Surmonter les défis du traitement de contenu en RPA : stratégies éprouvées d'experts

Conçus pour ressembler à des assistants numériques pour les employés, les logiciels RPA sont utiles pour rationaliser les opérations sans augmenter les coûts, tout en réduisant les erreurs humaines. Cependant, la RPA seule a ses limites en matière de traitement de contenu, dues à une intelligence incompatible.

Cinq experts révèlent comment surmonter ces inconvénients.

Intégration additionnelle

Une façon de surmonter les lacunes du traitement de contenu est de combiner d'autres technologies intelligentes et de les intégrer au système.

« La technologie RPA sert principalement à automatiser des processus basés sur des règles et à imiter des actions humaines, comme traiter une facture et saisir des données dans SAP ou Oracle depuis un fichier Excel », explique Gopal Ramasubramanian, directeur principal, automatisation intelligente et technologie chez Cognizant.

« Cependant, pour traiter le contenu des documents, il faut des technologies d'ingestion intelligentes combinant OCR, traitement du langage naturel (NLP) et machine learning (ML) pour extraire les métadonnées et automatiser le traitement. »

« Le contenu peut être de différents types : structuré/imprimé, structuré/manuscrit, non structuré/imprimé, non structuré/manuscrit. L'extraction de contenu structuré est facile avec l'OCR standard. Mais l'extraction de contenu non structuré pose un défi, et on voit une adoption croissante du NLP et du ML pour y répondre. »

Arpit Oberoi, spécialiste RPA chez delaware, ajoute : « Le plus grand défi de la RPA aujourd'hui est sa difficulté à traiter le contenu et les données non structurés. Pour y remédier, les organisations peuvent harmoniser leurs données en ensembles de données plus structurés et, quand possible, combiner IA et RPA pour optimiser ou automatiser le traitement de contenu. »

Implication de tiers

Andrew Rayner, vice-président des services professionnels EMEA chez UiPath, poursuit sur l'intégration additionnelle en expliquant le besoin d'applications tierces combinées à la RPA.

« Historiquement, la technologie RPA a pu s'intégrer à des applications tierces pour assister le traitement de contenu », dit Rayner. « Par exemple, de nombreux fournisseurs OCR (ABBYY, IBM, etc.) ont une intégration directe, permettant la classification et la reconnaissance de documents semi-structurés ou structurés. »

« Chez UiPath, nous avons massivement investi dans la compréhension de documents pour fournir une solution « clé en main » aux clients, avec la flexibilité d'appliquer différentes techniques : correspondance de motifs, templating et machine learning pour gérer les types de documents non structurés et semi-structurés. »

« En pensant plus large au traitement de contenu, cela s'inscrit bien dans l'hyper-automatisation : nous avons maintenant des workflows de longue durée avec human-in-the-loop, permettant aux robots et aux humains de travailler ensemble sur une transaction. »

« D'énormes progrès ont été faits en connectivité d'applications pour traiter le contenu via l'interface utilisateur ou les API, et avec l'introduction de la RPA et du ML, les robots peuvent maintenant classer, comprendre le sentiment et suggérer les prochaines actions pour du contenu non structuré. »

Investir dans les outils, avec discernement

Si le recours à des logiciels additionnels est valide, les organisations doivent éviter les dépenses excessives et s'assurer que les outils investis servent un but clair et spécifique.

« Les entreprises ont beaucoup de données non structurées dans de nombreux formats : documents, emails, données système non structurées comme les données de paiement pour réconciliation », dit Chris Porter, CEO de NexBotix. « Cela pose problème à la RPA, qui ne gère que des processus numériques structurés et basés sur des règles. »

« Il y a plusieurs façons de surmonter ces lacunes. Acheter une solution ponctuelle sur mesure comme un outil OCR pour extraire des données de documents, ou investir dans un outil de workflow pour orchestrer robots et humains, ou acheter du machine learning chez Google pour extraire des insights de documents complexes. Ces outils résolvent un ensemble très étroit de problèmes, dans des paramètres stricts. »

« Cependant, chacun a ses propres défis techniques ; se lancer dans l'un de ces projets entraîne des coûts significatifs, sans compter les compétences et la tech nécessaires. Chaque cas d'usage doit être traité comme un projet individuel, car vous achetez pour ce besoin précis. Si vous avez beaucoup de types de données et de processus différents avec ce niveau de non-structure, vous devez recommencer à chaque fois et acheter la bonne solution pour chaque problème. »

« La clé est d'appliquer la bonne technologie pour résoudre les bons problèmes, mais de manière scalable et axée sur la valeur métier. Par exemple, nous avons du traitement de factures prêt à l'emploi que nous pouvons implémenter dans n'importe quelle entreprise en tirant parti de composants réutilisables et en automatisant le processus métier de bout en bout en comptabilité fournisseurs. Nous avons déjà fait le travail difficile pour que cela fonctionne pour le client. »

Intelligence de contenu

Une dernière façon de surmonter les lacunes de la RPA en traitement de contenu est d'implémenter des capacités supplémentaires.

Neil Murphy, vice-président mondial chez ABBYY, explique : « Le plus grand défi de la RPA est son incapacité à traiter le contenu non structuré comme factures, emails, formulaires, reçus ou correspondance. Pourtant, les entreprises peuvent – et le font – surmonter cela. »

« Il suffit de « compétences » d'intelligence de contenu qui rendent les bots RPA plus intelligents en ajoutant des capacités cognitives : analyser, comprendre et traiter le contenu non structuré. Les organisations peuvent déployer ces compétences via des solutions no-code ou low-code faciles à utiliser, permettant à leur personnel de créer des bots RPA gérant une vaste gamme de documents. »

« Déjà, nous voyons une adoption dans toutes les tailles d'entreprises où la barrière technologique est levée par cette approche. Cela stimule l'innovation – certaines entreprises combinent maintenant ces compétences pour offrir une compréhension cognitive avancée de cas complexes. L'onboarding client en est un bon exemple : multitude de documents à traiter, pièces d'identité, formulaires d'onboarding, relevés bancaires, justificatifs de domicile. »