ทั้งหมดทั้งหลายเป็นผลให้เกิดการคาดคะเนฉากทัศน์ (Scenarios) เป็นสี่รูปแบบซึ่งไล่ตั้งแต่แย่ทีสุดไปถึงดีที่สุด (get out human “คนตกงาน สังคมเลวร้าย” – Monday again “คนไม่พัฒนา สังคมเหลื่อมล้ำ” – happy work & life “ประยุกต์คนและเทคโนโลยีเช่น ai ได้สำเร็จ คนพัฒนา มีความสุขในการงาน” – UBI as a Life Funder “ขั้นสูงสุด สังคม เศรษฐกิจ การเมืองสู่ยุคคุณภาพชีวิตสูงสุด”)
องค์กรมีวิธีการคัดเลือกกระบวนการทำงานเพื่อพัฒนาเป็นระบบอัตโนมัติได้ทั้งแบบ top down หรือการวางแผนและเป้าหมายระดับองค์กร ผู้บริหารระดับองค์กรรับทราบและให้การสนับสนุนทรัพยากร มีการจัดลำดับความสำคัญของการพัฒนาระบบ RPA ตามเป้าหมายว่าเรื่องไหนควรหยิบมาทำก่อน กับอีกแบบหนึ่งที่เรียกว่า bottom up โดยมีผู้บริหารระดับหน่วยงาน หรือเจ้าหน้าที่ผู้ปฎิบัติงานเป็นผู้กำหนดความต้องการและขอการสนับสนุนไปยังหน่วยงานไอทีและผู้บริหารระดับองค์กรเพื่อทำโครงการ
ทั้งนี้เครื่องมือหนึ่งที่ผู้บริหารระดับองค์กรและระดับหน่วยงาน รวมถึงเจ้าหน้าที่และคณะทำงานโครงการ RPA สามารถนำมาใช้เป็นแนวทางในการเลือก Process ที่เหมาะสมก็คือ Process Heatmap
Process Heatmap เป็นผังของกลุ่มงานที่แสดงถึงระดับความเหมาะสมและโอกาสประสบความสำเร็จในการพัฒนากระบวนการทำงานให้เป็นระบบ RPA โดยแสดงเป็นความแตกต่างของเฉดสีของแต่ละระดับว่ากลุ่มงานไหนเป็น high potential, medium potential หรือ low potential
ในบทความนี้ผู้เขียนขอกล่าวถึง Process Heatmapที่จัดทำขึ้นสำหรับธุรกิจประกันให้ท่านผู้อ่านรับทราบเป็นตัวอย่างก่อนครับ(Process Heatmap มีทั้งแบบที่แสดงเป็นรายธุรกิจและเป็นรายฟังชั่นงานในองค์กร)
กระบวนการทำงานที่เห็นเป็นสีนำเงินเข้มแสดงกลุ่มงานที่เป็น High Automation Potential กล่าวคือเป็นกระบวนการทำงานที่มีศักยภาพ มีความเหมาะสมกับการพัฒนาให้เป็นระบบงานอัตโนมัติด้วย RPA เนื่องจากมีกฎเกณฑ์การทำงานที่ชัดเจนสามารถสร้างเป็นคำสั่งให้โรบอททำงาน มีปริมาณธุรกรรมสูงใช้เวลามากในการจัดการซึ่งก็หมายถึงประโยชน์สูงที่จะได้รับถ้ากระบวนการทำงานถูกทำด้วยโรบอท มีรูปแบบและขั้นตอนการทำงานที่ซ้ำสำหรับแต่ละธุรกรรม
ผู้ใช้งานที่เป็นมนุษย์จะแก้ไขข้อมูลที่โรบอท extract ออกมาทางด้านซ้ายหรือยืนยันความถูกต้องผ่าน checkbox (ถ้าข้อมูลที่อ่านมาถูกต้องตามเอกสารด้านขวามือ) ในกรณีที่เลือกใช้ ML model extractor เราสามารถกำหนดให้ข้อมูลที่ได้รับการแก้ไขหรือยืนยันแล้วกลับไป train model เพิ่มเติมได้
ในตอนถัดไปซึ่งจะเป็นตอนที่ 3 ของซีรี่การสอนโรบอทให้เข้าใจเอกสาร เราจะไปดูเรื่องการสอนหรือ train โรบอทจริงๆเพื่อให้ได้ ML model extractor ว่ามีขั้นตอนอย่างไรและมี model ไหนที่ได้รับการสอนหรือ pre-trained ไว้แล้ว สามารถหยิบมาใช้ได้เลยครับ
รูปแบบการทำงานร่วมกันระหว่างโรบอทกับคนแบบที่ 3 เรียกว่า “human in the loop” ซึ่งเป็นการกำหนดเงื่อนไขที่ค่อนข้างซับซ้อนแต่จำเป็นเพื่อให้คนเข้ามาเป็นผู้ตัดสินใจเพื่อให้การทำงานสามารถคืบหน้าต่อไปได้
การที่เราทำความเข้าใจกับรูปแบบต่างๆของการทำงานระหว่างโรบอทกับคนจะช่วยให้เราสามารถประเมินความคุ้มค่าและวางแผนการลงทุนได้ดีขึ้น โดยเลือกชนิดของโรบอทที่เหมาะสมกับประเภทของงาน และยังสามารถสร้างความคาดหวังที่ถูกต้องกับผู้ใช้งานได้ เช่นงานบางอย่างสามารถทิ้งไว้ให้โรบอท unattended ทำงานตอนกลางคืนได้ แต่ถ้าเราเลือกใช้เฉพาะโรบอท attended อย่างเดียว งาน back office ที่มีปริมาณมากก็ยังต้องรอให้คนเข้ามาสั่งงานทุกครั้ง ทำให้ผลลัพท์เหมือนไม่ได้ช่วยประหยัดเวลาการทำงานได้มากพอ (ซึ่งถ้าเลือกใช้โรบอท unattended ตั้งแต่แรก อาจแสดงผลลัพท์หรือ ROI ที่น่าประทับใจกว่า)
การทำงานร่วมกันระหว่างคนกับโรบอทพิสูจน์ความจริงได้ข้อนึงครับว่า อย่างไรเสียคนก็จะไม่ถูกแทนที่ด้วยโรบอทอย่างที่หลายคนกังวล จริงอยู่เรามีลักษณะการทำงานแบบ fully automated ที่โรบอททำเองได้หมดตั้งแต่ต้นจนจบ แต่เราก็เห็นตัวอย่างหรือ use case อีกจำนวนมากที่แสดงให้เห็นถึงวิธีการที่คนกับโรบอททำงานร่วมกันโดยใช้จุดเด่นของแต่ละฝ่ายเพื่อให้เกิดผลดีที่สุดต่อกระบวนการทำงานนั้นๆ
จากการประเมินความคุ้มค่าของโครงการ ทีม AP ของบริษัทค้าปลีกแห่งนี้สามารถลดเวลาโดยรวมลงได้ถึง 20% เพื่อที่สมาชิกทีม AP สามารถไปใช้เวลากับเรื่องอื่นที่สำคัญกว่า เนื่องจากเวลาในการจัดการกับใบแจ้งหนี้ลดลงเหลือ 30 วินาทีต่อใบเมื่อเทียบกับ 3-5 นาทีต่อใบก่อนที่จะนำ Document Understanding เข้ามาใช้
ผู้อ่านที่สนใจสามารถติดตามข้อมูลเพิ่มเติมจากบทสัมภาษณ์ของผู้รับผิดชอบโครงการจาก Accelirate Inc. ซึ่งเป็นบริษัทที่ปรึกษาที่พัฒนาโครงการดังกล่าวได้ตามลิงค์วิดิโอด้านล่าง
ในบทความตอนต่อไปของชุด สอนโรบอทให้เข้าใจเอกสาร จะให้ข้อมูลเชิงลึกที่มากขึ้นของ Document Understanding ขอให้รอติดตามทาง blog ของบ.ออโต้แมทนะครับ
แนวคิดไอทีเพื่อสิ่งแวดล้อมกำลังเป็นเรื่องที่ถูกหยิบยกมาคุยในเวทีโลก และเมื่อพิจารณาถึงระบบ automation ในรูปแบบที่จะมาช่วยเติมเต็มในเรื่องนี้จะเห็น use case อยู่พอสมควรอาทิเช่นใช้ระบบบ RPA ตรวจสอบดูสถานะการทำงานของ data center หรือCloud เมื่อมีการถูกเรียกใช้งานน้อย ระบบอาจปิดการทำงานบางอย่างที่มีผลต่อการประหยัดพลังงานไฟฟ้าอย่างมีนัยยะได้ หรือการใช้ RPA low-code มาในกระบวนการที่ต้องใช้กระดาษ (เอกสารในการอนุมัติขั้นตอน) เพื่อประหยัดการใช้กระดาษ หรือไม่ต้องใช้เอกสารใด ๆ ในกระบวนการอีกเลย ทุกอย่างใช้ RPA ทำใน workflow process ทั้งหมดเป็นต้น โดยแนวโน้มนี้จะถูกหยิบยกและหา use case ซี่งจะเป็นวาระหลักในปีต่อๆไปอย่างแน่นอน
Trend #9: ความท้าท้ายของฝ่ายบริหารงานบุคคล เมื่อถึงการมาของ Digital Workforce
Trend #5: ทีม Automation CoEs จะเป็นผู้เชื่อมการใช้ AI เข้ากับ RPA เพื่อยกระดับการใช้งานขึ้นไปอีกขั้น
ปัจจุบันชัดเจนแล้วว่าเมื่อ CoEs ทีมได้นำเอา AI มาควบรวมพลังของ robots นั้นจะเป็นการเพิ่มศักยภาพขึ้นอย่างมากมาย ปลายทางของ AI ในที่นี้คือการเอา model มาทำผ่านระบบ automation แล้วตั้งค่าการทำงานแบบอัตโนมัติ ให้ robotsเข้าถึงข้อมูล และเมื่อต้องการให้มนุษย์ทำการตรวจสอบเพื่อพัฒนาปรับปรุง model ก็สามารถทำได้ไม่ยาก องค์กรใหญ่หรือองค์กรที่มีแนวคิดแบบนี้จะพัฒนาทั้ง RPA + AI ไปได้อย่างเห็นผล รวดเร็ว
Trend #6: ปฎิวัติ RPA ด้วยพลังของ ML model
การประยุกต์งานร่วมกันระหว่าง RPA + AI จะทำให้นักพัฒนาต้องปรับมุมองแค่การเอา robots มาทำงานสั้น ๆ ง่าย ๆโดยจะไม่เหมือนเดิมอีกต่อไปเนื่องด้วยการพัฒนา ML ทำให้โปรแกรมฉลาดขึ้น นักพัฒนาอาจไม่ต้องสอน robot แบบ step-by-step อีกต่อไป ดังตัวอย่างของ Forms AI ในคลิปด้านล่าง มนุษย์แค่สั่ง robot นำเข้าเอกสารชนิดเดียวกันสักเล็กน้อย จากนั้น ML จะคำนวณความเป็นไปได้ และดึงข้อมูลจากเอกสารมาให้มนุษย์ยืนยันว่าที่ ML ดึงมาให้นั้นถูกต้องแค่ไหน จากนั้น ML จะพัฒนาไปเรื่อย ๆ ผ่านเอกสารปริมาณมากที่ไหลเข้า ด้วยการทำงานแบบนี้การทำ OCR ไม่จำเป็นต้องสร้าง template อีกต่อไป เพราะ ML จะมองและแนะนำให้เองว่าเอกสารเป็นประเภทไหน (แต่มนุษย์ยังต้องยืนยันเพื่อพัฒนาความฉลาด) และสุดท้ายนอกจาก robot จะมองเห็น และกระทำให้แล้ว ยัง “เข้าใจ” รูปแบบต่างๆของข้อมูลมากขึ้นอีกด้วย (ในอนาคต)