L’associazione tra RPA e Machine Learning è un tema attuale e di tendenza. Lo potremmo definire come primo scenario evolutivo della Robotic Process Automation, una tecnologia ormai matura e di grande successo finalizzata ad automatizzare tutte le aree più ripetitive e prevedibili dei processi aziendali. Si fa tutto come prima, ma alcune sezioni dei processi vengono eseguite dal robot, mentre le parti discrezionali restano in carico all’operatore. Ad esempio, l'introduzione della robotica nella supply chain ha portato a una rivoluzione nel modo in cui le organizzazioni gestiscono i loro processi di logistica. La robotica offre agli operatori la possibilità di automatizzare alcune parti del processo, riducendo così il carico di lavoro e migliorando l'efficienza.
RPA nasce proprio per questo motivo: abbattere le ore dedicate ad attività sempre uguali, simili o comunque basate su logiche prevedibili, affidando tali attività al robot e rifocalizzando le risorse umane ad attività a valore aggiunto. La grande efficacia della Robotic Process Automation è alla base del successo delle relative soluzioni, che vanno a comporre un mercato previsto in crescita del 19,5% nel 2021 rispetto a una stima di 1,59 miliardi di dollari nel 2020 (fonte: Gartner).
Di fatto, RPA simula al 100% il comportamento di un operatore di fronte ad attività preventivamente definite come automatizzabili: il robot esegue le stesse operazioni, apre file, copia dati, accede a diverse applicazioni, riconosce caratteri via OCR, effettua data entry e via dicendo. Tutte le procedure ripetitive e prevedibili fatte dall’essere umano vengono replicate dal robot, il che comporta anche due altre conseguenze positive: l’ampia superficie d’azione, visto che i processi aziendali sono stracolmi di aree automatizzabili, e la scarsa invasività, poiché RPA non presuppone dover sostituire sistemi, applicazioni, dinamiche gestionali o modalità di lavoro. Si fa tutto come prima, ma alcune sezioni dei processi vengono eseguite dal robot, mentre le parti discrezionali restano in carico all’operatore.
La tecnologia RPA è matura e ha un percorso evolutivo chiaro e già avviato. Il primo obiettivo è proprio l’affiancamento, la creazione di una sinergia tra RPA e Machine Learning, così da migliorare il comportamento di RPA e introdurre un certo livello di giudizio da parte della macchina, che può quindi gestire processi di complessità superiore, come per esempio quelli del customer care, del procurement o la selezione del personale.
Una RPA arricchita di algoritmi di machine learning permette di garantire performance migliori e anche di gestire qualche eccezione. Un caso piuttosto eloquente di sinergia tra RPA e Machine Learning riguarda l’OCR, cioè il riconoscimento ottico dei caratteri: questa tecnologia è utilizzata frequentemente nei progetti di automazione per “leggere” i campi di un documento dematerializzato (una fattura, un ordine, un DDT), riconoscerne il contenuto e riportarlo automaticamente nei sistemi gestionali. Con il Machine Learning, il sistema diventa sempre più esperto con l’andare del tempo e migliora non solo le proprie performance di riconoscimento testuale, ma diviene molto più flessibile rispetto ad eccezioni come documenti con campi invertiti o, più semplicemente, posizionati in modo non del tutto allineato alla norma. In pratica, il Machine Learning permette all’automazione di migliorare col tempo e di gestire sempre meglio le eccezioni: al posto della rigida programmazione della macchina, l’Intelligent Automation porta con sé il concetto di addestramento della stessa.
Da questo punto in avanti, la complessità può crescere a dismisura, così come il fascino delle soluzioni. Entriamo infatti nell’ambito dell’AI Automation, un campo in perenne evoluzione il cui fine è permettere alle macchine di automatizzare task che, lungi dall’essere basati su schemi ripetitivi e prevedibili, oggi richiedono l’impiego esclusivo dell’intelligenza umana, di quella discrezionalità che è tipica dell’operatore in carne ed ossa. Entriamo dunque nell’ambito dei predictive analytics, ovviamente del machine learning, ma anche della capacità di interpretazione del linguaggio naturale (NLP) e di comprensione di dati non strutturati come semplici file di testo e immagini. Il concetto cui tendere diventa quello del robot che, al fine della process automation, segue dei percorsi decisionali auto-generati e dipendenti sia dall’addestramento ricevuto che di tutti i dati che elabora durante le routine quotidiane.