Un papel clave para cualquier líder de TI es garantizar que la tecnología que respalda los procesos comerciales funcione de la manera más fluida posible. Siempre que sea posible, el CIO y un equipo de arquitectos empresariales y analistas y consultores comerciales también buscan utilizar la TI para optimizar los procesos ineficientes o manuales a través de la gestión de procesos comerciales (BPM).
Varias tecnologías se han unido para darle a BPM un nuevo brillo. Uno de ellos es el uso de inteligencia artificial (IA) para impulsar la automatización. Lo último Encuesta de inversión en TI para líderes senior de CCS Insight, que se envió en julio, informa que el 80% de las empresas ahora están probando IA o la han puesto en producción. Los datos muestran un aumento significativo desde 2019, cuando el 55% de las empresas dijeron que estaban probando IA.
El papel de Gartner Vaya más allá de RPA para ofrecer hiperautomatización identifica una serie de áreas donde la inteligencia artificial y el aprendizaje automático (ML) se pueden utilizar para la automatización de procesos. El primero es realizar un aprendizaje continuo con los datos recopilados en los procesos de automatización, que luego se utilizan para actualizar los modelos de forma dinámica. La IA realiza ajustes para mejorar la calidad de la automatización.
La segunda área en la que se puede implementar la IA es reutilizar los modelos de aprendizaje que ya se han entrenado en conjuntos de datos similares. Según Gartner, dichos modelos se pueden reutilizar en un nuevo modelo de cliente, lo que minimiza el tiempo y los datos necesarios para construir e implementar un modelo.
La IA ayuda a las empresas a través de Covid-19
Existe una estrecha sinergia entre la automatización de procesos comerciales (BPA) y la inteligencia artificial, que se ha vuelto más evidente a medida que las empresas intentan hacer frente a la pandemia del coronavirus Covid-19. Las organizaciones han tenido que adaptarse muy rápidamente y automatizar esos procesos manuales de fruta madura que antes no se habrían considerado una prioridad empresarial principal.
Por ejemplo, durante las primeras semanas del primer cierre del Reino Unido, el equipo de instalaciones de la empresa de seguros Generali tuvo la tarea de escanear documentos en papel en la oficina. La tarea de escaneo de documentos ahora se proporciona a través de un servicio de escaneo administrado.
El resultado de un ejercicio de automatización es una reducción en el volumen de pasos manuales o ineficientes necesarios para preparar datos legibles por máquina.
Nicholas McQuire, vicepresidente senior y jefe de investigación empresarial e IA en CCS Insight, cree que la inteligencia artificial ya no se ve como una fuente de innovación experimental a largo plazo para las empresas.
“Una de las características perdurables de la pandemia ha sido la aceleración que hemos visto en el aprendizaje automático en las empresas”, dice.
McQuire cree que la IA tiene el potencial de ofrecer valor comercial y de transformación rápida para ayudar a las empresas a automatizar procesos y crear nuevas fuentes de ingresos.
En un artículo reciente para Computer Weekly, McQuire describió cómo la empresa de energía australiana AGL está utilizando el aprendizaje automático en una variedad de formas innovadoras para impulsar la automatización en sus operaciones.
Muchos de los 3,7 millones de clientes de AGL utilizan energía solar y baterías conectadas para la energía de su hogar. La compañía ha desarrollado un producto de “planta de energía virtual” para permitir a estos usuarios devolver energía a la red. Como parte de esto, AGL ha creado miles de modelos de aprendizaje automático que ayudan a administrar, recopilar y analizar de forma remota metadatos sobre el uso de energía de cada batería para comprender y pronosticar mejor la capacidad en toda su red.
“El aprendizaje automático también automatiza el proceso de recopilación, alimentación y comercialización de la capacidad sobrante como un activo en el mercado energético mayorista nacional, generando ingresos adicionales para la empresa”, dice McQuire.
Impulsando el crecimiento empresarial
El entorno que AGL ha construido está muy distribuido. Cada batería proporciona una rica fuente de metadatos, pero la empresa también ha necesitado utilizar el aprendizaje automático debido a la naturaleza estocástica de los datos de energía solar a gran escala.
AGL utilizó el servicio de aprendizaje automático de Microsoft Azure para la capacitación y la inferencia, junto con otro software analítico y basado en Kubernetes para habilitar un entorno estandarizado para la administración de código, aprendizaje automático automatizado, operaciones de aprendizaje automático (MLOps) y monitoreo y modelo del rendimiento en tiempo real. reentrenamiento.
McQuire dice que la planta de energía virtual de AGL no solo ha ganado varios premios por promover la sostenibilidad energética en Australia, sino que también ha remodelado la demanda de energía en el mercado energético, recompensando esencialmente a los clientes por apoyar la red. Esto promete mejorar la confiabilidad de la red y ayudar a los clientes a ahorrar en las facturas de energía. AGL afirma que la arquitectura subyacente le ha permitido entrenar miles de modelos de aprendizaje automático en una vigésima parte del tiempo que normalmente se requiere.
“Lo más fascinante es el nivel de automatización en juego, particularmente en el potencial para comercializar energía sobrante en el mercado abierto. Este aspecto habría sido imposible a gran escala sin el aprendizaje automático ”, dice.
“Recientemente hablé con David Broeren, gerente general de tecnología energética integrada de AGL. Destacó que el proveedor estaba agregando más conjuntos de datos, como niveles de nieve y nubosidad, para mejorar su pronóstico con aprendizaje automático. También insinuó las muchas oportunidades nuevas para expandir el concepto de energía virtual más profundamente en hogares e industrias al conectar activos más allá de las baterías solares a la red, como vehículos eléctricos, generadores de respaldo y centros de datos, por ejemplo «.
Como muestra el ejemplo de AGL de McQuire, las empresas que operan en el sector de servicios públicos tienen mucho que ganar con la automatización. La naturaleza del sector significa que los procesos centrales se ejecutan con tecnología que se ha construido y mejorado durante muchos años. A menudo, esto ya no ofrece la forma más eficiente de administrar el negocio. El nuevo participante en el mercado de la energía, Goto.energy, ha aumentado su base de clientes en más del 200% en solo 12 meses con el apoyo de la fuerza laboral digital inteligente basada en la nube de Blue Prism.
Modernizando los flujos de datos de hace 40 años
El mercado nacional de servicios públicos de gas y electricidad del Reino Unido se basa en datos y está dominado por seis proveedores importantes. Cuando se estableció en 2018, Goto.energy trazó un mapa de todos los procesos comerciales requeridos por un proveedor de energía para comprender cómo iniciar un negocio en un sector con bajos márgenes, dice el director financiero Evan Salway.
A medida que la industria de servicios públicos evolucionó, dice, se agregaron muchos módulos a los sistemas centrales. Por ejemplo, las empresas no ofrecían tarifas de combustible dual, por lo que cuando se agregaron, requerían muchos flujos de datos diferentes que debían intercambiarse entre los participantes de la industria. Algunos de los sistemas de back-end tienen 40 años y se basan en tecnología de principios de la década de 1980, como RPG en máquinas AS400.
“Teníamos 200 páginas de diagramas de flujo y mapeamos dónde había duplicaciones”, dice Salway. Una de las ineficiencias es que puede haber cientos de flujos de datos para un solo cliente, que a menudo requieren entrada manual.
Si bien el tiempo promedio de la industria para administrar los pedidos de nuevos clientes es de 21 días, Goto.energy es capaz de completar todo el proceso mucho más rápido. Por lo general, la mayor parte de las nuevas solicitudes de clientes recibidas a través de populares sitios de comparación de terceros se recibe de la noche a la mañana.
En lugar de enviar repetidamente variantes del mismo flujo de datos, Goto.energy ha utilizado Blue Prism para crear «trabajadores digitales», mediante el cual estos flujos de datos se colocan en un proceso por lotes que se envía al sistema de back-end heredado y se ejecuta durante la noche. En efecto, los trabajadores digitales verifican los detalles en varias bases de datos mediante el procesamiento por lotes durante la noche, lo que significa que los trabajadores humanos no han realizado las comprobaciones manualmente.
Las capacidades cognitivas preintegradas de los trabajadores digitales de Blue Prism también se están utilizando para eliminar errores y retrasos en el ciclo de facturación. Se recopilan decenas de miles de lecturas de contadores al mes para iniciar el proceso de facturación. Una gran proporción de estos se envían por correo electrónico y previamente tenían que introducirse manualmente en los sistemas. Los trabajadores digitales de Goto.energy leen y extraen esta información automáticamente. Los errores en la facturación activan las comunicaciones con el cliente.
Salway dice que la compañía quería mantener bajos los costos y al mismo tiempo ofrecer un alto grado de servicio al cliente. Para diferenciarse de la competencia establecida, dice que la compañía estableció un centro de llamadas en el Reino Unido en lugar de tomar la ruta de menor costo de operar un centro de llamadas en el extranjero. «Si somos capaces de utilizar la inteligencia artificial y una fuerza de trabajo digital, podemos administrar un centro de llamadas en el Reino Unido y reducir la proporción de clientes por personal».
Optimización de procesos
Como muestra el ejemplo de Goto.energy, la automatización robótica de procesos puede reducir los pasos manuales. AGL es un ejemplo de la IA que se utiliza para impulsar nuevos procesos comerciales. La IA también se puede utilizar para descubrir nuevas optimizaciones de procesos comerciales para automatizar.
La aplicación de reserva de taxis Lyft es uno de los ejemplos presentados en la Expandiendo el impacto de la IA con el aprendizaje organizacional informe de Boston Consulting Group en asociación con MIT Sloan Management Review. Lyft utiliza un algoritmo para evaluar la solicitud de viaje, dónde se encuentra el conductor y otras dinámicas del sistema para maximizar los ingresos.
En el informe, la exvicepresidenta de ciencia de Lyft, Elizabeth Stone, describe cómo la IA pudo identificar un algoritmo mejor. Este nuevo algoritmo descubrió que existe una fuerte correlación entre los clientes que abren la aplicación Lyft y aquellos que terminan pidiendo un taxi a través de la aplicación.
De manera similar, la IA se puede aplicar para leer el código fuente de la aplicación heredada línea por línea para comprender lo que hace. Cuando tales conocimientos se combinan con el análisis de inteligencia artificial de los procesos comerciales respaldados por la lógica de la aplicación heredada, existen oportunidades para modernizar el proceso comercial, dice Munindar Singh, profesor del departamento de informática de la Universidad Estatal de Carolina del Norte. “Necesita inteligencia artificial para comprender los procesos comerciales y asesorar sobre análisis de bajo nivel”, agrega.
En efecto, cualquier análisis del código basado en inteligencia artificial influirá en los procesos comerciales que potencia la aplicación. Esta nueva área de investigación abre la posibilidad de utilizar la IA como parte de una estrategia de modernización continua de procesos comerciales. En este escenario, los algoritmos se ajustan continuamente y el código fuente subyacente se modifica a medida que las suposiciones que hace la IA sobre el proceso empresarial evolucionan con el tiempo.
La automatización inteligente de procesos comerciales podría eventualmente llevar a que los sistemas de inteligencia artificial optimicen y vuelvan a desarrollar el código que sustenta el funcionamiento de las empresas.