Español
Close
Capítulo 2
Glosario de términos de automatización
Entender la forma de implementar y administrar un programa de automatización inteligente exitoso requiere de una estrategia marcada, una planificación detallada y las herramientas y tecnología adecuadas para materializar sus metas operativas y empresariales. Tener las palabras justas para describir mejor lo que su organización necesita también es un buen comienzo. Si bien queremos ayudarlo a allanar su camino al éxito con esta guía definitiva sobre la automatización robótica de procesos (RPA) y la automatización inteligente, también queremos equiparlo con un glosario de términos que le ayudarán a medida que navega su trayecto hacia la transformación digital.
Ya sea que usted es responsable de establecer un centro de excelencia de RPA o es un usuario comercial que está usando un software de automatización por primera vez, es importante entender las distintas tecnologías de automatización que lo ayudarán a crear una mano de obra digital sólida.
Automatización robótica de procesos
La automatización robótica de procesos, o RPA, se refiere al software que permite a los colaboradores digitales realizar paso a paso tareas o procesos empresariales dentro de sus sistemas y aplicaciones existentes, al igual que lo haría una persona. Un componente fundamental de la automatización inteligente es que la RPA, junto con la tecnología de IA, ya no se restringe a procesos comunes de back office, y ahora permite a los colaboradores digitales usar capacidades avanzadas de automatización cognitiva para manejar las excepciones, variaciones y resolución de problemas con poca intervención del personal.
Inteligencia artificial
El término “inteligencia artificial” (IA) describe la capacidad de una máquina de imitar el comportamiento humano inteligente, o la simulación de un comportamiento inteligente en computadoras. En combinación con la automatización robótica de procesos inteligente, la inteligencia artificial permite a las empresas analizar, categorizar y extraer datos no estructurados, lo que no solo la hace funcional, sino que también mejora la producción de los procesos comerciales automatizados complejos.
Automatización inteligente
La automatización inteligente (AI), a veces conocida como sistemas inteligentes, conecta a la inteligencia artificial (la simulación de la inteligencia humana) con las capacidades de la RPA (la simulación de las acciones humanas) para permitir la expansión de las capacidades de automatización. Respaldados por la automatización inteligente, los colaboradores digitales pueden integrarse fácilmente con otras tecnologías cognitivas tales como visión por computadora, procesamiento del lenguaje natural y aprendizaje automático, para ampliar la cantidad de procesos que pueden automatizarse, desde los semiestructurados, como el procesamiento de facturas de los servicios financieros, hasta los no estructurados, como la clasificación de correos electrónicos.
Centro de Excelencia
Un Centro de Excelencia (CoE) se compone de un grupo de pensadores críticos de toda la empresa y cumple una función esencial en la implementación y entrega de cualquier programa de automatización inteligente de nivel empresarial exitoso. Los CoE fomentan la participación y adopción, inculcan mejores prácticas, sirven como fuente de conocimiento y recursos, y le muestran los beneficios tangibles a la empresa.
Visión por computadora
La visión por computadora intenta simular o superar las capacidades del ojo y la corteza visual de las personas, lo que nos da la habilidad de ver patrones, formas, reconocer caras y más. Para lograrlo, la visión por computadora está compuesta de varios algoritmos y principios de aprendizaje automático para reconocer, interpretar y entender imágenes.
En la automatización inteligente, la visión por computadora abre un mundo de posibilidades nuevas y puede emplearse de varias maneras, desde casos de uso simples, como trabajar con sistemas para reconocer dónde se encuentra un botón en una pantalla y dónde se debe hacer clic, hasta casos de uso complejos, como reconocer cuando un auto está cometiendo una infracción de estacionamiento.
Aprendizaje profundo
El aprendizaje profundo (DL) es un subconjunto del aprendizaje automático inspirado por la estructura del cerebro humano. Sin embargo, donde el aprendizaje automático usa parámetros basados en las descripciones de las entradas, el aprendizaje profundo usa datos asociados con un objeto o con una porción de datos, así como en qué se diferencian de otro objeto o porción de datos. En la aplicación en el mundo real, el aprendizaje profundo puede ayudar a un colaborador digital a descifrar y entender fácilmente la escritura a mano al aprender varios patrones de escritura y compararlos con los datos sobre cómo deben verse las letras. Una aplicación más compleja puede ser reconocer los problemas de salud de un paciente.
Colaborador digital
Los colaboradores digitales son robots de software muy organizados que trabajan en diferentes tareas junto con el personal para automatizar y transformar los procesos de negocios. Como las personas, los colaboradores digitales pueden desarrollar nuevas habilidades con el paso del tiempo y así volverse más inteligentes y más capaces. Con IA, los colaboradores digitales pueden entrenarse para que tomen tareas cada vez más complejas, gestionar grandes cargas de trabajo y tomar decisiones críticas para abordar el trabajo con mayor velocidad y productividad, y así convertirse en un multiplicador de fuerza para las empresas de nuestros clientes.
Interfaz de usuario gráfica
Una interfaz de usuario gráfica les permite una interacción con la computadora más sencilla para los usuarios, que suele ser una selección que se lleva a cabo a partir de los menús o grupos de iconos que se muestran.
Aprendizaje automático
El aprendizaje automático (ML) es una aplicación de la IA que permite a una computadora, sistema o tecnología aprender y mejorar su propio rendimiento al incorporar, constantemente, datos nuevos en modelos estadísticos existentes o desarrollar nuevos comportamientos en base a la experiencia. El aprendizaje automático tiene tres tipos de enfoques clave, que incluyen el aprendizaje supervisado, el aprendizaje no supervisado y el reforzamiento del aprendizaje, cada uno de los cuales ayuda a las máquinas a tomar decisiones de manera autónoma o semiautónoma para que logren adaptarse a los cambios y ofrecer los mejores resultados en el menor tiempo sin tener que ser derivados constantemente a una persona para que le de instrucciones directas.
Procesamiento del lenguaje natural
El procesamiento del lenguaje natural (NLP) se refiere a la capacidad que tienen las computadoras para procesar el lenguaje humano escrito y verbal. Del mismo modo que los niños aprenden a hablar, las computadoras comienzan por aprender estructuras de oraciones simples y avanzan hacia entender la ironía en una oración. En la automatización inteligente, el NLP se usa para permitirles a los robots de chat y los agentes virtuales participar de conversaciones con personas y, finalmente, comunicarse con la misma eficacia que una persona.
Clasificación del lenguaje natural
La clasificación del lenguaje natural (NLC) permite a las máquinas aprender el lenguaje específico del dominio para poder entender, en última instancia, el contexto del mismo modo que lo haría una persona. Con NLC, los colaboradores digitales pueden entender, clasificar y responder a las palabras según su ubicación o significado en la estructura particular de una oración.
Generación del lenguaje natural
La generación del lenguaje natural (NLG) permite a los colaboradores digitales traducir el lenguaje de las máquinas que es difícil de computar en lenguaje que las personas pueden entender fácilmente. Hoy en día, por ejemplo, la NLG puede usarse en un escenario de asesoramiento financiero, como el monitoreo de la fluctuación de las acciones y la decisión sobre si vender o invertir.
Redes neuronales
Del mismo modo que se conectan las neuronas en el cerebro humano, una red neuronal es una arquitectura de la computadora donde se interconectan varios procesadores. Estas conexiones permiten a las computadoras aprender mediante un proceso de prueba y error. Las redes neuronales convencionales se usan para reconocer objetos en videos o imágenes, mientras que las redes neuronales recurrentes forman circuitos de redes, que permiten que la información permanezca en el tiempo dentro de la arquitectura de la computadora.
Reconocimiento óptico de caracteres/OCR inteligente
El reconocimiento óptico de caracteres (OCR), u OCR inteligente (iOCR) para procesos más precisos, se refiere a la tecnología que permite convertir los datos escritos en texto digital. El OCR puede usarse efectivamente para leer, entender y digitalizar información o indicar variaciones/excepciones y devolvérselas a una persona para que realice su procesamiento manual. iOCR puede aprender de las acciones de las personas, o mediante el reconocimiento de patrones, y, si el documento no varía en gran medida, se pueden mejorar significativamente los niveles de éxito.
Organización
La organización es uno de los tres enfoques principales para administrar la automatización, mientras que los otros dos son el enfoque manual y la programación. A diferencia del enfoque manual (que simplemente es una persona que activa de manera física un trabajo para un proceso o tarea específicos) o la programación (en donde una persona le indica a los colaboradores digitales que realice una tarea cada dos minutos entre plazos especificados, por ejemplo), la organización usa los datos y algoritmos para lograr comprender cuándo es el mejor momento para realizar ciertas tareas o asignarlas a otras tareas en lugar de quedarse esperando. Este enfoque brinda máxima eficiencia y significa que los colaboradores digitales no están descansando o siendo “empleados de tiempo parcial” incluso por dos minutos.
Documento de diseño de procesos
En general, un documento de diseño de procesos (PDD) es un documento en papel que incluye toda la información acerca del estado actual del proceso automatizado, su estado futuro esperado y cualquier restricción o dependencia. A pesar de ser un paso importante en la dirección correcta, puede resultar difícil mostrar y entender los varios niveles de complejidad dentro del proceso en un documento en papel, ya que los PDD pueden volverse complejos, complicados y difíciles de gestionar. Como consecuencia, se recomienda reemplazar los PDD en papel con una herramienta digital que les facilite a los equipos modelar, diseñar y optimizar los flujos de procesos en un lugar centralizado y colaborativo.
Prueba de valor
Al igual que una prueba del concepto (POC), que se usa en los productos de software para probar que un concepto, o tecnología, ha funcionado como se sostuvo, una prueba de valor (POV) tiene la intención de demostrar que un caso comercial para automatización puede ejecutarse a escala para todas las necesidades comerciales específicas. Mientras que una POC observará cosas simples como “¿la tecnología funciona como se esperaba?” y “¿cómo se implementó?”, una POV examinará el caso comercial y la transformación, y creará un mapa, medirá, diseñará y predirá el resultado potencial con respaldo del equipo de liderazgo.
MODELO DE FUNCIONAMIENTO ROBÓTICO
Desarrollado y ofrecido de manera exclusiva por Blue Prism, el modelo de funcionamiento robótico (ROM™) es el método estratégico para la implementación y entrega del software de RPA que ayuda a las organizaciones a lanzar, mantener y ampliar su mano de obra digital. El ROM describe estándares, principios y plantillas que refuerzan la implementación de la Automatización robótica de procesos en una organización. Esta estrategia demostrada se construye sobre siete bases que hemos identificado como esenciales para lograr la implementación exitosa de una RPA.
Robot de software (colaborador digital)
Los robots de software son colaboradores digitales muy organizados que trabajan en diferentes tareas junto con el personal para automatizar y transformar los procesos de negocios. Como las personas, los colaboradores digitales realizan las tareas que les son asignadas y pueden desarrollar nuevas habilidades con el paso del tiempo y así volverse más inteligentes y más capaces. Con IA, los colaboradores digitales pueden entrenarse para que tomen tareas cada vez más complejas, gestionar grandes cargas de trabajo y tomar decisiones críticas para abordar el trabajo con mayor velocidad y productividad, y así convertirse en un multiplicador de fuerza para las empresas de nuestros clientes.
Entender la forma de implementar y administrar un programa de automatización inteligente exitoso requiere de una estrategia marcada, una planificación detallada y las herramientas y tecnología adecuadas para materializar sus metas operativas y empresariales. Tener las palabras justas para describir mejor lo que su organización necesita también es un buen comienzo. Si bien queremos ayudarlo a allanar su camino al éxito con esta guía definitiva sobre la automatización robótica de procesos (RPA) y la automatización inteligente, también queremos equiparlo con un glosario de términos que le ayudarán a medida que navega su trayecto hacia la transformación digital.
Ya sea que usted es responsable de establecer un centro de excelencia de RPA o es un usuario comercial que está usando un software de automatización por primera vez, es importante entender las distintas tecnologías de automatización que lo ayudarán a crear una mano de obra digital sólida.
La automatización robótica de procesos, o RPA, se refiere al software que permite a los colaboradores digitales realizar paso a paso tareas o procesos empresariales dentro de sus sistemas y aplicaciones existentes, al igual que lo haría una persona. Un componente fundamental de la automatización inteligente es que la RPA, junto con la tecnología de IA, ya no se restringe a procesos comunes de back office, y ahora permite a los colaboradores digitales usar capacidades avanzadas de automatización cognitiva para manejar las excepciones, variaciones y resolución de problemas con poca intervención del personal.
El término “inteligencia artificial” (IA) describe la capacidad de una máquina de imitar el comportamiento humano inteligente, o la simulación de un comportamiento inteligente en computadoras. En combinación con la automatización robótica de procesos inteligente, la inteligencia artificial permite a las empresas analizar, categorizar y extraer datos no estructurados, lo que no solo la hace funcional, sino que también mejora la producción de los procesos comerciales automatizados complejos.
La automatización inteligente (AI), a veces conocida como sistemas inteligentes, conecta a la inteligencia artificial (la simulación de la inteligencia humana) con las capacidades de la RPA (la simulación de las acciones humanas) para permitir la expansión de las capacidades de automatización. Respaldados por la automatización inteligente, los colaboradores digitales pueden integrarse fácilmente con otras tecnologías cognitivas tales como visión por computadora, procesamiento del lenguaje natural y aprendizaje automático, para ampliar la cantidad de procesos que pueden automatizarse, desde los semiestructurados, como el procesamiento de facturas de los servicios financieros, hasta los no estructurados, como la clasificación de correos electrónicos.
Un Centro de Excelencia (CoE) se compone de un grupo de pensadores críticos de toda la empresa y cumple una función esencial en la implementación y entrega de cualquier programa de automatización inteligente de nivel empresarial exitoso. Los CoE fomentan la participación y adopción, inculcan mejores prácticas, sirven como fuente de conocimiento y recursos, y le muestran los beneficios tangibles a la empresa.
La visión por computadora intenta simular o superar las capacidades del ojo y la corteza visual de las personas, lo que nos da la habilidad de ver patrones, formas, reconocer caras y más. Para lograrlo, la visión por computadora está compuesta de varios algoritmos y principios de aprendizaje automático para reconocer, interpretar y entender imágenes.
En la automatización inteligente, la visión por computadora abre un mundo de posibilidades nuevas y puede emplearse de varias maneras, desde casos de uso simples, como trabajar con sistemas para reconocer dónde se encuentra un botón en una pantalla y dónde se debe hacer clic, hasta casos de uso complejos, como reconocer cuando un auto está cometiendo una infracción de estacionamiento.
El aprendizaje profundo (DL) es un subconjunto del aprendizaje automático inspirado por la estructura del cerebro humano. Sin embargo, donde el aprendizaje automático usa parámetros basados en las descripciones de las entradas, el aprendizaje profundo usa datos asociados con un objeto o con una porción de datos, así como en qué se diferencian de otro objeto o porción de datos. En la aplicación en el mundo real, el aprendizaje profundo puede ayudar a un colaborador digital a descifrar y entender fácilmente la escritura a mano al aprender varios patrones de escritura y compararlos con los datos sobre cómo deben verse las letras. Una aplicación más compleja puede ser reconocer los problemas de salud de un paciente.
Los colaboradores digitales son robots de software muy organizados que trabajan en diferentes tareas junto con el personal para automatizar y transformar los procesos de negocios. Como las personas, los colaboradores digitales pueden desarrollar nuevas habilidades con el paso del tiempo y así volverse más inteligentes y más capaces. Con IA, los colaboradores digitales pueden entrenarse para que tomen tareas cada vez más complejas, gestionar grandes cargas de trabajo y tomar decisiones críticas para abordar el trabajo con mayor velocidad y productividad, y así convertirse en un multiplicador de fuerza para las empresas de nuestros clientes.
Una interfaz de usuario gráfica les permite una interacción con la computadora más sencilla para los usuarios, que suele ser una selección que se lleva a cabo a partir de los menús o grupos de iconos que se muestran.
El aprendizaje automático (ML) es una aplicación de la IA que permite a una computadora, sistema o tecnología aprender y mejorar su propio rendimiento al incorporar, constantemente, datos nuevos en modelos estadísticos existentes o desarrollar nuevos comportamientos en base a la experiencia. El aprendizaje automático tiene tres tipos de enfoques clave, que incluyen el aprendizaje supervisado, el aprendizaje no supervisado y el reforzamiento del aprendizaje, cada uno de los cuales ayuda a las máquinas a tomar decisiones de manera autónoma o semiautónoma para que logren adaptarse a los cambios y ofrecer los mejores resultados en el menor tiempo sin tener que ser derivados constantemente a una persona para que le de instrucciones directas.
El procesamiento del lenguaje natural (NLP) se refiere a la capacidad que tienen las computadoras para procesar el lenguaje humano escrito y verbal. Del mismo modo que los niños aprenden a hablar, las computadoras comienzan por aprender estructuras de oraciones simples y avanzan hacia entender la ironía en una oración. En la automatización inteligente, el NLP se usa para permitirles a los robots de chat y los agentes virtuales participar de conversaciones con personas y, finalmente, comunicarse con la misma eficacia que una persona.
La clasificación del lenguaje natural (NLC) permite a las máquinas aprender el lenguaje específico del dominio para poder entender, en última instancia, el contexto del mismo modo que lo haría una persona. Con NLC, los colaboradores digitales pueden entender, clasificar y responder a las palabras según su ubicación o significado en la estructura particular de una oración.
La generación del lenguaje natural (NLG) permite a los colaboradores digitales traducir el lenguaje de las máquinas que es difícil de computar en lenguaje que las personas pueden entender fácilmente. Hoy en día, por ejemplo, la NLG puede usarse en un escenario de asesoramiento financiero, como el monitoreo de la fluctuación de las acciones y la decisión sobre si vender o invertir.
Del mismo modo que se conectan las neuronas en el cerebro humano, una red neuronal es una arquitectura de la computadora donde se interconectan varios procesadores. Estas conexiones permiten a las computadoras aprender mediante un proceso de prueba y error. Las redes neuronales convencionales se usan para reconocer objetos en videos o imágenes, mientras que las redes neuronales recurrentes forman circuitos de redes, que permiten que la información permanezca en el tiempo dentro de la arquitectura de la computadora.
El reconocimiento óptico de caracteres (OCR), u OCR inteligente (iOCR) para procesos más precisos, se refiere a la tecnología que permite convertir los datos escritos en texto digital. El OCR puede usarse efectivamente para leer, entender y digitalizar información o indicar variaciones/excepciones y devolvérselas a una persona para que realice su procesamiento manual. iOCR puede aprender de las acciones de las personas, o mediante el reconocimiento de patrones, y, si el documento no varía en gran medida, se pueden mejorar significativamente los niveles de éxito.
La organización es uno de los tres enfoques principales para administrar la automatización, mientras que los otros dos son el enfoque manual y la programación. A diferencia del enfoque manual (que simplemente es una persona que activa de manera física un trabajo para un proceso o tarea específicos) o la programación (en donde una persona le indica a los colaboradores digitales que realice una tarea cada dos minutos entre plazos especificados, por ejemplo), la organización usa los datos y algoritmos para lograr comprender cuándo es el mejor momento para realizar ciertas tareas o asignarlas a otras tareas en lugar de quedarse esperando. Este enfoque brinda máxima eficiencia y significa que los colaboradores digitales no están descansando o siendo “empleados de tiempo parcial” incluso por dos minutos.
En general, un documento de diseño de procesos (PDD) es un documento en papel que incluye toda la información acerca del estado actual del proceso automatizado, su estado futuro esperado y cualquier restricción o dependencia. A pesar de ser un paso importante en la dirección correcta, puede resultar difícil mostrar y entender los varios niveles de complejidad dentro del proceso en un documento en papel, ya que los PDD pueden volverse complejos, complicados y difíciles de gestionar. Como consecuencia, se recomienda reemplazar los PDD en papel con una herramienta digital que les facilite a los equipos modelar, diseñar y optimizar los flujos de procesos en un lugar centralizado y colaborativo.
Al igual que una prueba del concepto (POC), que se usa en los productos de software para probar que un concepto, o tecnología, ha funcionado como se sostuvo, una prueba de valor (POV) tiene la intención de demostrar que un caso comercial para automatización puede ejecutarse a escala para todas las necesidades comerciales específicas. Mientras que una POC observará cosas simples como “¿la tecnología funciona como se esperaba?” y “¿cómo se implementó?”, una POV examinará el caso comercial y la transformación, y creará un mapa, medirá, diseñará y predirá el resultado potencial con respaldo del equipo de liderazgo.
Desarrollado y ofrecido de manera exclusiva por Blue Prism, el modelo de funcionamiento robótico (ROM™) es el método estratégico para la implementación y entrega del software de RPA que ayuda a las organizaciones a lanzar, mantener y ampliar su mano de obra digital. El ROM describe estándares, principios y plantillas que refuerzan la implementación de la Automatización robótica de procesos en una organización. Esta estrategia demostrada se construye sobre siete bases que hemos identificado como esenciales para lograr la implementación exitosa de una RPA.
Los robots de software son colaboradores digitales muy organizados que trabajan en diferentes tareas junto con el personal para automatizar y transformar los procesos de negocios. Como las personas, los colaboradores digitales realizan las tareas que les son asignadas y pueden desarrollar nuevas habilidades con el paso del tiempo y así volverse más inteligentes y más capaces. Con IA, los colaboradores digitales pueden entrenarse para que tomen tareas cada vez más complejas, gestionar grandes cargas de trabajo y tomar decisiones críticas para abordar el trabajo con mayor velocidad y productividad, y así convertirse en un multiplicador de fuerza para las empresas de nuestros clientes.