willyam - stock.adobe.com

Was sind die Unterschiede zwischen RPA und IPA?

Um sich auf Robotic Process Automation in Verbindung mit der Intelligent Process Automation vorzubereiten, müssen CIOs zunächst deren wichtigsten Unterschiede kennen.

Intelligent Process Automation (IPA) wird zunehmend als eine Ergänzung zu Robotic Process Automation (RPA) gesehen, die den RPA-Anwendungsbereich mit KI-Technologien erweitert.

CIOs und andere IT-Leiter sollten einige der wichtigen Unterschiede zwischen den beiden Automatisierungstechnologien als Teil ihrer Roadmap berücksichtigen.

RPA und IPA

Intelligent Process Automation (IPA) deckt einen größeren Arbeitsbereich ab als Robotic Process Automation (RPA) – es kann mehr Arten von Datenformaten verarbeiten und ermöglicht neue Arten intelligenter Entscheidungsfindung. Um die besten Ergebnisse aus einer IPA-Strategie zu erzielen, müssen IT- und Data-Science-Teams enger zusammenarbeiten, als dies bei RPA erforderlich ist.

„RPA ist pure Robotik und benötigt keine Intelligenz, um zu funktionieren“, sagt Banwari Agarwal, Global Market Leader of Intelligent Process Automation bei Cognizant. Folglich ist es eine gute Technologie für gut definierte, regelbasierte Prozesse.

Im Gegensatz dazu wird IPA für komplexere Prozesse eingesetzt, die von KI-Fähigkeiten profitieren. Dabei werden intelligente Datenaufnahme, Natural Language Processing (NLP), Machine Learning und operative Analyse mit RPA kombiniert. „Sowohl RPA als auch IPA sind in verschiedenen Arten von Situationen wertvoll“, sagt Agarwal.

Mit RPA beginnen

Agarwal ist davon überzeugt, dass der Hauptanziehungspunkt von RPA-Plattformen darin besteht, dass sie einfach zu bedienen sind und keine tiefgreifenden technologischen Kenntnisse erfordern. Viele RPA-Technologien können mit Low-Code oder No-Code implementiert werden. Der letztendliche Wert und die Ergebnisse von RPA-Projekten sind jedoch begrenzt.

Die Entwicklung und Umsetzung von IPA ist wesentlich komplexer. Die Technologie erfordert Datenextraktion und -klassifizierung, Machine Learning und künstliche Intelligenz (KI), um die Entscheidungsfindung zu fördern. Unternehmen, die IPA einsetzen, benötigen Experten, die ein tiefes Verständnis für eine ständig wachsende Zahl von Tools und Fähigkeiten haben.

Agarwal verweist darauf, dass die Anforderungen an die technischen Fähigkeiten der Anwender die wichtigsten Unterscheidungsmerkmale sind, die IT-Führungskräfte im Vorfeld kennen sollten. Die für RPA erforderlichen technischen Fähigkeiten reichen von grundlegend bis ausgereift, während die für IPA erforderlichen technischen Fähigkeiten von ausgereift bis fortgeschritten reichen. Es überrascht nicht, dass RPA aufgrund seiner einfachen Handhabung wesentlich mehr Zugkraft besitzt. „Mit RPA werden mehr Prozesse automatisiert als mit IPA“, sagt er.

Die mit RPA verbundenen Prozesseffizienzen sind jedoch nicht so hoch wie die potenziellen Effizienzen, die durch IPA realisiert werden können. Agarwal erklärt, bei RPA-Einsätzen spiele der Mensch neben der regelbasierten Verarbeitung durch RPA-Werkzeuge weiterhin eine bedeutende Rolle bei der Datenextraktion und Entscheidungsfindung. Im Gegensatz dazu verspricht IPA einen größeren Wert bei der Reduzierung der Kosten für manuelle Arbeit, da es einen Großteil der menschlichen Entscheidungsfindung automatisiert.

Laut Agarwal können ergänzende Technologien Unternehmen bei der Migration von RPA- zu IPA-Implementierungen helfen, darunter Process Mining, Machine Learning, künstliche Intelligenz und Operational-Analytics-Plattformen.

Das RPA- und IPA-Kontinuum

Deven Samant, Director of Enterprise Solutions bei Infostretch, einem Unternehmen für Digital Engineering Solutions, sieht den Wechsel zu IPA als ein Kontinuum, wobei RPA als Grundlage für KI, Machine Learning und Analytics dient, die IPA zur Automatisierung von Geschäftsprozessen beiträgt. „Ohne die Grundlage von RPA gibt es kein IPA“, sagt er.

Samant sieht dieses Spektrum in drei Schlüsselphasen. Immer mehr Unternehmen schaffen digitale Mitarbeiter und automatisieren Geschäftsprozesse, die sehr genau definiert sind. Auf der nächsten Stufe hilft Machine Learning dem System, Entscheidungen zu verstehen und zu operationalisieren. Die dritte Ebene ist die KI, auf der Maschinen anfangen können, Entscheidungen zu treffen, die typischerweise von Menschen getroffen werden.

Die ersten beiden Phasen sind eher prozessorientiert – es geht um die Automatisierung definierter und deterministischer Prozesse. In der dritten Phase befähigen das maschinelle Lernen und die künstliche Intelligenz die Bots, mit einem nicht-deterministischen Verhalten umzugehen. Es geht laut Samant darum, dass eine Maschine nicht über eine Aufgabe, sondern über den Prozess nachdenkt.

Unterstützung für semistrukturierte Daten

Angelo Poulikakos, Geschäftsführer des IT-Beratungsunternehmens Protiviti, erklärt, bei IPA gehe es darum, RPA mit komplementären Technologien wie optischer Zeichenerkennung, Verarbeitung natürlicher Sprache, Datenanalyse und Chat-Interaktionen zu kombinieren, um den Roboter zum Leben zu erwecken. Diese Fähigkeiten erweitern die Arbeit des Roboters und ermöglichen es ihm, unstrukturierte Daten zu lesen, menschliche Sprache zu interpretieren, auf Trends zu achten und Ergebnisse vorherzusagen.

Poulikakos stimmt zu, dass die meisten Organisationen typischerweise mit RPA beginnen, bevor sie sich mit IPA-orientierten Anwendungsfällen befassen. Protiviti hat beispielsweise mehrere Kunden bei der Entwicklung von RPA-Robotern unterstützt, die auf der Grundlage eines genau definierten Zugriffsanfrageformulars und Genehmigungs-Workflows automatisch den Zugriff auf Systeme bereitstellen oder verweigern. Diese Workflows werden üblicherweise mit Unterstützung von Kontrollkästchen und Dropdown-Menüs spezifiziert, um den Benutzer, die Zugriffsebene und den aktuellen Status zu identifizieren.

Nachdem sich ein RPA-Roboter in einer Umgebung stabilisiert hat, kann er über IPA erweitert werden, so dass ein Chatbot den Zugriff oder das Entfernen eines Kontos erleichtern kann. Die Chatroboter können die Absicht eines Benutzers interpretieren, Aktionen auszuführen, die möglicherweise nicht buchstabiert wurden. Zum Beispiel, wenn jemand sagt: „Mary hat die Organisation verlassen. Bitte entfernen Sie ihren Zugang“, würde der Bot die Eingaben sammeln und anschließend den RPA-Roboter auslösen, der einen Workflow einleitet und eine definierte Aktion ausführt. Gleichzeitig speichert er den Gesprächsverlauf, um als Prüfpfad zu dienen.

Von Menschen lernen

Eldon Richards, CTO von Recondo Technology, einer Plattform zur Automatisierung des Umsatzzyklus im Gesundheitswesen, sagt, einer der Hauptunterschiede zwischen RPA und IPA sei die Fähigkeit von IPA, aus Erfahrungen zu lernen. Diese Fähigkeit ist am wichtigsten, wenn ein Prozess oder die zur Unterstützung des Prozesses verwendeten Daten ein hohes Maß an Variabilität aufweisen. Bei RPA muss der Implementierer mit der Variabilität in programmierten Algorithmen oder Regeln vorzeitig umgehen. Bei IPA kann der Umgang mit der Variabilität manchmal automatisch aus der Erfahrung gelernt werden.

Es gibt zwei wesentliche Möglichkeiten, wie sich diese Unterschiede in der Praxis auswirken. Erstens kann IPA dazu verwendet werden, bestimmte Prozesse zu automatisieren, die für RPA-Tools zu arbeitsintensiv sind.

Wenn es eine große Anzahl dieser Fälle gibt – zum Beispiel wenn unerwartete Umstände auftreten, wie fehlende oder ungenaue Informationen oder wenn die Zahlen einen typischen Schwellenwert überschreiten – erfordert die Implementierung von RPA die Entwicklung einer Logik, um jeden einzelnen Fall zu behandeln. IPA kann in solchen Situationen nützlich sein, wenn es möglich ist, von einem erfahrenen menschlichen Akteur zu lernen, der die Prozesse durchführt, solange das IPA-Werkzeug genügend dieser Sonderfälle beobachtet.

Zweitens kann IPA eingesetzt werden, wenn kognitive Fähigkeiten auf höherer Ebene erforderlich sind, um in einem Prozess eine Entscheidung zu treffen. Zum Beispiel kann RPA bei der Ablage von E-Mails wirksam sein, wenn die Ablage auf Attributen wie Absender, Schlüsselwörtern in der Betreffzeile oder darauf beruht, ob die E-Mail einen Anhang hat.

Im Gegensatz dazu beobachtet IPA, welche E-Mails ein Mensch in seinen Spam-Ordner legt und welche sofort beantwortet werden. Dies erlaubt es ihm, eine differenziertere Entscheidung zu treffen.

Zusammenarbeit für RPA und IPA erforderlich

IPA-Projekte können sich auch auf den Nutzen am Arbeitsplatz auswirken, wie zum Beispiel die Erleichterung der Zusammenarbeit zwischen den Data-Science-Teams und den Fachleuten aus der Branche, die über das notwendige Fachwissen über die zu automatisierenden dokumentenbasierten Geschäftsprozesse verfügen.

Abbildung 1: An welche Branchen sich RPA-Technologie richtet.
Abbildung 1: An welche Branchen sich RPA-Technologie richtet.

„Dies führt zu besseren Implementierungen und zur Identifizierung zusätzlicher hochwertiger Anwendungsfälle“, sagt Tom Wilde, CEO von Indico, einer IPA-Plattform für unstrukturierte Inhalte.

Die Hinzufügung einer intelligenten Schicht zu RPA kann eine transformative Wirkung auf Prozesse haben, ebenso wie wenn Organisationen zusammenarbeiten, um bessere Rückkopplungsschleifen für das Training der KI-Modelle zu finden.

„Plötzlich sind die Bots in der Lage, sowohl hochwertige, entscheidungsrelevante als auch sich wiederholende Aufgaben zu bewältigen“, sagt Arvind Jagannath, Director of Product Management bei AI Foundry, einer Plattform zur Automatisierung von Hypotheken.

Die KI-Modelle, die RPA-Entscheidungen vorantreiben, können verbessert werden, wenn Geschäftsanwender und Data Scientists erkennen können, welche Datensätze für die laufende Schulung verwendet werden sollen. Dazu kann die Bewertung der Leistung von Modellen über verschiedene Zeitskalen hinweg gehören.

Auf einer kurzen Zeitskala kann untersucht werden, welche Kredite von Experten genehmigt oder abgelehnt werden – auf einer längeren Zeitskala kann untersucht werden, welche Kredite von Experten genehmigt, aber anschließend nicht mehr gewährt werden, um das Modell weiter zu verfeinern. „Mit mehr Daten können die Modelle zur Entscheidungsfindung genauer und zuverlässiger werden“, sagt Jagannath.

Erfahren Sie mehr über Softwareentwicklung

ComputerWeekly.de

Close