Muchas veces los beneficios de la automatización solo están en las reflexiones de las áreas de innovación o de los directores de sistemas, incluso en algunas áreas de negocio. Sin embargo, la adopción de un nuevo modelo de operación en el que conviven personas, algoritmos y robots, es primordial para avanzar en nuestros negocios. Es esto, sí debe estar en la mente de un director Muchas veces cuando se habla de inteligencia artificial y robots se mezclan conceptos como si fueran lo mismo. Si bien son tecnologías diferentes, ambas se complementan. Vamos a revisar en que consiste ese complemento y en que nos benefician.
La automatización de procesos mediante robots de software (RPA-Robotics Process Automation) ha supuesto un gran avance en la integración de aplicaciones y en mejora de la eficiencia de los procesos de negocio. Sin embargo, no está exenta de restricciones. Algunos de esos condicionantes están en la tipología de datos que puede manejar, que deben ser datos estructurados y alfanuméricos. Y otra de las restricciones es que debe trabajar con reglas claras de negocio, definibles en un flujograma. Un proceso automatizado mediante RPA no puede extraer información de una imagen, de un texto no estructurado, de sonido (voz), etc. Es aquí donde la inteligencia artificial se combina con RPA para romper estas barreras.
El término «Inteligencia Artificial» (IA) describe la capacidad de una máquina para imitar el comportamiento humano inteligente, o la simulación del comportamiento inteligente mediante la computación. Unida a RPA, la inteligencia artificial permite analizar, categorizar y extraer datos no estructurados, no solo haciéndolos funcionales, sino también mejorando el resultado de procesos de negocio complejos automatizados.
Actualmente se están empleando soluciones de inteligencia artificial para adaptarse a la interface humana, es decir, el procesamiento de textos no estructurados (documentos, correos, chat, etc), fotos (reconocimiento facial), sonidos (voces). En definitiva, se crean robots que, mediante el complemento de la inteligencia artificial, puedan interactuar con nosotros de manera similar a la interacción con las personas.
Últimamente se ha extendido el uso de chatbots más o menos complejos como un canal en el que interactúan consumidores y los departamentos de atención al cliente. Los chatbots o las interfaces conversacionales están compuesta por un conjunto de tecnologías avanzadas. Una de ellas es la inteligencia artificial que permite procesar la voz humana. Ésta a su vez está compuesta por voz-a-texto (Speech‑to‑Text) en conjunción con Procesamiento de Lenguaje Natural (NLP).
Lo primero con lo que se enfrenta un chabot en una conversación es con un sonido, que al ser procesado por un servicio de voz-a-texto genera un texto (datos alfanuméricos, pero no estructurados). Para que un sistema pueda “interpretar” este texto es necesario usar NLP que nos permita extraer el sentido de ese texto y la información relevante de esa comunicación (Ej: información sobre un pedido determinado). A partir de aquí es donde desempeña su papel el gestor de conversación, que simplificando es el que decide el flujo de la conversación o qué contestar ante lo que el usuario comunique. Es el elemento central, el que define la conversación, define el contexto, el hilo conductor y lo que el chatbot es capaz de ofrecer. En nuestro ejemplo, el chatbot infiere que el cliente quiere saber cuando le va a llegar su pedido. Una vez entendida la pregunta debe interactuar con los sistemas de backend para obtener la información adecuada. En este punto, incluso podemos tener diversidad de opciones con menor o mayor grado de complejidad. La mas simple es una integración, generalmente mediante una API (Application Programming Interface), con un sistema en el que reside toda la información necesaria. Sin embargo, si es necesario interactuar con varios sistemas, con o sin APIs, y componer el resultado de la información, puede emplearse RPA para realizar dicha integración. En ese momento, el chatbot ya tiene unos datos estructurados, sin embargo, debe confeccionar la respuesta para la persona. Es ahora donde vuelve a jugar un papel clave el gestor de la conversación, que transforma esos datos en una frase y posteriormente en sonido mediante un módulo de síntesis de voz (texto a voz).
Este proceso es el que tiene lugar en una conversación personas-maquina. Es en definitiva la generación de una interfaz más amigable con las personas, mientras que el trabajo de backoffice lo realizan sistemas de análisis y procesamiento de datos.
Este proceso requiere además de un aprendizaje y mejora continua, ya que estemos añadiendo cada vez más posibilidades o servicios a ese chatbot. Para ello emplearemos tecnología de machine learning (aprendizaje automático) para tutelar el comportamiento del robot para que no se produzcan comportamientos indeseados por parte del robot. Para los curiosos pueden buscar bot Tay Microsoft para Tweeter.
Como vemos los sistemas de inteligencia artificial y aprendizaje automático están presentes en las entradas y salidas de los procesos de backoffice. Pero no solo en la interacción humana, sino para interactuar con datos no estructurados como pueden ser imágenes, documentos de los que se quieren obtener información relevante. Algunos de ellos pueden ser el procesamiento de facturas para proceder o no a su pago, el análisis de documentos legales como contratos, documentación notarial para extraer datos específicos; el procesamiento de correos electrónicos para poder clasificarlos por ejemplo en pedidos, quejas, incidencias, solicitudes de información, etc en un centro de atención a clientes para dirigirlos a los departamentos adecuados o responder automáticamente.
Otro aspecto, es la inclusión de algoritmos de inteligencia artificial, en las reglas de negocio de un proceso. Tradicionalmente, las soluciones de RPA necesitan reglas simples de negocio en las que las decisiones se basan en acciones “si-entonces”. Con ellas se pueden ejecutar flujos de programa simples, pero hay ciertos tipos de problemas en los que hay que emplear otro enfoque: el uso de algoritmos de aprendizaje automático para identificar y definir las reglas de negocio. Estos algoritmos fundamentalmente consumen datos y tratan de encontrar patrones para así establecer un comportamiento (una regla). Una tarea común en la que se pueden entrenar los algoritmos de aprendizaje automático es la clasificación. Aquí es donde tomamos algunos datos de entrada y los asignamos a alguna clase de resultado.
Pensemos en una solicitud de crédito, se puede tomar como entrada la solicitud de crédito del individuo, y cierta información sobre el historial de crédito de esa persona, y asignarlos a una clase: aprobada o no aprobada. Por lo general, esto se hace alimentando a un algoritmo de aprendizaje con un conjunto de datos de entrada, así como un conjunto de resultados conocidos. Este entrenamiento es empleado por el algoritmo para identificar las relaciones entre la entrada y el resultado deseado. El «éxito» del entrenamiento se puede medir alimentando el modelo del algoritmo de aprendizaje con nuevos datos y viendo cómo funciona. Hay una variedad de escenarios del mundo real en los que esto se ha convertido en una forma muy válida de generar las reglas de negocio. Las compañías de tarjetas de crédito utilizan con frecuencia algoritmos de aprendizaje automático para identificar el fraude. Este caso en particular es muy adecuado para el aprendizaje automático, ya que los nuevos datos (y los nuevos tipos de fraude) fluyen continuamente hacia el sistema. Los algoritmos de aprendizaje automático adaptativo pueden ser mucho mejores para detectar «reglas de negocio» que los humanos en este caso.
Vemos así que RPA y AI se están integrando cada vez más para generar soluciones complejas y autónomas que mejoran las capacidades de los robots y acercándolas cada vez más las capacidades humanas.
Autor: Marcos Navarro Alcaraz (Info)
Experto en Automatización de procesos
Comparte este Post