Nowy standard. Twoje centrum tworzenia inteligentnego, szybkiego i zrównoważonego oprogramowania AI
Inteligentna automatyzacja
Inteligentna automatyzacja opiera się na botach robotic process automation (RPA) albo silnikach workflow, do których na wybranych etapach dodaje się modele AI.
Czym jest inteligentna automatyzacja?
Inteligentna automatyzacja przejmuje etapy, które boty oparte na regułach przekazują ludziom, na przykład odczytanie zeskanowanej faktury albo rozstrzygnięcie, do którego zespołu powinien trafić e-mail od klienta. Zachowuje przepływ pracy zaprojektowany przez człowieka i dodaje model wszędzie tam, gdzie wcześniej proces czekał na czyjąś weryfikację.
Klasyczne RPA działa dobrze wtedy, gdy każde wejście ma ten sam format. Bot przenosi wartość z pola A na jednym ekranie do pola B na innym, tysiące razy i bez literówki. Wystarczy jednak, że dostawca prześle PDF z nowym układem albo klient napisze reklamację własnymi słowami, a bot nie ma już reguły, według której mógłby działać, i zgłasza wyjątek do obsłużenia przez człowieka.
Inteligentna automatyzacja umieszcza model AI dokładnie w tym miejscu. Model zamienia nieuporządkowane dane wejściowe w dane ustrukturyzowane, na przykład typ dokumentu, listę wyodrębnionych pól, etykietę intencji czy ocenę ryzyka, a reszta workflow działa dalej według zwykłych reguł. Kolejność kroków i progi akceptacji nadal kontroluje osoba, która zaprojektowała proces.
To właśnie ta z góry określona ścieżka odróżnia inteligentną automatyzację od agentic AI. W systemie agentic model sam decyduje o kolejnym kroku i o tym, z jakich narzędzi skorzystać. W inteligentnej automatyzacji model wypełnia miejsce przewidziane przez projektanta procesu, a workflow decyduje, co zrobić z jego odpowiedzią. Dostawcy sprzedają tę samą koncepcję także jako „cognitive automation” albo „hyperautomation”, a najczęstszym elementem składowym jest tu intelligent document processing (IDP).
Dlaczego zespoły dodają AI do automatyzacji procesów?
Boty oparte na regułach zatrzymują się przy pierwszym nieustrukturyzowanym wejściu. W teorii wiele procesów da się zautomatyzować, ale w praktyce kończą jako rozwiązania zautomatyzowane tylko częściowo, bo jeden etap wymaga odczytania załącznika albo zinterpretowania wiadomości. Efektem jest ręczne przenoszenie danych między systemami, gdy człowiek siedzi między dwoma narzędziami i kopiuje to, czego bot nie potrafił odczytać. Dodanie modelu na tym etapie pozwala istniejącej automatyzacji działać end-to-end w tych przypadkach, które model obsługuje z wysoką pewnością.
Stały workflow sprawia, że AI da się mierzyć i audytować. Ponieważ każdy model odpowiada za jedno ściśle określone zadanie, zespoły mogą mierzyć jego skuteczność wyłącznie w tym obszarze i sprawdzić w logu procesu, która decyzja pochodzi z modelu, a która z reguły. W procesach regulowanych, takich jak likwidacja szkód ubezpieczeniowych czy rozliczenia w ochronie zdrowia, taki ślad audytowy dla każdego etapu łatwiej wyjaśnić podczas przeglądu zgodności z przepisami niż sposób rozumowania otwartego agenta AI.
Jak workflow inteligentnej automatyzacji obsługuje sprawę od przyjęcia do aktualizacji systemu?
Przyjęcie danych uruchamia workflow. Wyzwalacz aktywuje się, gdy e-mail trafia do współdzielonej skrzynki, plik pojawia się w folderze, formularz zostaje wysłany albo przychodzi wywołanie API. Silnik workflow tworzy sprawę i dołącza do niej surowe dane wejściowe.
AI klasyfikuje i wyodrębnia dane. OCR, czyli oprogramowanie zamieniające obrazy tekstu na tekst odczytywany maszynowo, digitalizuje skany, a model rozpoznaje typ dokumentu i wyciąga pola potrzebne w procesie. W przypadku e-maili albo wiadomości na czacie model przetwarzania języka naturalnego oznacza intencję i wyodrębnia encje, takie jak numery zamówień czy daty.
To wskaźniki pewności decydują, kto sprawdza wynik. Każdy wynik modelu ma przypisany wskaźnik pewności. Wyniki powyżej progu ustalonego przez zespół przechodzą dalej bezpośrednio, a wyniki poniżej trafiają do kolejki weryfikacji przez człowieka. W UiPath Document Understanding na przykład taka weryfikacja odbywa się w Validation Station, które może działać jako zadanie w Action Center, gdzie osoba weryfikująca sprawdza i poprawia wyodrębnione wartości.
Reguły i predykcje wybierają dalszą ścieżkę. Reguły biznesowe, często modelowane jako tabele decyzyjne, czyli siatka warunków i wyników, którą analitycy biznesowi mogą edytować, określają, co dzieje się dalej. Ocena z modelu uczenia maszynowego, na przykład prawdopodobieństwo, że roszczenie jest próbą oszustwa, może zasilać tę samą decyzję. Każda możliwa ścieżka została wcześniej narysowana przez projektanta procesu.
Boty albo API aktualizują systemy źródłowe. Workflow zapisuje wyniki w ERP albo CRM. Jeśli te systemy udostępniają API, workflow wywołuje je bezpośrednio. Jeśli oferują tylko interfejs użytkownika, bot RPA klika po ekranach tak jak człowiek.
Poprawki wracają do modeli. Każde pole poprawione przez osobę weryfikującą staje się oznaczonym przykładem. Zespoły zbierają te poprawki i ponownie trenują albo rekonfigurują modele, dzięki czemu z czasem maleje odsetek spraw wymagających weryfikacji.
Jakich narzędzi zespoły używają do budowy inteligentnej automatyzacji?
Platformy automatyzacji z wbudowanym AI. Te pakiety łączą boty i AI do obsługi dokumentów w ramach jednej licencji. UiPath oferuje Document Understanding obok swoich botów RPA, Automation Anywhere oferuje Document Automation, a Microsoft Power Automate dodaje gotowe i własne modele przez AI Builder.
Usługi document understanding. To chmurowe API, które każdy workflow może wywołać, aby zamienić dokumenty w dane ustrukturyzowane. Google Document AI udostępnia procesory do ekstrakcji i klasyfikacji, Amazon Textract wyodrębnia tekst i tabele z formularzy, a Azure Document Intelligence in Foundry Tools obejmuje gotowe i własne modele dokumentowe.
Silniki orkiestracji procesów. To silniki workflow, które zespoły programują albo konfigurują samodzielnie, gdy chcą mieć kontrolę nad logiką procesu. Camunda obsługuje BPMN, czyli standardowy format diagramów procesów, wraz z tabelami decyzyjnymi DMN, a n8n udostępnia węzły AI, takie jak Information Extractor, który zamienia swobodny tekst w dane zgodne ze schematem.
Jakie są kluczowe cechy inteligentnej automatyzacji?
Proces istnieje w jawnej, wersjonowanej definicji. Workflow ma postać diagramu albo pliku przepływu, który można przeglądać i wersjonować niezależnie od modeli, które wywołuje. Podmiana jednego modelu ekstrakcji na inny nie narusza logiki procesu.
Odsetek spraw obsłużonych bez udziału człowieka to główny wskaźnik. Zespoły śledzą udział spraw, które kończą się bez żadnej ingerencji człowieka. Ten jeden wskaźnik łączy skuteczność modelu i projekt procesu w liczbę, którą biznes może obserwować z tygodnia na tydzień.
Modele są przypisane do jednego procesu. Model ekstrakcji skonfigurowany pod faktury zakupowe obsługuje faktury zakupowe. Dodanie do tego samego workflow dokumentów dostawy albo umów zwykle oznacza nowy model albo nową konfigurację, z własnym zestawem testowym.
Najwięcej pracy pochłania integracja. Połączenie skrzynek odbiorczych i repozytoriów dokumentów z systemami źródłowymi zwykle trwa dłużej niż skonfigurowanie etapu AI. To jakość tych połączeń decyduje o tym, czy workflow może działać bez nadzoru.
Za proces odpowiadają wspólnie operacje i inżynieria. Właściciele procesów definiują reguły i zatwierdzają progi, a zespoły data i inżynierskie odpowiadają za modele oraz integracje. Projekty przebiegają sprawnie, gdy obie grupy jasno uzgodnią, kto za co odpowiada.
Jakie korzyści daje inteligentna automatyzacja?
Mniej spraw trafia do ręcznej obsługi. Dane wejściowe, które wcześniej zatrzymywały bota, takie jak nowy układ faktury albo formularz wypełniony odręcznie, teraz przechodzą dalej, jeśli model odczyta je z wysoką pewnością. W kolejce wyjątków zostają tylko sprawy, które rzeczywiście wymagają człowieka.
Krótszy czas realizacji procesów opartych na dokumentach. Roszczenia ubezpieczeniowe i faktury od dostawców trafiają do kolejnego etapu już kilka minut po wpłynięciu, zamiast czekać, aż ktoś otworzy załącznik. Klienci i dostawcy szybciej dostają odpowiedź.
Osoby weryfikujące mogą skupić się na ocenie sytuacji. W kolejce weryfikacji ludzie widzą wartości zaproponowane przez model już uzupełnione, a pola budzące wątpliwości są wyróżnione. Ich praca przestaje polegać na przepisywaniu danych, a zaczyna na sprawdzaniu spraw, które naprawdę wymagają wiedzy eksperckiej.
Istniejąca automatyzacja zachowuje swoją wartość. Zespoły, które mają już na produkcji boty RPA albo workflow BPM, dodają AI do etapów, na których proces się zatrzymuje, bez przebudowy całego rozwiązania. Inwestycja w mapowanie procesu i integracje nadal się przydaje.
Jakie są wyzwania i kompromisy związane z inteligentną automatyzacją?
Dobór progu pewności. Wysoki próg ogranicza błędy modelu w systemach downstream i kieruje więcej spraw do ludzi. Niski próg zwiększa przepustowość, ale przepuszcza też więcej błędów. Zespoły mogą dostrajać progi dla poszczególnych pól i typów dokumentów, ale wymaga to stałej kalibracji, za którą ktoś musi odpowiadać.
Skuteczność modelu spada, gdy zmieniają się dane wejściowe. Dostawcy zmieniają układ faktur, a klienci inaczej formułują prośby, więc model, który przy uruchomieniu osiągał dobre wyniki, z czasem stopniowo się pogarsza. Pomagają tu monitoring i planowane ponowne treningi, ale do tego potrzebny jest pipeline oznaczonych danych oraz narzędzia MLOps, których zespoły zajmujące się wyłącznie RPA zwykle nie mają.
Boty klikające po ekranie pozostają kruche. Boty RPA sterujące interfejsem użytkownika przestają działać, gdy przycisk zmieni miejsce albo strona ładuje się zbyt wolno. Zastąpienie ich integracjami API znacząco zwiększa stabilność workflow, ale oznacza też dodatkową pracę integracyjną, która szybko rośnie w przypadku systemów legacy z czasów, gdy API nie były standardem.
Koszty za stronę i za wywołanie rosną wraz z wolumenem. Oprócz licencji platformy pojawiają się opłaty zależne od użycia za document AI albo wywołania LLM. Kierowanie formularzy o stałym układzie do taniej ekstrakcji szablonowej i zostawienie AI dla bardziej zmiennych przypadków obniża rachunek, ale zwiększa złożoność budowy i testowania workflow.
Automatyzacja wadliwego procesu utrwala jego wady. Dodanie AI do procesu z nadmiarowymi akceptacjami albo niejasnym podziałem odpowiedzialności tylko przyspiesza zły proces. Przeprojektowanie go przed automatyzacją pozwala tego uniknąć, ale opóźnia projekt, dopóki interesariusze nie uzgodnią nowej wersji.
Czym różni się inteligentna automatyzacja od RPA?
Aspekt | RPA (tradycyjna robotic process automation) | Inteligentna automatyzacja |
Obsługiwane dane wejściowe | Dane ustrukturyzowane w znanych formatach i ekranach | Dane ustrukturyzowane oraz dane nieustrukturyzowane, takie jak skanowane dokumenty i e-maile w swobodnej formie |
Sposób podejmowania decyzji | Jawne reguły if-then zapisane przez programistów | Reguły połączone z wynikami modeli, takimi jak klasyfikacje dokumentów i oceny ryzyka |
Zachowanie przy powtarzalnych uruchomieniach | Deterministyczne: te same dane wejściowe przechodzą przez te same kroki | Etapy oparte na regułach powtarzają się dokładnie tak samo; etapy modelowe zwracają wynik probabilistyczny ze wskaźnikiem pewności |
Nieznane dane wejściowe | Bot zatrzymuje się i zgłasza wyjątek | Model próbuje je zinterpretować, a wyniki z niską pewnością trafiają do weryfikacji przez człowieka |
Bieżące utrzymanie | Aktualizacja reguł i selektorów ekranowych, gdy systemy się zmieniają | To samo, a dodatkowo monitoring skuteczności modelu i ponowne treningi |
Kompetencje w zespole | Programiści automatyzacji i analitycy procesów | Te same role, uzupełnione o inżynierów danych albo ML |
FAQ o inteligentnej automatyzacji
Inteligentna automatyzacja: potrzebujesz wsparcia ekspertów?
Monterail tworzy oprogramowanie na zamówienie z wykorzystaniem najnowszych technologii. Porozmawiajmy o tym, jak możemy pomóc w Twoim projekcie.