Qu'est-ce que la RPA - Chapitre 2

Chapitre 2

Glossaire de l’automatisation

Pour savoir comment implémenter et gérer un programme d’automatisation intelligente performant, il faut une stratégie affûtée, une planification soigneuse ainsi que les outils et la technologie appropriés pour réaliser vos objectifs métier et opérationnels. Pour partir du bon pied, mieux vaut utiliser le vocabulaire qui décrit avec précision les besoins de votre entreprise. Pour vous aider à réussir, outre ce guide incontournable de l’automatisation robotisée des processus (RPA) et de l’automatisation intelligente, nous vous fournissons un glossaire, autre outil qui vous guidera dans votre parcours de transformation digitale.

Qu’il vous incombe d’établir un centre d’excellence RPA ou que vous soyez un utilisateur métier vous servant d’un logiciel d’automatisation pour la première fois, il est important de comprendre les diverses technologies d’automatisation qui vous aideront à construire une main-d’œuvre numérique efficace.


Livre

Automatisation robotisée des processus

L’automatisation robotisée des processus, ou RPA, désigne le logiciel qui permet aux agents virtuels d’effectuer des tâches ou des processus métier étape par étape dans vos systèmes et applications existants, comme le ferait un humain. Pierre angulaire stratégique de l’automatisation intelligente, la RPA associée à la technologie d’IA ne se limite plus aux processus classiques de back-office, et permet aux collaborateurs virtuels d’utiliser des capacités d’automatisation cognitive avancées afin de gérer les exceptions, les variations et la résolution des problèmes avec peu d’intervention humaine.

Intelligence artificielle

Le terme « intelligence artificielle » (IA) décrit la capacité d’une machine à imiter le comportement humain intelligent, ou la simulation du comportement intelligent dans les ordinateurs. Associée à l’automatisation robotisée des processus intelligente, l’intelligence artificielle permet aux entreprises d’analyser, de catégoriser et d’extraire des données non structurées, ce qui la rend fonctionnelle et améliore dans le même temps le rendement des processus métier automatisés complexes.

Automatisation intelligente

L’automatisation intelligente (AI), on parle parfois de systèmes intelligents, associe l’intelligence artificielle (la simulation de l’intelligence humaine) aux capacités de la RPA (la simulation d’actions humaines) pour permettre l’expansion des capacités d’automatisation. Adossés à l’automatisation intelligente, les agents virtuels s’intègrent facilement avec d’autres technologies cognitives comme la vision par ordinateur, le traitement du langage naturel et le machine learning pour étendre le nombre de processus pouvant être automatisés, des processus semi-structurés, comme le traitement des factures des services bancaires et financiers, aux processus non structurés, comme le tri des e-mails.

Centre d’excellence

Composé d’un groupe d’experts choisis dans l’ensemble de l’entreprise, le centre d’excellence joue un rôle essentiel dans le déploiement et la fourniture de tout programme d’automatisation intelligente d’entreprise performant. Les centres d’excellence encouragent l’adhésion et l’adoption, inculquent de bonnes pratiques, constituent une source de connaissances et de ressources et démontrent les avantages tangibles pour l’entreprise.

Vision par ordinateur

La vision par ordinateur tente d’émuler ou de dépasser les capacités de l’œil humain et du cortex visuel, lesquels nous permettent de voir des motifs et des formes, et de reconnaître des visages, par exemple. Pour cela, la vision par ordinateur est constituée d’un ensemble d’algorithmes et de principes de machine learning pour reconnaître, interpréter et comprendre des images.

Dans l’automatisation intelligente, la vision par ordinateur ouvre tout un éventail de nouvelles possibilités. On peut l’utiliser dans des cas simples, comme travailler avec des systèmes pour reconnaître l’emplacement d’un bouton sur lequel il faut cliquer, mais aussi dans des cas complexes, comme reconnaître quand un véhicule enfreint les règles de stationnement.

Apprentissage profond

L’apprentissage profond (ou Deep Learning, DL) est un sous-domaine du machine learning qui s’inspire de la structure du cerveau humain. Le machine learning utilise des paramètres basés sur des descriptions de l’entrée, tandis que l’apprentissage profond utilise des données associées à un objet ou un élément de données, ainsi que la façon dont il diffère d’un autre objet ou élément de données. Concrètement, l’apprentissage profond peut aider un agent virtuel à déchiffrer et comprendre une écriture manuelle en apprenant divers modèles d’écriture et en les comparant avec des données liées à l’apparence des lettres. Une application plus complexe peut consister à reconnaître l’état de santé des patients.

Agent virtuel

Les agents virtuels sont des robots logiciels multitâches hyper-organisés qui travaillent aux côtés d’humains pour automatiser et transformer des processus métier. Comme vos collaborateurs, les agents virtuels peuvent acquérir de nouvelles compétences et devenir plus intelligents. Grâce à l’intelligence artificielle, il est possible d’entraîner les travailleurs numériques à réaliser des tâches toujours plus complexes, à gérer des charges de travail importantes et à prendre des décisions stratégiques. Ils travaillent avec plus de rapidité et de productivité, multipliant la puissance de travail pour les entreprises de nos clients.

Interface utilisateur graphique

Une interface utilisateur graphique permet aux utilisateurs d’ordinateur d’interagir facilement avec ce dernier, généralement en faisant des sélections dans les menus ou les groupes d’icônes affichés.

Machine learning

Le machine learning (ML) est une application d’intelligence artificielle qui permet à un ordinateur, un système ou une technologie d’apprendre et d’améliorer ses performances en incorporant constamment de nouvelles données dans un modèle statistique existant ou en développant de nouveaux comportements basés sur l’expérience. Le machine learning couvre trois types d’apprentissages clés : l’apprentissage supervisé, non supervisé ou par renforcement. Tous aident les machines à prendre des décisions de façon autonome ou semi-autonome, pour leur permettre de s’adapter aux changements et de fournir des résultats optimaux aussi rapidement que possible sans recevoir constamment les instructions directes d’un collaborateur.

Traitement du langage naturel

Le traitement du langage naturel (Natural Language Processing ou NPL) désigne la capacité des ordinateurs à traiter le langage oral et écrit de l’être humain. Un peu comme des enfants qui apprennent à parler, les ordinateurs commencent par apprendre des structures de phrase simples puis progressent pour, au final, comprendre l’ironie d’une phrase. Dans l’automatisation intelligente, le traitement du langage naturel permet aux chatbots et aux agents virtuels d’engager une conversation humaine, pour finalement communiquer avec la même efficacité qu’une personne.

Classification en langage naturel

La classification en langage naturel (Natural Language Classification ou NLC) permet aux machines d’apprendre un langage propre à un domaine, de façon à ce qu’elles finissent par comprendre le contexte de la même façon qu’un humain. Avec la classification en langage naturel, les agents virtuels peuvent comprendre, classifier et réagir à des mots en fonction de leur position ou signification dans une structure de phrase donnée.

Génération automatique de textes

La génération automatique de textes (Natural Language Generation ou NLG) permet aux agents virtuels de traduire un langage machine difficile à déchiffrer en langage facile à comprendre par tous. Actuellement, par exemple, la génération automatique de texte peut servir dans un scénario de conseil financier, par exemple la surveillance des fluctuations boursières et les recommandations d’achat ou de vente d’actions.

Réseaux neuronaux

Un peu comme les neurones qui se connectent dans le cerveau humain, un réseau neuronal est une architecture informatique dans laquelle plusieurs processeurs informatiques sont interconnectés. Ces connexions permettent aux ordinateurs d’apprendre par tâtonnement. Les réseaux neuronaux conventionnels servent à reconnaître des objets dans des vidéos ou des images, alors que les réseaux neuronaux récurrents forment des boucles de réseaux, permettant aux informations de rester dans l’architecture informatique à long terme.

Reconnaissance optique des caractères/OCR intelligente

La reconnaissance optique des caractères (Optical Character Recognition ou OCR), ou l’OCR intelligente (iOCR) pour un traitement plus précis, désigne la technologie qui permet de numériser des données manuscrites ou dactylographiées. L’OCR est efficace pour lire, comprendre et numériser des informations ou pour signaler des variations ou des exceptions, et les renvoyer à un employé en vue d’un traitement manuel. L’iOCR apprend à partir des actions d’individus ou par le biais de la reconnaissance des formes et, si le document ne varie pas trop, les taux de réussite peuvent sensiblement augmenter.

Orchestration

L’orchestration est l’une de trois approches principales de gestion de l’automatisation, les deux autres étant la gestion manuelle et la planification. Contrairement à l’approche manuelle, où une personne physique déclenche une tâche pour un processus donné, ou la planification, pour laquelle une personne demande aux agents virtuels d’effectuer une tâche toutes les deux minutes pendant une période donnée par exemple, l’orchestration utilise des données et des algorithmes afin de déterminer le moment optimal pour effectuer les tâches, ou quand affecter les agents virtuels à d’autres tâches au lieu de les laisser inactifs. Cette approche permet une efficacité maximale en assurant que les agents numériques ne restent pas oisifs ou ne travaillent que partiellement, ne serait-ce que quelques minutes.

Document de définition de processus

Un document de définition de processus (Process Definition Document ou PDD) est généralement un document papier contenant toutes les informations sur l’état actuel du processus métier automatisé, l’état futur attendu, ainsi que toutes les contraintes ou dépendances. Bien qu’il s’agisse d’un pas important dans la bonne direction, il peut être difficile de montrer et de comprendre les différents niveaux de complexité du processus dans un document papier, les PDD pouvant devenir complexes, alambiqués et difficiles à gérer. Il est recommandé par conséquent de remplacer les PDD papier par un outil numérique qui facilite la modélisation, la conception et l’optimisation des flux de processus dans un emplacement centralisé où les équipes peuvent collaborer.

Preuve de valeur

Très semblable à la preuve de concept (Proof Of Concept ou POC) utilisée sur l’ensemble des produits logiciels pour prouver qu’un concept ou une technologie fonctionne comme prévu, une preuve de valeur (Proof Of Value ou POV) vise à démontrer que l’automatisation peut être rentable à grande échelle pour tous les besoins métier spécifiés. Alors que la POC répond à des questions simples comme « la technologie fonctionne-t-elle comme prévu ? » et « comment a-t-elle été déployée ? », la POV évalue l’analyse de rentabilité et la transformation, puis schématise, mesure, conçoit et programme le résultat potentiel avec le soutien de la direction.

Robotic Operating Model

Développé et proposé exclusivement par Blue Prism, le Robotic Operating Model (ROM™) est une méthode stratégique d’implémentation et de fourniture de logiciels RPA qui aide les entreprises à lancer, gérer et faire évoluer leur main-d’œuvre virtuelle. Le ROM présente les normes, les principes et les modèles qui renforcent la mise en œuvre de l’automatisation robotisée des processus au sein de l’entreprise. Cette stratégie éprouvée repose sur sept principes que nous avons identifiés comme essentiels à la réussite d’un déploiement de RPA.

Robot logiciel (agent virtuel)

Les robots logiciels sont des agents virtuels multitâches hyper-organisés qui travaillent aux côtés de collaborateurs humains pour automatiser et transformer des processus métier. Comme les employés, les agents virtuels peuvent exécuter les tâches qui leur sont affectées, acquérir de nouvelles compétences, et devenir plus intelligents et compétents avec le temps. Grâce à l’intelligence artificielle, il est possible de les entraîner à réaliser des tâches toujours plus complexes, à gérer des charges de travail importantes et à prendre des décisions stratégiques. Ils travaillent avec plus de rapidité et de productivité, multipliant la puissance de travail pour les entreprises de nos clients.


Next: Chapitre 3

5 bonnes raisons d’adopter l’automatisation intelligente dans votre entreprise

Lire plus