In jeder Form erschöpft die Wiederholung den menschlichen Verstand. Bei vielen kleinen Geschäftsentscheidungen geht es darum, große Mengen von Daten zu bewerten und bestimmte Grundsätze zu befolgen. Menschen empfinden diese Aufgaben oft als phantasielos und uninspirierend. Roboter hingegen gedeihen genau in solchen Szenarien.
Wenn es um Wiederholungen geht, sind sie unermüdlich, zuverlässig und kaum anfällig für Aufmerksamkeitslücken. Indem sie Routineaufgaben den Robotern überlassen, können Menschen den größten Nutzen aus Zusammenarbeit und emotionaler Intelligenz ziehen. Aus diesem Grund wird die Beratung im Bereich der robotergestützten Prozessautomatisierung bei den Unternehmen immer beliebter.
>
Lassen Sie uns nun über die kognitive Automatisierung sprechen, die den nächsten Schritt in Richtung überlegene Effizienz darstellt: Durch die Erweiterung von RPA mit kognitiven Technologien werden Roboter in der Lage, zu "lesen", "zu sehen", "zu hören" und den Kontext zu verstehen, um fortgeschrittenere Aufgaben zu erfüllen.
Was ist kognitive Automation?
Kognitive Automation ist ein Oberbegriff für Softwarelösungen, die kognitive Technologien nutzen, um menschliche Intelligenz zur Ausführung bestimmter Aufgaben zu emulieren.
Die Definitionen und Abgrenzungen von KI-basierten Technologien hängen häufig vom Kontext ab und sind eine Frage der verwendeten Terminologie. Die unten genannten Technologien spielen eine entscheidende Rolle bei kognitiven Automatisierungslösungen; sie können jedoch auch als Teil der breiteren Disziplin der intelligenten Prozessautomatisierung betrachtet werden (lesen Sie mehr über das Rätsel IPA vs. RPA):
- Kognitive Technologien, zu denen die Verarbeitung natürlicher Sprache (NLP), Spracherkennung, Textanalyse usw.
- Computer-Vision, einschließlich Bilderkennung, optische Zeichenerkennung (OCR), Videoanalyse, usw.
- Maschinelles Lernen, einschließlich überwachtem und unüberwachtem Lernen sowie Deep Learning.
Diese Technologien ermöglichen es kognitiven Automatisierungswerkzeugen, Muster zu finden, Beziehungen zwischen einer Vielzahl unterschiedlicher Datenpunkte zu entdecken, Vorhersagen zu treffen und Selbstkorrekturen zu ermöglichen. Durch die Erweiterung von RPA-Lösungen mit kognitiven Fähigkeiten können Unternehmen eine höhere Genauigkeit und Produktivität erreichen und so den Nutzen von RPA maximieren.
Was ist der Unterschied zwischen RPA und kognitiver Automatisierung?
Gegenwärtig herrscht eine gewisse Verwirrung darüber, was RPA ist und wie es sich von kognitiver Automatisierung unterscheidet. Lassen Sie uns versuchen, sie zu zerstreuen.
RPA wird als Automatisierungssoftware bezeichnet, die in bestehende digitale Systeme integriert werden kann, um alltägliche Arbeiten zu übernehmen, die eine monotone Datenerfassung, -übertragung und -umformatierung erfordern. Auftragsabwicklung, Berichterstellung, Onboarding, Terminplanung, Kreditbearbeitung, Durchführung von Berechnungen, KYC und andere sich wiederholende Aufgaben sind häufige Ziele von RPA, die in einer Vielzahl von Sektoren eingesetzt werden können, wie RPA in der Immobilienbranche, Banken, Versicherungen, Automobilindustrie usw. und Unternehmensfunktionen, einschließlich RPA in HR, Buchhaltung und mehr.
Sowohl die kognitive Automatisierung als auch die intelligente Prozessautomatisierung fallen in die Kategorie der RPA, die mit bestimmten intelligenten Fähigkeiten erweitert wird, wobei die kognitive Automatisierung eine Untergruppe der KI-Implementierung im RPA-Bereich darstellt. So verwirrend es auch sein mag, kognitive Automatisierung kann ein Teil von RPA sein oder auch nicht, da sie andere Anwendungen innerhalb von digitalen Unternehmenslösungen finden kann.
Im Wesentlichen ermöglicht die kognitive Automatisierung innerhalb von RPA-Setups den Unternehmen, die Palette der Automatisierungsszenarien zu erweitern, um unstrukturierte Daten zu verarbeiten, den Kontext zu analysieren und nicht-binäre Entscheidungen zu treffen. Kognitive Automatisierungstools können mit Ausnahmen umgehen, Vorschläge machen und Schlussfolgerungen ziehen.
Erzielen Sie eine höhere Geschäftseffizienz durch Automatisierung.
Itransition ist bereit zu helfen
Kognitive Automatisierung im Gesundheitswesen
Der Einsatz von kognitiver RPA im Gesundheitswesen und als Teil der Apotheken-automatisierung liegt nahe. In einer Branche, in der so viel auf dem Spiel steht, ist die Senkung der Fehlerquote äußerst wertvoll. Darüber hinaus haben Kliniken mit riesigen Mengen unstrukturierter Daten zu tun, die von Diagnosetools, Berichten, Wissensdatenbanken, dem Internet der-medizinischen-dinge und anderen Quellen stammen. Dies führt dazu, dass die Fachkräfte des Gesundheitswesens viel Zeit und Konzentration aufwenden müssen, um diese Informationen zu interpretieren.
Die KI-gestützte Prozessautomatisierungslösung von Digital Reasoning ermöglicht es Klinikern beispielsweise, die Effizienz im Bereich der Onkologie zu verbessern. Mit Hilfe von Deep Learning und künstlicher Intelligenz in der Radiologie können Kliniker Pathologie- und Radiologieberichte intelligent auswerten, um die dargestellten Krebsfälle zu verstehen und die anschließenden Pflege-Workflows entsprechend zu erweitern. Die Lösung von Digital Reasoning wird inzwischen von mehr als 160 Krankenhäusern in den USA eingesetzt. Sie ermöglicht es Gesundheitseinrichtungen, die Patientenerfahrung zu verbessern, indem sie die Zeit von der Diagnose bis zur Behandlung verkürzt und die Produktivität des Pflegeteams steigert, indem sie die routinemäßige Datenanalyse auf die Automatisierungstechnologie überträgt.
In einem anderen Beispiel hat Deloitte eine kognitive Automatisierungslösung für ein großes Krankenhaus in Großbritannien entwickelt. Die NLP-basierte Software wurde eingesetzt, um Überweisungen von Ärzten und Daten aus elektronischen Krankenakten zu interpretieren und den Dringlichkeitsstatus eines bestimmten Patienten zu ermitteln. In diesem Fall werden Bots am Anfang und am Ende des Prozesses eingesetzt. Zunächst zieht ein Bot Daten aus den Krankenakten, damit das NLP-Modell sie analysieren kann, und dann platziert ein anderer Bot den Patienten auf der Grundlage des Dringlichkeitsgrades im Terminbuchungssystem.
Data Governance ist für RPA-Anwendungsfälle von entscheidender Bedeutung, und der oben beschriebene Fall ist keine Ausnahme. Ein NLP-Modell wurde erfolgreich auf genügend Überweisungsdaten von Ärzten trainiert. Damit die Klinik sicher sein konnte, dass die Ergebnisse korrekt waren, musste das Modell lernen, welche genauen Kombinationen von Wortmustern und medizinischen Daten zu bestimmten Dringlichkeitsstatusergebnissen führen. Dies war nur durch ausreichend gepflegte Datenbanken möglich.
Kognitive Automatisierung in der Versicherung
Die Schadenbearbeitung, einer der grundlegendsten Vorgänge in Versicherungen, kann durch kognitive Automatisierung weitgehend optimiert werden. Viele Versicherungsunternehmen müssen große Teams beschäftigen, um Schäden zeitnah zu bearbeiten und die Erwartungen der Kunden zu erfüllen. Auch bei Versicherungsunternehmen kann es zu plötzlichen Schadenspitzen kommen - man denke nur an katastrophale Ereignisse, die durch extreme Wetterbedingungen verursacht werden. Es ist einfach wirtschaftlich nicht machbar, ständig ein großes Team zu unterhalten, nur für den Fall, dass solche Situationen eintreten. Aus diesem Grund ist es üblich, Vermittler für die Abwicklung komplexer Schadensfälle einzusetzen.
Ein wesentliches Element der Schadenbearbeitung ist beispielsweise die Schadenmeldung (First Notice of Loss, FNOL). Bei der FNOL gibt es eine hohe Variabilität der Datenformate und eine hohe Ausnahmerate. Kunden reichen Schadenmeldungen unter Verwendung verschiedener Vorlagen ein, können Fehler machen und unstrukturierte Daten in Form von Bildern und Videos anhängen. Durch kognitive Automatisierung kann die Mehrzahl der FNOL-bezogenen Aufgaben optimiert werden, was einen erstklassigen Anwendungsfall für RPA in Versicherungen darstellt.
Bei der Antragstellung kann ein Bot alle relevanten Informationen aus Krankenakten, Polizeiberichten und Ausweisdokumenten abrufen und gleichzeitig die extrahierten Informationen analysieren. Anschließend kann der Bot Ansprüche automatisch klassifizieren, Zahlungen ausstellen oder sie an einen menschlichen Mitarbeiter zur weiteren Analyse weiterleiten. Auf diese Weise können die Sachbearbeiter ihre Zeit für höherwertige Tätigkeiten verwenden, wobei die Bearbeitungszeiten drastisch verkürzt und die Kundenerfahrung verbessert wird.
Die kognitive Automatisierung kann auch dazu genutzt werden, die Absichten der Kunden proaktiv zu überwachen, was bei der Identifizierung von Upselling- und Cross-Selling-Möglichkeiten helfen kann. So kann beispielsweise ein Anstieg der Kontoaktivitäten am Ende des Versicherungszeitraums darauf hindeuten, dass ein Kunde seinen Vertrag kündigen möchte. Ein kognitiver Bot kann einen Versicherungsvertreter informieren, der dann versuchen kann, den Kunden zu halten, indem er ihm andere Versicherungspolicen oder Rabatte anbietet
Kognitive Automatisierung im Finanzwesen
Die Aufrüstung von RPA im Bankwesen und bei Finanzdienstleistungen mit kognitiven Technologien bietet eine riesige Chance, die gleichen Ergebnisse schneller, genauer und zu geringeren Kosten zu erzielen.
Zum Beispiel kann die kognitive Automatisierung zur autonomen Überwachung von Transaktionen eingesetzt werden. Zwar setzen viele Unternehmen bereits regelbasierte RPA-Tools für die Überwachung von AML-Transaktionen ein, doch sind diese in der Regel darauf beschränkt, nur bekannte Szenarien zu markieren. Solche Systeme erfordern eine kontinuierliche Feinabstimmung und Aktualisierung und sind nicht in der Lage, eine Verbindung zwischen einer zuvor unbekannten Kombination von Faktoren herzustellen.
Durch die Ergänzung von RPA mit kognitiven Technologien kann die Software eine Vielzahl von Risikofaktoren berücksichtigen und diese intelligent bewerten. Dies führt zu einer deutlichen Verringerung von Fehlalarmen und zu einer insgesamt höheren Zuverlässigkeit der autonomen Transaktionsüberwachung. ML-basierte kognitive Automatisierungstools treffen Entscheidungen auf der Grundlage historischer Ergebnisse früherer Warnungen, aktueller Kontobewegungen und externer Informationsquellen, wie z. B. der sozialen Medien der Kunden.
Viele Unternehmen haben auch ihre KYC-Prozesse erfolgreich mit RPA automatisiert. Im Rahmen der KYC-Compliance müssen Unternehmen große Mengen an Dokumenten prüfen, um die Identität der Kunden zu verifizieren und die Legitimität ihrer Finanzgeschäfte zu überprüfen. RPA-Bots können erfolgreich Informationen aus unterschiedlichen Quellen abrufen, die dann von Menschen für die KYC-Analyse genutzt werden. In diesem Fall geht die kognitive Automatisierung einen Schritt weiter und entlastet den Menschen von der Analyse dieser Art von Daten. Ähnlich wie bei der oben erwähnten Überwachung von AML-Transaktionen können ML-gesteuerte Bots Situationen auf der Grundlage des Kontexts und der Echtzeitanalyse externer Quellen wie Massenmedien beurteilen.
Kognitive Automatisierungstechniken können auch zur Rationalisierung der kommerziellen Hypothekenbearbeitung eingesetzt werden. Bei dieser Aufgabe geht es darum, die Kreditwürdigkeit von Kunden zu beurteilen, indem Steuerberichte, Geschäftspläne und Hypothekenanträge sorgfältig geprüft werden. Da die meisten Banken heute ein Online-Antragsverfahren haben, können kognitive Bots relevante Daten aus den eingereichten Dokumenten abrufen und eine fundierte Vorhersage treffen, die dann an einen menschlichen Agenten zur Überprüfung weitergeleitet wird.
Tipps für die Umsetzung
Typischerweise haben Unternehmen den größten Erfolg mit kognitiver Automatisierung, wenn sie zunächst mit regelbasierter RPA beginnen. Nachdem sie mit regelbasierter RPA schnelle Erfolge erzielt und eine Dynamik aufgebaut haben, kann der Umfang der Automatisierungsmöglichkeiten durch die Einführung kognitiver Technologien erweitert werden. Wichtig ist, dass regelbasierte RPA bei der Standardisierung von Prozessen hilft, was für die Integration von KI am Arbeitsplatz und in den Unternehmens-Workflow oft entscheidend ist.
Personalmanagement
Nach dem Deloitte-Bericht "Automatisierung mit Intelligenz 2019" haben viele Unternehmen noch nicht bedacht, wie viele ihrer Mitarbeiter infolge der Automatisierung umgeschult werden müssen.
Für eine erfolgreiche Einführung der kognitiven Automatisierung sollten Geschäftsanwender zunächst angeleitet werden, wie sie ihre technischen Fähigkeiten entwickeln können, bevor sie (falls erforderlich) umgeschult werden, um höherwertige Aufgaben auszuführen, die kritisches Denken und strategische Analysen erfordern. Dieser Ansatz stellt sicher, dass die Befürchtungen der Endnutzer in Bezug auf ihre digitale Kompetenz ausgeräumt werden, was die Akzeptanz der Nutzer erleichtert.
Auswahl des Anwendungsfalls
Neben den konventionellen, aber effektiven Ansätzen zur Identifizierung von Anwendungsfällen können einige Möglichkeiten der kognitiven Automatisierung auf neuartige Weise erkundet werden.
Einige Unternehmen setzen zu diesem Zweck Prozessintelligenztechnologie ein. Diese KI-basierten Tools (z. B. UiPath Task Mining und Process Mining) analysieren die Aktionen der Benutzer und die Daten der IT-Systeme, um Prozesse mit Automatisierungspotenzial sowie bestehende Lücken und Engpässe vorzuschlagen, die durch Automatisierung behoben werden können.
Außerdem ist der effektivste Weg, intelligente Automatisierung einzuführen, die schrittweise Erweiterung von RPA-Bots mit kognitiven Technologien. Im Unternehmenskontext werden RPA-Bots häufig zur Extraktion und Konvertierung von Daten eingesetzt. Nach ihrer erfolgreichen Implementierung können Unternehmen ihre Datenextraktionsfähigkeiten mit KI-basierten Tools erweitern.
Weitere wichtige Schritte zur Implementierung kognitiver Automatisierung sind:
- Vorbereitung der IT. Kognitive Automatisierung erfordert die Definition und Standardisierung von Prozessen, was die Mitwirkung der IT-Abteilung erfordert. Obwohl kognitive Automatisierung immer zuerst als Business Enabler betrachtet werden sollte, wird sie dennoch von der IT angetrieben. Die Ausschöpfung des maximalen Automatisierungspotenzials setzt auch eine reibungslose Integration mit anderen übernommenen Technologien voraus, zum Beispiel cloud-business-intelligence.
- Investition in Change Management. Die kognitive Automatisierung bringt zwar die oben genannten Vorteile mit sich, stellt aber oft bestehende Workflow-Rahmenwerke auf den Kopf. Deshalb ist es wichtig, Strategien für das Änderungsmanagement der Belegschaft weit vor der Implementierung zu planen. Es bedarf der Anleitung durch Experten, um die Arbeitsgruppen für das Veränderungsmanagement in Unternehmen bei der erfolgreichen Umsetzung solcher Strategien zu unterstützen.
Abschluss
Im kommenden Jahrzehnt wird ein wesentlicher Teil des Unternehmenserfolgs auf die Reife von Automatisierungsinitiativen zurückzuführen sein. Die Betrachtung der kognitiven Automatisierung als Business Enabler und nicht als Technologie-Investition und die Anwendung eines ganzheitlichen Ansatzes mit klar definierten Zielen und Visionen sind Grundvoraussetzungen für den Erfolg der Implementierung kognitiver Automatisierung.