RPA 101 – Kapitel 2

Kapitel 2

Glossar der Automatisierungsbegriffe

Um ein erfolgreiches Programm zur intelligenten Automatisierung zu implementieren und zu verwalten, brauchen Sie eine klare Strategie, sorgfältige Planung und die richtigen Tools und Technologien, um Ihre geschäftlichen und betrieblichen Ziele zu verwirklichen. Die richtigen Worte zu kennen, um besser zu beschreiben, was Ihr Unternehmen braucht, ist ebenfalls eine wichtige Voraussetzung. Wir möchten Ihnen mit diesem ultimativen Leitfaden zur robotergesteuerten Prozessautomatisierung (RPA) und intelligenten Automatisierung den Weg zum Erfolg ebnen. Außerdem möchten wir Ihnen ein Glossar der Begriffe an die Hand geben, das Ihnen bei Ihrem Weg zur digitalen Transformation helfen wird.

Ganz gleich, ob Sie für den Aufbau eines RPA-Kompetenzzentrums verantwortlich sind oder als Benutzer zum ersten Mal eine Automatisierungssoftware verwenden, ist es wichtig, die verschiedenen Automatisierungstechnologien zu verstehen, die Ihnen beim Aufbau einer robusten Digital Workforce helfen.


Buch

Robotergesteuerte Prozessautomatisierung (Robotic Process Automation, RPA)

Als robotergesteuerte Prozessautomatisierung oder RPA wird die Software bezeichnet, durch die Digital Worker in der Lage sind, schrittweise Aufgaben oder Geschäftsprozesse innerhalb Ihrer vorhandenen Systeme und Anwendungen auszuführen, ähnlich wie ein Mitarbeiter es tun würde. Als entscheidender Baustein der intelligenten Automatisierung ist RPA in Verbindung mit KI-Technologien nicht mehr auf häufige Back-Office-Prozesse beschränkt, und Digital Worker können jetzt fortschrittliche kognitive Automatisierungsfähigkeiten nutzen, um Ausnahmen, Abweichungen und Problemlösungen mit wenig manuellem Aufwand zu bewältigen.

Künstliche Intelligenz

Der Begriff „Künstliche Intelligenz“ (KI) beschreibt die Fähigkeit einer Maschine, intelligentes menschliches Verhalten zu imitieren, oder die Simulation von intelligentem Verhalten durch Computer. In Verbindung mit intelligenter robotergesteuerter Prozessautomatisierung ermöglicht die künstliche Intelligenz Unternehmen, unstrukturierte Daten zu analysieren, zu kategorisieren und zu extrahieren, um sie nicht nur nutzbar zu machen, sondern auch die Ergebnisse von komplexen automatisierten Geschäftsprozessen zu verbessern.

Intelligente Automatisierung

Die intelligente Automatisierung (IA) (auch als „intelligente Systeme“ bezeichnet) verbindet die künstliche Intelligenz (die Simulation menschlicher Intelligenz) mit den Funktionen der RPA (der Simulation menschlicher Handlungen), um Automatisierungsfähigkeiten zu erweitern. Unterstützt durch die intelligente Automatisierung können andere kognitive Technologien wie die Bilderkennung, die Verarbeitung natürlicher Sprache und das maschinelle Lernen in Digital Worker integriert werden, um das Spektrum der Prozesse zu erweitern, die automatisiert werden können – von semi-strukturierten Prozessen wie der Bearbeitung von Rechnungen im Finanzdienstleistungsbereich bis hin zu unstrukturierten Prozessen wie der Klassifizierung von E-Mails.

Kompetenzzentrum

Ein Kompetenzzentrum (Center of Excellence, CoE) besteht aus einer Gruppe kritischer Denker aus dem gesamten Unternehmen und spielt eine entscheidende Rolle bei der Umsetzung eines erfolgreichen Programms für die intelligente Automatisierung. CoEs fördern die unternehmensweite Akzeptanz, vermitteln Best Practices, dienen als Quelle für Wissen und Ressourcen und zeigen dem Unternehmen greifbare Vorteile auf.

Bilderkennung

Die Bilderkennung versucht, die Funktionen des menschlichen Auges und Gehirns zu emulieren oder zu übertreffen, die es uns ermöglichen, Muster und Formen zu sehen, Gesichter zu erkennen und vieles mehr. Dazu verwendet die Bilderkennung eine Reihe von Algorithmen und Prinzipien des maschinellen Lernens, um Bilder zu erkennen, zu interpretieren und zu verstehen.

In der intelligenten Automatisierung eröffnet die Bilderkennung eine Welt neuer Möglichkeiten und kann auf vielfältige Weise eingesetzt werden, von einfachen Anwendungsfällen, wie zu erkennen, wo sich eine Schaltfläche auf einem Bildschirm befindet und angeklickt werden muss, bis hin zu komplexen Anwendungsfällen wie der Erkennung falsch geparkter Autos.

Deep Learning

Das Deep Learning (DL) ist ein Teilbereich des maschinellen Lernens, das von der Struktur des menschlichen Gehirns inspiriert ist. Während das maschinelle Lernen jedoch Parameter verwendet, die auf Beschreibungen der Eingaben basieren, nutzt das Deep Learning Daten, die mit einem Objekt oder Datensatz verbunden sind, sowie die Art und Weise, wie sie sich von einem anderen Objekt oder Datensatz unterscheiden. In einer realen Anwendung kann Deep Learning einem Digital Worker beispielsweise helfen, Handschriften ganz einfach zu entziffern und zu verstehen, indem er unterschiedliche Schreibmuster erlernt und sie mit Daten dazu vergleicht, wie die einzelnen Buchstaben aussehen sollten. Eine komplexere Anwendung könnte die Diagnose der Erkrankung eines Patienten sein.

Digital Worker

Digital Worker sind hervorragend organisierte, multitaskingfähige Software-Roboter, die Mitarbeitern zur Seite stehen, um Geschäftsprozesse zu automatisieren und zu transformieren. Wie Menschen können Digital Worker im Laufe der Zeit neue Fähigkeiten entwickeln und somit intelligenter und kompetenter werden. Dank KI können Digital Worker so trainiert werden, dass sie immer komplexere Aufgaben übernehmen, riesige Arbeitslasten bewältigen und wichtige Entscheidungen treffen können, um die Arbeit schneller und produktiver zu erledigen – für zukunftsstarke Unternehmen.

Grafische Benutzeroberfläche

Eine grafische Benutzeroberfläche ermöglicht es dem Benutzer, ganz einfach mit dem Computer zu interagieren, typischerweise durch Auswahl aus angezeigten Menüs oder Symbolgruppen.

Maschinelles Lernen

Das maschinelle Lernen (ML) ist eine Anwendung der KI, die es einem Computer, einem System oder einer Technologie ermöglicht, zu lernen und seine Leistung selbst zu verbessern, indem es kontinuierlich neue Daten in ein vorhandenes statistisches Modell einbezieht oder neue Verhaltensweisen auf der Grundlage von Erfahrungen entwickelt. Für das maschinelle Lernen gibt es drei wichtige Ansätze: beaufsichtigtes, unbeaufsichtigtes und Verstärkungslernen. Jeder dieser Ansätze hilft Maschinen, Entscheidungen autonom oder semi-autonom zu treffen, damit sie sich an Veränderungen anpassen und in kürzester Zeit die besten Ergebnisse bieten können, ohne ständig direkte Anweisungen von einem Mitarbeiter zu benötigen.

NLP

Als Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) bezeichnet man die Fähigkeit von Computern, menschliche Sprache in Wort und Schrift zu verarbeiten. Ähnlich wie Kinder sprechen lernen, können Computer mit dem Erlernen einfacher Satzstrukturen beginnen und schließlich sogar die Ironie in einem Satz verstehen. In der intelligenten Automatisierung wird NLP eingesetzt, damit sich Chatbots und virtuelle Agenten mit Menschen unterhalten und letztlich genauso effektiv kommunizieren können wie ein Mensch.

Klassifizierung natürlicher Sprache

Die Klassifizierung natürlicher Sprache (Natural Language Classification, NLC) ermöglicht es Maschinen, themenspezifische Sprache zu erlernen, so dass sie letztendlich den Kontext ähnlich wie ein Mensch verstehen. Mit NLC können Digital Worker Wörter abhängig von ihrer Position oder Bedeutung in einer bestimmten Satzstruktur verstehen, klassifizieren und darauf reagieren.

Generierung natürlicher Sprache

Durch Generierung natürlicher Sprache (Natural Language Generation, NLG) können Digital Worker die schwer verständliche Maschinensprache in eine Sprache übersetzen, die Menschen leicht verstehen können. Heute kann NLG zum Beispiel in einem Finanzberatungsszenario eingesetzt werden, in dem Kursswankungen überwacht werden, um zu empfehlen, ob man Aktien verkaufen oder investieren sollte.

Neuronale Netze

Ein neuronales Netzwerk ähnelt Neuronen, die sich im menschlichen Gehirn verbinden. Es ist eine Computerarchitektur, in der mehrere Computerprozessoren miteinander verbunden sind. Diese Verbindungen ermöglichen es Computern, durch die Versuch und Irrtum Methode zu lernen. Konventionelle neuronale Netze werden zur Erkennung von Objekten in Videos oder Bildern verwendet, während rekurrente neuronale Netze Netzschleifen bilden, mit denen Informationen in der Computerarchitektur langfristig erhalten bleiben.

Optische Zeichenerkennung/intelligente OCR

Die optische Zeichenerkennung (Optical Character Recognition, OCR) – oder intelligente OCR (iOCR) zur genaueren Verarbeitung – ist die Technologie, mit der handgeschriebene oder gedruckte Daten in digitalen Text umgewandelt werden können. OCR kann effektiv genutzt werden, um die Informationen zu lesen, zu verstehen und zu digitalisieren oder um Abweichungen/Ausnahmen zu markieren und sie an einen Mitarbeiter zur manuellen Bearbeitung zu übergeben. iOCR kann aus den Aktionen von Personen oder durch Mustererkennung lernen, und wenn das Dokument nicht extrem unsystematisch ist, können die Erfolgsquoten deutlich verbessert werden.

Orchestrierung

Die Orchestrierung ist einer der drei Hauptansätze für die Verwaltung der Automatisierung. Die anderen beiden sind die manuelle Verwaltung und die Zeitplanung. Anders als bei der manuellen Verwaltung, bei der ein Mitarbeiter einen Job für einen bestimmten Prozess oder eine bestimmte Aufgabe physisch auslöst, oder bei der Zeitplanung, bei der ein Mitarbeiter die Digital Worker anweist, eine Aufgabe beispielsweise in einem festgelegten Zeitrahmen alle zwei Minuten auszuführen, nutzt die Orchestrierung Daten und Algorithmen, um zu ermitteln, wann der beste Zeitpunkt für die Ausführung bestimmter Aufgaben ist oder wann Digital Worker sich anderen Aufgaben widmen sollen, statt untätig zu warten. Dieser Ansatz bietet höchste Effizienz und bedeutet, dass Digital Worker niemals untätig sind.

Prozessdesign-Dokument

Ein Process Design Document (PDD) ist in der Regel ein papierbasiertes Dokument, das alle Informationen über die aktuelle Form des automatisierten Geschäftsprozesses, seine vorgesehene zukünftige Form und alle Einschränkungen und Abhängigkeiten enthält. Auch wenn dies ein wichtiger Schritt in die richtige Richtung ist, kann es schwierig sein, die unterschiedlichen Komplexitätsstufen innerhalb des Prozesses in einem Papierdokument darzustellen und zu verstehen, da PDDs komplex sein können. Daher wird empfohlen, papierbasierte PDDs durch ein digitales Tool zu ersetzen, das es den Teams erleichtert, Prozessabläufe gemeinsam an einem zentralen Ort zu modellieren, zu entwerfen und zu optimieren.

Nachweis des Geschäftswerts

Ähnlich wie ein Proof of Concept (POC), der bei Softwareprodukten verwendet wird, um zu belegen, dass ein Konzept oder eine Technologie wie behauptet funktioniert, soll ein Nachweis des Geschäftswerts oder Proof of Value (POV) zeigen, dass der Business Case für die Automatisierung in großem Umfang für alle angegebenen Geschäftsanforderungen umgesetzt werden kann. Während ein POC einfache Fragen untersucht, wie z.B.: „Funktioniert die Technologie wie erwartet?“ und „Wie wurde sie bereitgestellt?“, ermittelt ein POV den Umfang des Business Case und der Transformation, beschreibt, misst und entwirft diese und prognostiziert das potenzielle Ergebnis mit Unterstützung der Geschäftsführung.

Robotic Operating Model

Das Robotic Operating Model (ROM™), das exklusiv von Blue Prism entwickelt und angeboten wird, ist die strategische Methode für die Implementierung und Bereitstellung von RPA-Software, die Unternehmen bei der Einführung, Pflege und Skalierung ihrer Digital Workforce unterstützt. Das ROM definiert die Standards, Prinzipien und Vorlagen für die Implementierung der Robotic Process Automation in einem Unternehmen. Diese bewährte Strategie basiert auf sieben Grundlagen, die wir für eine erfolgreiche RPA-Einführung als wesentlich betrachten.

Software-Roboter (Digital Worker)

Software-Roboter sind hervorragend organisierte, multitaskingfähige Digital Worker, der Ihren Mitarbeitern zur Seite stehen, um Geschäftsprozesse zu automatisieren und zu transformieren. Wie Menschen erledigen Digital Worker bestimmte, ihnen zugewiesene Aufgaben und können im Laufe der Zeit neue Fähigkeiten entwickeln und somit intelligenter und kompetenter werden. Dank KI können Digital Worker so trainiert werden, dass sie für zukunftsstarke Unternehmen immer komplexere Aufgaben übernehmen, riesige Arbeitslasten bewältigen und wichtige Entscheidungen treffen können, um die Arbeit schneller und produktiver zu erledigen.


Next: Chapter 3

Die 5 wichtigsten Gründe, aus denen Ihr Unternehmen die intelligente Automatisierung braucht

Weiterlesen