Automatizace procesů, RPA a využití AI v praxi

RPA je vhodné zejména pro scénáře, kde je proces jasně definovaný, má předvídatelné vstupy a probíhá podle pevně daných pravidel. Software robot v takovém případě simuluje činnost uživatele – přihlašuje se do aplikací, přenáší data mezi systémy, validuje vstupy nebo generuje reporty. Výhodou je relativně rychlá implementace bez nutnosti zásahů do jádra existujících systémů. Limitem čistého RPA přístupu jsou pak primárně nestrukturovaná data. V praxi většina vstupů přichází ve formě e-mailů, PDF dokumentů, skenů nebo volného textu. Pokud má být automatizace skutečně efektivní, je nutné nejprve těmto datům „porozumět“. Zde vstupuje do hry AI.

Využití OCR, modelů pro klasifikaci dokumentů a jazykových modelů umožňuje systematicky transformovat nestrukturovaný obsah do strukturované a dále zpracovatelné podoby. Systém datům „porozumí“ tím, že identifikuje klíčové informace, přiřadí kontext a připraví data pro další zpracování. Následná RPA vrstva zajistí samotnou exekuci procesu – zápis do systému, vytvoření záznamu nebo spuštění navazujícího workflow.

Z pohledu organizace lze hlavní přínosy tohoto přístupu shrnout poměrně jednoduše: výrazné zkrácení času zpracování, snížení chybovosti při manuálním přepisu dat, vyšší konzistence vstupů v podnikových systémech, lepší škálovatelnost bez lineárního navyšování kapacit a možnost detailního měření výkonu procesů na základě přesných provozních dat.

Je však důležité zdůraznit, že AI nepřináší deterministické výstupy. Modely pracují s pravděpodobností a jejich rozhodování je třeba řídit. V praxi se proto často zavádí prahové hodnoty spolehlivosti a u méně jednoznačných případů vstupuje do procesu člověk. Tento human-in-the-loop přístup umožňuje udržet vysokou kvalitu dat a zároveň model postupně zpřesňovat. Z technického pohledu je nutné důkladně řešit integraci, verzování modelů, logování, monitoring i auditní stopu jednotlivých kroků. Automatizovaný proces musí být plně dohledatelný – tedy musí být zřejmé, jaký vstup byl zpracován, jaké rozhodnutí model učinil a jakou akci robot provedl.

Naprosto klíčovou oblastí je pak samotná problematika bezpečnosti. AI nástroje často fungují v cloudovém prostředí a pracují s citlivými informacemi. Je proto nezbytné analyzovat, jaká data jsou odesílána mimo organizaci a zda jsou ukládána pro další trénink modelu. V prostředí, kde se pracuje s know-how nebo osobními údaji, musí být ochrana dat integrální součástí návrhu řešení.

Autor: Jakub Pavlák, RnD Managera ve Y Softu.