'infrastructure. Allez-vous héberger votre plateforme IA sur site, en air-gapped, ou dans le cloud ? Où allez-vous installer la machine ? Comment allez-vous héberger les données qui alimentent ces modèles IA ? Vous voudrez décider ici, aussi, quelles méthodes vous utilisez pour l'entraînement.

Selon ces décisions, le délai, l'effort requis, et le budget changeront tous, alors prenez-les soigneusement.

Compétences des ressources

Avec votre infrastructure réglée, vous voudrez évaluer à quel point vos ressources actuelles sont qualifiées et quels écarts de compétences il pourrait y avoir. Votre ressource cœur sera des développeurs RPA qui peuvent monter en compétences et apprendre à appliquer l'IA à la RPA. Les data scientists joueront aussi des rôles clés, le scénario idéal impliquant une équipe où développeurs RPA et data scientists travaillent ensemble étroitement.

Selon vos décisions précédentes, vous serez probablement capable de faire monter en compétences les employés actuels mais réfléchissez soigneusement à l'embauche externe aussi. Vous aurez besoin d'un mélange de ressources pour obtenir les résultats que vous voulez.

dentsu a construit des personas autour de qui dans leur équipe est impliqué dans le CoE, quelles compétences ils ont, vers quoi ils travaillent, et quelles certifications ils ont. Klochkoff voit leur travail aboutir dans une « communauté transversale ». dentsu veut créer un chemin pour l'apprentissage — géré par la gouvernance — qui permet aux employés d'augmenter leur ensemble de compétences actuel.

Klochkoff a souligné que « la technologie évolue à un tel taux qu'il est parfois difficile de suivre [sa] propre connaissance. » Il recommande de faire une pause au moins une fois par semaine pour donner à votre équipe le temps de rattraper les notes de version, webinaires, et livres blancs. « Nous ne le faisions pas toujours, » a averti Klochkoff, « et cela signifiait que nous passions à côté de certaines fonctionnalités que nous aurions pu intégrer dans nos solutions. »

Intégrer l'IA dans votre programme RPA existant

Avec un plan de support d'exécution en place et en cours, vous êtes prêt à commencer l'intégration. Les clés pour intégrer l'IA sont doubles : faire travailler ensemble vos CoE RPA et analytique de données et ajuster votre cycle de développement logiciel pour inclure l'IA.

Encourager vos deux CoE à collaborer

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

Dans un modèle CoE individuel, les CoE RPA et analytique de données individuels rapportent à différents départements. Généralement, les CoE travaillent séparément et indépendamment.

Pour atteindre une plus grande collaboration, le CoE RPA peut proactivement contacter le CoE données et analytique. Ensemble, ils peuvent trouver des cas d'usage métier qui bénéficient de leur synergie. Cela peut nécessiter d'expliquer la RPA à l'équipe analytique de données, mais les bénéfices de cette compréhension mutuelle sont immenses.

Dans un modèle CoE unique, un CoE unique incorpore toutes les technologies d'automatisation et rapporte à un seul responsable — typiquement un chief digital officer ou chief automation officer. Les leaders CoE peuvent tirer parti de cette consolidation pour focaliser le CoE sur un mandat d'automatiser.

Il n'y a pas un modèle correct pour toutes les organisations. Vous devrez peser les avantages et inconvénients de chaque modèle, avec vos objectifs et où vous êtes dans votre parcours d'automatisation, pour déterminer quel modèle est le meilleur pour votre organisation.

Au fil du temps, cependant, à mesure que les entreprises ajoutent plus de technologies d'automatisation, les modèles CoE individuels tendent à évoluer vers des modèles CoE uniques.

En démontrant la valeur et en l'articulant aux leaders et aux responsables opérationnels, ils ont pu expliquer comment l'IA atténuait les défis human-in-the-loop et étendait la capacité de l'automatisation à prendre en charge des « problèmes plus complexes ».

Une fois que les entreprises ont un portefeuille de technologies IA et d'automatisation, il est naturel de commencer à penser à comment les rendre harmonieux.

Ajuster votre cycle de vie de développement logiciel

Si vous utilisez un modèle CoE individuel, pour que le SDLC opère à 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 comment vous pouvez mieux orchestrer. Pour introduire une structure qui peut accommoder l'IA, concentrez-vous sur les six composants suivants.

• Identifier : commencez par le problème métier, pas la solution technologique. Réunissez RPA, data scientists et utilisateurs métier — idéalement dans la même pièce — pour identifier les problèmes qui conviennent aux solutions IA. Avant de faire quoi que ce soit d'autre, déterminez si l'utilisation de la RPA et d'UiPath AI Center résoudra le problème en question. Et si vous déterminez que AI Center convient, déterminez ce que le modèle de machine learning (ML) devrait résoudre.
• Concevoir : la superposition de l'IA nécessite des considérations de conception. En commençant à concevoir, déterminez si vos développeurs RPA devront concevoir leurs solutions RPA différemment avec l'ajout du ML. De plus, vous voudrez demander à votre équipe données quelle préparation de données leur modélisation ML nécessitera.
• Développer : à cette étape, vous pouvez permettre à vos équipes RPA et data scientist de diverger et de faire leurs composants individuels tant qu'ils suivent leurs politiques et procédures DevOps respectives. Déterminez le niveau d'orchestration nécessaire entre votre CoE données et analytique et votre CoE RPA. Sachez, dans le workflow 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 utilisateur, ainsi que vos CoE, savent à quoi s'attendre à chaque étape du SDLC. La RPA tend à être simple, donc le test est définitif. Vous passez ou pas. Le ML est une amélioration graduelle, donc les modèles incluent un seuil de confiance qui s'améliorera avec le temps.
• Déployer : l'avancement des technologies d'automatisation modernes a rendu les AI Ops plus faciles qu'auparavant. Déterminez si le CoE RPA gère le déploiement des modèles IA vers AI Center. Mettez à jour votre checklist de déploiement pour assurer que des 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 IA après le déploiement. En RPA, tout le monde sait si le robot tourne ; déterminer si un modèle ML prend la « mauvaise » décision est difficile. Vous pourriez avoir besoin de 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 IA partagent beaucoup de similarités, les différences sont ce qui fait la différence.

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

L'IA portera votre stratégie d'automatisation au niveau supérieur. Intégrer l'IA nécessitera des compétences organisationnelles ainsi que technologiques, mais les bénéfices de cette intégration seront énormes. Votre SDLC, vos CoE RPA et analytique de données, votre programme d'automatisation — tous nécessitent une réévaluation claire et soignée avant l'introduction de l'IA.

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