RPA – หน้า 3

การประยุกต์ใช้ระบบ RPA กับกระบวนการ Know-Your-Customer (KYC)

สวัสดีครับ

กระบวนการรู้จักลูกค้า (Know-Your-Customer or KYC) เป็นมาตรการที่เราคุ้นเคยกันดี เนื่องจากเรามักจะถูกขอให้ชี้แจงข้อมูลส่วนตัวอยู่เสมอเวลาที่ขอเปิดบัญชีเงินฝาก บัญชีซื้อขายหลักทรัพย์หรือกระทั่งการขอความคุ้มครองจากการซื้อกรมธรรพ์ประกันภัย กับสถาบันการเงินอย่าง บริษัทหลักทรัพย์ หรือบริษัทประกันภัย เป็นต้น

KYC จะมาคู่กับคำว่า CDD หรือ Customer Due Diligence ซึ่งเป็นการตรวจสอบข้อเท็จจริงเกี่ยวกับลูกค้า โดยมีกระบวนการประเมินและจัดการความเสี่ยง การติดตามความเคลื่อนไหวทางการเงินก่อนการอนุมัติรับลูกค้า พักหลังเราเลยจะได้ยินคำว่า KYC/CDD มากกว่า KYC เฉยๆ

บริษัทต่าง ๆ โดยเฉพาะบริษัทในกลุ่มสถาบันการเงินมีการใช้ KYC/CDD เพื่อทำความรู้จักและพิสูจน์ตัวตนลูกค้าว่าเป็นบุคคลรายนั้นจริง เพื่อป้องกันการทุจริตจากการปลอมแปลงหรือใช้ข้อมูลบุคคลอื่นในการทำธุรกรรมทางการเงิน รวมถึงเป็นมาตรการป้องกันและปราบปรามการฟอกเงิน และการสนับสนุนทางการเงินแก่การก่อการร้าย หรือการกระทำความผิดอื่น ๆ

ทั้งนี้หน่วยงานที่มีหน้าที่กำกับดูแล เช่น ธนาคารแห่งประเทศไทย สำนักงาน ปปง. สำนักงาน คปภ. เป็นต้น ต่างออกหลักเกณฑ์และข้อปฎิบัติของหน่วยงานภายใต้การกำกับดูแลของตนเองสำหรับการทำ KYC ก่อนการทำธุรกรรมกับลูกค้า รวมทั้งผลที่ตามมาเช่น ค่าปรับ ในกรณีที่บริษัทไม่มีกระบวนการกำกับ ควบคุมและกลั่นกรองการ KYC/CDD ที่เป็นมาตรฐาน

เรียกได้ว่างาน KYC/CDD นี้มีความสำคัญในลักษณะที่เป็นภาคบังคับที่ต้องทำของบริษัทหรือองค์กรที่ถูกกำหนดให้ต้องทำเรื่องเหล่านี้ และการที่ต้องรักษาขั้นตอนการทำงานให้เป็นมาตรฐานอยู่ตลอดเวลาก็ถือเป็นหน้าที่ และภาระของเจ้าหน้าที่ผู้รับผิดชอบที่ใช้เวลากับเรื่องนี้พอสมควร

การทำ KYC หรือ KYC/CDD นี้ สามารถเกิดขึ้นได้ทั้งผ่านระบบออฟไลน์ เช่นการไปทำธุรกรรมที่ธนาคาร เพื่อให้ธนาคารเทียบระหว่างหน้าบัตรกับหน้าจริง ๆ ของเรา หรือว่าทางออนไลน์ที่เรียกว่า E-KYC โดยมักเริ่มต้นด้วยการเก็บข้อมูลพื้นฐานของลูกค้า เช่น ชื่อ เลขประจำตัวประชาชน วันเกิด หรือที่อยู่ บริษัทสามารถให้ลูกค้าของตนเองทำ KYC ได้หลายรูปแบบแล้วแต่ข้อบังคับหรือความจำเป็นทางธุรกิจของแต่ละบริษัท

จากธรรมชาติของงานที่มีเงื่อนไขการทำงานที่ชัดเจน การที่องค์กรต่าง ๆ มีการใช้แอพพลิเคชั่นและช่องทางติดต่อกับลูกค้าแบบออนไลน์ และเป็นข้อมูล digital อยู่แล้วในสัดส่วนที่มาก และมีปริมาณธุรกรรมเป็นจำนวนมาก ทำให้กระบวนการ KYC/CDD มีความเหมาะสมในการนำโรบอทของระบบ Robotic Process Automation (RPA) เข้ามาช่วยทำงาน ส่วนที่ว่าโรบอทต้องทำอะไรบ้างนั้นผมขอใช้ Workflow Diagram ของ UiPath ในการช่วยอธิบายครับ

จาก Diagram ด้านล่าง เราสามารถนำ RPA เข้ามาทำงานในส่วนนี้ได้ตั้งแต่ขั้นตอนแรกคือการติดต่อกับลูกค้าจนถึงการเปิดบัญชีให้ลูกค้าได้ซึ่งเป็น output ของกระบวนการ

สถาบันการเงินที่เป็นธนาคารหรือองค์กรทางการเงินประเภทอื่น ๆ สามารถประยุกต์การทำงานจากขั้นตอนเหล่านี้ได้เหมือนกันโดยเริ่มจาก

Onboarding request: สถาบันการเงินที่มีช่องทางติดต่อหลายช่องทางกับลูกค้าตนเองหรือลูกค้าเป้าหมายจะได้เปรียบเพราะสามารถเปิดโอกาสให้ลูกค้าได้ส่งคำขอเปิดบัญชีได้หลายช่องทางทั้ง online ผ่าน website/Chatbot, ตู้ Kiosk หรือที่สาขา เข้ามาที่ส่วนกลางโดยมีโรบอททำหน้าที่รับข้อมูลที่เข้ามา ระบุจุดที่ข้อมูลมาไม่ครบหรือส่วนของข้อมูลที่น่าจะผิด เราสามารถใช้ทั้งโรบอทแบบ attended หรือ unattended เข้ามาจัดการตรงนี้ ขึ้นอยู่กับช่องทางที่คำขอเปิดบัญชีเข้ามา

2&3 Prove of identity/income verification: ขั้นตอนนี้จะเป็นการตรวจสอบความถูกต้องของเอกสารยืนยัน ตนเองซึ่งก็มักจะเป็นเอกสารที่ออกให้โดยหน่วยงานราชการอย่าง บัตรประชาชน สำเนาทะเบียนบ้าน รวมทั้งเอกสารอื่น ๆ ที่จำเป็นต้องใช้เพื่อแจกแจงที่มาของเงินทุนหรือความสามารถในการลงทุน ในกรณีการเปิดบัญชีด้านการลงทุน ก็ต้องใช้เอกสารอย่าง slip เงินเดือน สมุดปัญชีเงินฝาก ฟอร์ม FATCA เป็นต้น ทั้งนี้การตรวจสอบเอกสารดังกล่าวจะต้องใช้ฟังชั่น Optical Character Recognition (OCR) เข้ามาอ่านข้อมูลให้เป็นข้อมูล digital ก่อนจะนำไป validate เพื่อตรวจสอบความถูกต้องต่อไป

4. Sanction and Politically Exposed Person (PEP) screening: การตรวจสอบสถานภาพบุคคลว่าอยู่ในข่ายที่กำลังถูกแซงชั่น หรือคว่ำบาตรจากการกระทำผิดหรือมีความเสี่ยงเกี่ยวกับสถานภาพทางการเมืองหรือไม่ ในกรณีของประเทศเราสามารถประยุกต์เข้ากับความเสี่ยงของการเกี่ยวข้องกับผู้กระทำผิดหรือติด แบล็คลีสต์ที่เป็นข้อต้องห้ามของการทำธุรกรรม ซึ่งสามารถใช้โรบอทตรวจสอบชื่อหรือข้อมูลส่วนตัวกับฐานข้อมูลผู้กระทำผิดได้

5. Risk rating approval: โรบอทสามารถใช้ข้อมูลทั้งหมดที่ถูกรวมรวมจากขั้นตอนที่ได้กล่าวถึง มาสร้างเป็นโปรไฟล์ของลูกค้านั้น ๆ แล้วส่งต่อเข้ากระบวนการขออนุมัติตามลำดับขั้นของความเสี่ยง (Risk Category) ที่ถูกกำหนดขึ้น

6. Onboarding and account creation: เมื่อคำขอเปิดบัญชีได้รับการอนุมัติแล้ว โรบอทจะสร้างบัญชีของลูกค้าพร้อมข้อมูลต่าง ๆ ที่เกี่ยวข้องกับลักษณะของบัญชีนั้น ๆ ในระบบแอพพลิเคชั่นหลักเช่นระบบ Core Insurance, Core Banking, Loan Application เป็นต้น รวมทั้งการแจ้งผลการอนุมัติแก่ลูกค้าทางอีเมลและเปิดใช้บริการที่ร้องขอต่อไป

กระบวนการ RPA สำหรับงาน KYC/CDD ของสถาบันการเงินสามารถช่วยให้องค์กรประหยัดชั่วโมงการทำงานของเจ้าหน้าที่ลงได้มาก เนื่องจากปริมาณคำขอเปิดบัญชีประเภทต่าง ๆ มีจำนวนมากในแต่ละวัน ซึ่งเป็นผลมาจากการที่สถาบันการเงินต่าง ๆ มีผลิตภัณฑ์ใหม่ๆออกสู่ท้องตลาดอยู่ตลอดเวลา ประกอบกับวิถีชีวิตของประชาชนที่มีความสะดวกเพิ่มขึ้นในเรื่องการคมนาคมและการเชื่อมต่อกับโลกออนไลน์ทำให้การตัดสินใจขอเปิดบัญชีใหม่เป็นเรื่องง่ายและทำได้เร็ว ในขณะที่งาน KYC/CDD เองถือเป็นการปฎิบัติตามกฎของหน่วยงานกำกับดูแลซึ่งไม่ควรให้เกิดข้อผิดพลาดขึ้นได้

ส่วนการเลือกใช้ประเภทของโรบอทว่าควรใช้แบบ attended ในส่วนไหนและ unattended ในส่วนไหนสามารถยึดตาม Diagram หรือปรับใช้สำหรับการทำงานในสภาวะแวดล้อมของเราเองซึ่งขึ้นอยู่กับ ช่องทางการติดต่อกับลูกค้า ข้อจำกัดด้านบุคคลากร ปริมาณธุรกรรมที่มี เป็นต้น

ผมหวังว่าบทความนี้จะเป็นประโยชน์สำหรับทั้งท่านที่กำลังคัดเลือกกระบวนการทำงานเพื่อนำมาเป็นพัฒนาเป็นระบบงานอัตโนมัติไม่ว่าท่านจะมีการใช้งาน RPA อยู่แล้วในองค์กร หรือกำลังประเมินความคุ้มค่าในการเริ่มนำเข้ามาใช้ครับ

แล้วพบกันใหม่ครับ….

Case Studies – THREE (Ireland) กับภารกิจ RPA Heroes

เชื่อว่าหลายๆคนรู้จัก THREE (Ireland) บริษัทเทเลคอมยักษ์ใหญ่ผู้ให้บริการเครือข่ายโดยมีพนักงานมากกว่า 1,400 คน 60 สโตร์ มีลูกค้ากว่า 2.8 ล้านคนในประเทศไอร์แลนด์ (และหลายคนรู้จักเพราะไปเที่ยว UK หรือไม่ก็รู้จักเพราะสัญลักษณ์โลโก้สปอนเซอร์ของสโมสรใหญ่อย่างเชลซีในอังกฤษ)

เรื่องราวเริ่มในปี 2019 ในโดยมองว่าจะเริ่มนำเอาระบบ RPA มาใช้ในหลากหลายแผนกและเมื่อประสบความสำเร็จอย่างรวดเร็วก็เริ่มแผ่ขยายไปสู่กระบวนการอื่นๆ แต่ที่ THREE เลือกใช้เครื่องมือ RPA นำจะนำไปผสานกับแนวคิด Six Sigma (แนวคิดเรื่องการควบคุมคุณภาพกระบวนการ และปรับอย่างต่อเนื่อง) โดยมีทีมงานใน role ต่างๆ เช่น Business Analysts, Developers Testersและ Process Controller จนถึงตอนนี้มี 15 process ที่จัดการงานด้วย robots 5 ตัว ซึ่งหนึ่งใน ตย. ของกระบวนที่ THREE ใช้หุ่นยนต์ทำงานช่วยมนุษย์คือกระบวนการที่ต้องเรียกค้นข้อมูลเพื่อเปรียบเทียบ และนำเสนอข้อเสนอที่ดีทีสุดสำหรับลูกค้าในแต่ละกลุ่ม ข้อมูลต้องไปเรียกค้นจาก Spreadsheet Excel รวมไปถึงระบบ SalesForce และข้อมูลด้านการเงินที่ซับซ้อน โดยคำนวณเวลาเฉลี่ยในกระบวนการนี้มีมากถึง 160 วันการทำงานต่อปี และเมื่อใช้หุ่นยนต์ไปช่วยก็สามารถลดการทำงานไปได้ 52% (82 วัน) ทั้งนี้ยังลดความผิดพลาดจากมนุษย์ไปได้อีกด้วย และทีมยังพัฒนากระบวนต่อยอดไปยัง profit and loss และลดเวลางานสำหรับกระบวนนี้ไปได้อีก 246 ชั่วโมงต่อปี

ยังมีตัวอย่างกระบวนการที่น่าสนใจอย่าง credit application เมื่อลูกค้าสนใจเข้าสมัครเป็นสมาชิกรายเดือนจะมีกระบวนการตรวจสอบข้อมูล มีสองหน่วยงานทำงานร่วมกันทั้ง maker & checker และด้วยหุ่นยนต์กระบวนการนี้ช่วยลดภาระงานไปได้ 1,176 ชั่วโมงต่อปี ตัวอย่างสุดท้ายคือหุ่นยนต์ที่ไปช่วยกรอกข้อมูลเข้าระบบ CRM และเมื่อพิสูจน์ให้ผู้บริหารได้แล้วก็มีการต่อยอดไปจนถึงปี2021 โดยกระบวนที่มีหุ่นยนต์ RPA เข้าช่วยจะลดเวลาการทำงานไปได้ 53,949 ชั่วโมงต่อปี โดยมีถึง 15 กระบวนการโดย robots RPA UiPath (ชื่อเล่น robots ที่ THREE คืออแมนด้า เอมมี่ น้องขิง โอไรออน และเทอรี่ – เค้ามองเป็นผู้ช่วย มองหุ่นยนต์เป็นสมาชิกในทีมไปด้วยเลย) สร้างโปรแกรมที่เป็นมิตร ไม่ทดแทนคนแต่มาช่วยคนทำงานซ้ำซ้อนจนสุดท้ายมีแต่การต้อนรับ การแชร์ประสบการณ์และข้อเสนอแนะที่มีประโยชน์จากผู้ใช้ (มีการสร้าง เดโม่ต้นแบบ 11 กระบวนการสำหรับผู้เริ่มต้น ให้ได้เรียนรู้กัน)

ก่อน การสร้าง และหลังการใช้งานมีการควบคุมดูแลจากทีมงาน มีการใช้ cost-benefit model และ RPA framework สำหรับทุกๆกระบวนการที่ใช้หุ่นยนต์โดยศูนย์กลางจะอยู่ที่ Automation Hub และจากจุดนี้ทีมงานมองไปยังการต่อยอดการใช้งาน RPA ในสองส่วนคือการประยุกต์ใช้ ai กับ Robots messaging และการต่อยอดการใช้งาน robots ด้วยการสร้างจากผู้ใช้งานหรือ Citizen Developer โดยหัวหน้าทีมงานที่ผลักดันยังสรุปไว้ว่าโครงการจะพัฒนาได้อย่างต่อเนื่องต้องได้รับการสนับสนุนจากผู้บริหาร และผู้ใช้ที่จะแบ่งปัน ปรับปรุงให้กระบวนการนั้นดีขึ้นเรื่อยๆ ในรูปแบบของ Six Sigma

Source:

https://www.uipath.com/resources/automation-case-studies/three-ireland-rpa-deployment

Case Studies – Spotify มุ่งสู่นวัตกรรมด้านกระบวนการด้วย RPA (UiPath)

ชื่อของ Spotify คิดว่าทุกคนคงรู้จักว่าเป็นบริษัทสตรีมมิ่งจากประเทศสวีเดน (2006) ซึ่งเป็น tech start up เบอร์ต้นๆของโลกของคนรักเสียงเพลง และหลายๆคนน่าจะเป็นลูกค้าและใช้บริการฟังเพลง podcast อยู่ โดยองค์กรแห่งนี้เพิ่งเติบโตมาไม่นานนักแต่ DNA ที่ขับเคลื่อนไปสู่ความสำเร็จคงไม่พ้นการค้นหานวัตกรรมที่มาช่วยในธุรกิจของเค้า และทำสำเร็จออกเป็นรูปธรรม วันนี้มาดูเคล็ดลับเพื่อเป็นแนวทางที่ใช้แล้วเวิร์คกับ Spotify คือขับเคลื่อนด้วย CoE (Center of Excellence) เพิ่มจำนวนนักพัฒนา Robot จากผู้ใช้งาน (Citizen Developers) และทุกกระบวนการต้องวัดค่า ROI ได้แบบชัดเจน มาดูรายละเอียดกันครับ

อย่างที่กล่าวข้างต้นว่าองค์กรนี้มุ่งมั่นที่จะสรรหานวัตกรรม เครื่องมือใหม่ๆมาช่วยกระบวนการธุรกิจสตรีมมิ่งอยู่เสมอ เค้ามองว่า RPA (Robotic Process Automation) มาปรับใช้โดยเริ่มตั้งแต่ปี 2017 ในการคัดเลือกโดยมุ่งเน้นไปที่การใช้งานการสร้างโปรแกรมโดยการทำ coding robot การรักษาความปลอดภัย การต่อขยายในอนาคต Governance ขององค์กรและมุ่งสร้างให้เกิดทีม service center ทั้งหมดนี้ผ่านทีมงาน CoE ที่จะเป็นผู้กำหนดยุทธศาสตร์ กิจกรรมในระยะกลาง ยาว และเมื่อผ่านการลองผิดถูกไปสักระยะ Spotify เองก็ปรับตัวเองออกจากโปรแกรมมิ่ง robot ไปสู่ platform ที่สร้าง robot ได้ง่ายและเร็วกว่า สร้างด้วยทีมบัญชีการเงิน และทีมอื่นๆได้เลย ทีมที่ถูกกำหนดให้มาเริ่มต้นอาทิเช่น บัญชี การเงิน จัดซื้อ ไอที กฎหมาย และทีมลูกค้าสัมพันธ์

ทีม CoE เองได้เริ่มต้นค้นหา robotic platform ที่เหมาะกับ Spotify จนในที่สุดมาลงตัวกัน UiPath (2019) เป็นผลิตภัณฑ์เดียวที่รองรับการต่อขยายในอนาคต การรักษาความปลอดภัย การเข้ากันได้กันนโยบายไอทีของ Spotify เอง และสุดท้ายคือความง่ายและรวดเร็วในการสร้าง robots โดยทีมงาน CoE ควบคุมทั้งหมดตั้งแต่การพัฒนา การปรับปรุง robot การต่อขยายเพื่อตอบโจทย์องค์กรเพื่อให้สมดุลทั้ง Development & Maintained “Mindset เป็นสิ่งที่สำคัญที่สุด การอัพสกิลพร้อมสำหรับการทำงานกับหุ่นยนต์ และให้ทุกคนมองไปที่ automation 1st ”

ยุคเริ่มต้น Spotify ปรับเปลี่ยนจาก Coding robot มาเป็น UiPath RPA สำหรับ 11 กระบวนการด้านบัญชีก่อน เริ่มเข้าขั้นตอนการเลือกกระบวนการอื่นๆ เข้ามาเพิ่ม เมื่อพร้อมมากขึ้น CoE ก็เริ่มกิจกรรมเพื่อเพิ่ม ขยายศักยภาพ robot โดยมีทางเลือกของUnattened เข้ามา เพิ่มจำนวน robot ด้วยการให้ผู้ใช้งานมีความรู้และพัฒนางานได้ด้วยตัวเอง ระหว่างนี้มีทีมงานจาก PwC U.S. เข้ามาช่วยเสริมทักษะอีกด้วย และยิ่งในช่วงสถานการณ์ covid-19 การฝึกอบรมเพื่อสร้าง RPA training framework เป็นสิ่งสำคัญมาก ๆ

การใช้งาน robot เองก็มีเรื่องราวที่ต้องจัดการอย่างเช่นการบริหารความเปลี่ยนแปลง (change management) ซึ่งสำคัญมากๆ การเอา robot มาช่วยพัฒนาโปรแกรม ทดสอบโปรแกรม test automation และอื่นๆ เพื่อความรวดเร็ว เพิ่มจำนวน robot ที่พัฒนาด้วยผู้ใช้งานเอง ทีม CoE เองก็ออก Guide line สำหรับการพัฒนา robot มาเพื่อเป็นเหมือนไบเบิ้ลสำหรับการเริ่มต้นให้อีกด้วย -ในตัวอย่างเป็น UiPath Studio X สำหรับต้นแบบเพื่อนักพัฒนามือใหม่(มองให้เป็นมาตรฐานเดียวกัน เช่น คุณภาพ การทดสอบ UAT และอื่น) มีการออกเครื่องมือช่วยเหลือสำหรับการทดสอบ การทำ UI, api ออกมาให้อีกด้วย ทีมเรียกตรงนี้ว่า “Test automation” ซึ่งจะกลายเป็นกระดูกสันหลังของการ support RPA development นี้เลย

สุดท้ายคือการประเมินผลความสำเร็จที่สะท้อนถึงเครื่องมือที่มาช่วยประหยัดแรงงานมนุษย์ ทีมงาน CoE ให้ความสำคัญด้านนี้มากและไม่มองแค่จำนวนเชิงปริมาณที่เพิ่มของกระบวนการ แต่มองที่ “คุณค่าเชิงธุรกิจ” ROI ไม่ได้มองแค่ด้านการประหยัดเวลา จำนวนชั่วโมง แต่วัดเรื่องความถูกต้องแม่นยำ ความพึงพอใจพนักงานโดยทีมสร้าง visualization dashboard มาแชร์และโชว์กันเลยทีมเดียว ทั้งนี้ทีมไม่ได้หยุดนิ่งแค่นี้ ทีม CoE ยังได้ศึกษาเพิ่มเติมเกี่ยวกับระบบใหม่ๆ อาทิ process mining, test suite, document understanding ซึ่งเป็นการนำเอา ai มาช่วยเพิ่มศักยภาพของ RPA อีกด้วย โดยในปัจจุบัน Spotify มีจำนวนหุ่นยนต์มากกว่า 100ตัว ช่วยประหยัดจำนวนชั่วโมงไปมากกว่า 45,000 ชั่วโมง จำนวนนักพัฒนา robot มากกว่า 100 คน ซึ่งนับเป็นองค์กรที่ประสบความสำเร็จกับการนำ RPA มาใช้อย่างแท้จริง

Source:

https://www.uipath.com/resources/automation-case-studies/spotify-expands-commitment-automation

https://www.rpamaster.com/how-and-why-spotify-built-its-citizen-developer-program-with-help-of-uipath-pwc/

สอนโรบอทให้เข้าใจเอกสาร ตอนที่ 2 – Combining Intelligent Document Processing with RPA

สวัสดีทุกท่านอีกครั้งครับ

เรายังอยู่ในซีรี่การสอนโรบอทให้เข้าใจเอกสารซึ่งในตอนที่แล้ว เราได้พูดถึงเทคโนโลยี Intelligent Document Processing (IDP) ที่มีการนำ AI เข้ามาเสริมการใช้งานของฟังชั่น OCR และทำให้โรบอทสามารถอ่านข้อมูลจากเอกสารได้หลากหลายชนิดมากขึ้นทั้งเอกสารที่เป็นแบบ semi-structured และแบบ unstructured ผ่านการนำ machine learning models เข้ามาวิเคราะห์รูปแบบของเอกสาร นอกเหนือไปจากการอ่านข้อมูลของเอกสารแบบ structured ที่ OCR ทำได้อยู่แล้ว

ในตอนที่ 2 นี้ เราจะมาลงในรายละเอียดเพิ่มเติมสำหรับบางขั้นตอนที่สำคัญของงาน IDP อย่าง

การ classify ชนิดของเอกสาร
การ extract ข้อมูลจากตัวของเอกสาร
และการทำ validation ข้อมูลที่อ่านออกมาโดยผู้ใช้งาน เพื่อแก้ข้อมูลที่อ่านผิดและช่วยเหลือโรบอทให้พัฒนาการอ่านให้แม่นยำขึ้น

ส่วนขั้นตอนทั้งหมดของงาน IDP ผมได้อธิบายไว้ในตัวอย่างการอ่านข้อมูลจากใบแจ้งหนี้ของบทความที่แล้ว ท่านที่สนใจสามารถย้อนกลับไปอ่านในบทความตอนที่ 1 ได้ครับ

การ classify ชนิดของเอกสาร

เพื่อให้การนำ IDP มาใช้กับระบบอัตโนมัติที่เกี่ยวข้องกับเอกสารในองค์กร้เกิดความคุ้มค่า ระบบ IDP ควรจะต้องถูกใช้กับเอกสารหลายชนิดเพื่อลดงาน manual ในการ key ข้อมูลจากเอกสารเข้าระบบให้มากที่สุด การ classify ชนิดของเอกสารจะเกิดขึ้นเมื่อเรามีเอกสารที่ต้องการอ่านมากกว่า 1 ชนิด เช่นในกระบวนการสรุปยอดค่าใช้จ่ายที่ต้องรวบรวมทั้ง ใบเสร็จ ใบกำกับภาษี ใบรับรองแพทย์ บิลน้ำมัน ฯลฯ ซึ่งโรบอทต้องเข้าใจว่าเอกสารที่ตัวเองกำลังอ่านอยู่นั้น เป็นเอกสารชนิดใด

หรือในกรณีที่เราต้องการอ่านข้อมูลจากเอกสารเพียงบางหน้าเท่านั้นจากชุดเอกสารหลายหน้าที่ถูกส่งเข้ามา ซึ่งในกรณีนี้ เอกสารทั้งชุดต้องถูก classify เพื่อแยกเฉพาะหน้าที่โรบอทต้องอ่านข้อมูลออกจากหน้าอื่นในชุดเอกสารที่เหลือ

รูปภาพด้านล่างแสดงลักษณะการ classify เอกสารออกเป็นชนิดต่างๆของ UiPath Document Understanding ด้วยตัวคัดแยกหรือ classifier ที่ชื่อ Intelligence keyword Classifier ซึ่งจะให้ค่าระดับความเชื่อมั่นหรือ Confidential Level ในการ classify ชนิดหรือประเภทเอกสารมาด้วย เราสามารถใช้ค่าความเชื่อมั่นนี้มากำหนดเป็น threshold สำหรับเปิดหน้าจอValidation Station ให้ผู้ใช้งานที่เป็นมนุษย์เข้ามาแก้ไขหรือยืนยันความถูกต้องของการ classify โดยโรบอทได้ ซึ่งจากรูปภาพ ถ้าผู้ใช้งานพบว่าโรบอท classify เอกสารไหนผิด ก็สามารถทำการ drag and drop เอกสารไปอยู่ในกลุ่มที่ถูกต้องได้

ตัวคัดแยกหรือ classifier นี้มีให้เลือกใช้ได้หลายชนิดทั้งแบบที่ใช้ keyword กำหนดค่าตรงๆจากตัวอักษรบนเอกสารและแบบที่ต้องมองกลุ่มคำหรือรูปแบบข้อความในเอกสารเพื่อใช้เป็นเกณฑ์การจำแนกประเภท

UiPath Document Understanding – classifier

การ extract ข้อมูลจากตัวของเอกสาร

โรบอทใช้ extractor ในขั้นตอนการอ่านข้อมูลจากเอกสาร จากบทความตอนที่แล้ว ข้อมูลที่ยังไม่เป็น digital เช่นเอกสารกระดาษที่ถูกสแกนเป็นไฟล์รูปภาพ จะถูกทำให้เป็น digital ด้วย OCR เพื่อให้โรบอทอ่านได้ จากนั้นจึงเป็นการ classify เอกสารให้ตรงประเภทเพื่อที่ข้อมูลจะถูก extract ด้วย extractor ตามตำแหน่งและตาม field ที่กำหนดไว้อย่างถูกต้อง

ใกล้เคียงกับการเลือก classifier เรามี extractor หลายตัวให้เลือกใช้ขึ้นอยู่กับรูปแบบเอกสารและ field ที่โรบอทต้องการอ่าน ยกตัวอย่างเช่น ถ้าเป็นฟอร์มที่มีลักษณะตายตัว มีข้อมูลที่อยู่ในตำแหน่งเดียวกันทั้งเอกสารไม่ว่าจะมีกี่แผ่นก็ตามอย่างเช่น แบบฟอร์มเคลมประกัน เราสามารถใช้ Form Extractor ได้ แต่ถ้าเรามีเอกสารที่เป็นลักษณะ semi-structured อย่างใบแจ้งหนี้ (Invoice) ที่มีทั้งส่วนที่ค่อนข้างคงที่อย่างส่วนต้นเอกสารซึ่งประกอบด้วยเลขที่ใบแจ้งหนี้ วันที่ ชื่อบริษัท และส่วนที่ไม่ค่อยคงที่อย่างส่วนตารางที่ระบุชนิดและจำนวนของผลิตภัณฑ์หรือบริการที่เราซื้อมา อีกทั้งมีความต่างกันในแต่ละเจ้าหนี้ เราสามารถใช้ ML Extractor มาช่วยวิเคราะห์รูปแบบและตำแหน่งบนเอกสาร

รูปภาพด้านล่างแสดงการกำหนด extractor ให้อ่านเอกสารแบบต่างๆที่เราต้องการข้อมูล เราสามารถใช้ extractor มากกว่าหนึ่งตัวต่อหนึ่งเอกสารได้ เช่น ใช้ Intelligence Form Extractor สำหรับอ่าน field ที่เป็นลายมือเขียนหรือช่องลายเซ็นต์ และใช้ extractor แบบอื่นเพื่ออ่านส่วนที่เหลือของเอกสาร เป็นต้น

UiPath Document Understanding labelling and extractor

ระบบจะเลือก extractor ตามลำดับจากซ้ายไปขวาถ้าค่า confident ไม่ได้ตามที่ตั้งไว้หรือเลือกโดยค่าที่กำหนดผ่าน checkbox ตามภาพ ถ้าโรบอทอ่านข้อมูลได้เกินระดับความเชื่อมั่นหรือ threshold ที่กำหนด ข้อมูลจะถูกส่งต่อไปยังส่วนอื่นๆของกระบวนการทำงานตามที่ออกแบบไว้ แต่ถ้าค่าที่อ่านได้ต่ำกว่าค่า threshold เราสามารถออกแบบให้มีการใช้คนเข้ามา validate ข้อมูลก่อนนำไปใช้

การทำ validation ข้อมูลที่อ่านออกมาโดยผู้ใช้งาน

โรบอทจะ extract ข้อมูลจากเอกสารพร้อมกับให้ค่าระดับความเชื่อมั่นหรือ Confidential Level ว่าโรบอทมั่นใจกับค่าที่อ่านได้แค่ไหน เราสามารถกำหนดเป็น threshold ให้ระบบเปิด Validation Station ขึ้นมาให้ผู้ใช้งานที่เป็นมนุษย์เข้ามาแก้ไขหรือยืนยันการอ่านค่าของ extractor ตามรูปภาพด้านล่าง

UiPath Document Understanding – **validation**

ผู้ใช้งานที่เป็นมนุษย์จะแก้ไขข้อมูลที่โรบอท extract ออกมาทางด้านซ้ายหรือยืนยันความถูกต้องผ่าน checkbox (ถ้าข้อมูลที่อ่านมาถูกต้องตามเอกสารด้านขวามือ) ในกรณีที่เลือกใช้ ML model extractor เราสามารถกำหนดให้ข้อมูลที่ได้รับการแก้ไขหรือยืนยันแล้วกลับไป train model เพิ่มเติมได้

ทั้งนี้การที่เราสามารถเลือกใช้เครื่องมือที่เหมาะสมสำหรับงาน IDP ในแต่ละขั้นตอนตั้งแต่

การเลือก OCR Engine ที่แปลงข้อมูลรูปภาพเป็น digital ได้อย่างถูกต้องตามรูปแบบและคุณภาพเอกสาร
การใช้ classifier ที่เหมาะสมในการจำแนกชนิดเอกสาร
การเลือกใช้ extractor ตามชนิดเอกสารและ field ที่ต้องอ่านข้อมูล

จะทำให้คุณภาพของข้อมูลที่อ่านได้มีความถูกต้องแม่นยำขึ้น ไม่เป็นภาระให้ผู้ใช้งานต้องมา verify ความถูกต้องของข้อมูลที่โรบอทอ่านมากจนเกินไป

ผมหวังว่าบทความทั้ง 2 ตอนนี้สามารถให้ภาพแก่ท่านผู้อ่านว่าเราสามารถก้าวข้ามอุปสรรคหลายอย่างที่เกิดขึ้นอดีต ในการนำข้อมูลจากเอกสารขององค์กรมาใช้ในงาน RPA ได้หลากหลายชนิดขึ้น แม่นยำขึ้น ด้วยการใช้ AI เข้ามาเสริมการทำงานแบบ rule-based ที่ยังต้องมีอยู่

ในตอนถัดไปซึ่งจะเป็นตอนที่ 3 ของซีรี่การสอนโรบอทให้เข้าใจเอกสาร เราจะไปดูเรื่องการสอนหรือ train โรบอทจริงๆเพื่อให้ได้ ML model extractor ว่ามีขั้นตอนอย่างไรและมี model ไหนที่ได้รับการสอนหรือ pre-trained ไว้แล้ว สามารถหยิบมาใช้ได้เลยครับ

แล้วพบกันครับ

Source: UiPath Document Understanding

ปัจจัยแห่งความสำเร็จของ Intelligent Automation Transformation

แป๊บๆจะหมดไปอีกหนึ่งเดือนแล้ว นาฬิกาหมุนเร็วจริงๆครับ เมื่อโลกเทคที่เกี่ยวข้องกับการทำงานของพวกเราหมุนเร็ว เราเองก็น่าจะต้องเข้าใจ ปรับตัวตามกันไปนะครับมาอ่าน RPA blog พร้อมคำแนะนำเสริมของแอดมินเกี่ยวกับเรื่องปัจจัยสู่ความสำเร็จในการทำ “ระบบอัตโนมัติอัจฉริยะ” หรือ Intelligent Autoamtion กันครับ คำๆ นี้มันไปมากกว่าการ implement automation ในองค์กรเป็นเรื่องๆไป แต่หมายความถึงการยกระดับองค์กรให้ใช้ automation อย่างเต็มรูปแบบนั่นเองครับ มาดูกัน

Critical Success Factors (CSF) หรือ ปัจจัยแห่งความสำเร็จ มีหลายๆด้านเช่น การสนับสนุนจากผู้หลักผู้ใหญ่ การวางแผนล่วงหน้ารองรับอนาคต การจัดตั้งทีมงานดูแลเบ็ดเสร็จ และสุดท้ายคือการปรับเปลี่ยนวัฒนธรรมองค์กร (เรื่องใหญ่เลย) ทั้งนี้กว่าจะไปถึงเราจะพบอุปสรรคมากมายอาทิ การต่อต้านจากคนที่ไม่เห็นด้วย (ไม่ชอบเปลี่ยนแปลง) การพัฒนาทักษะที่ไม่ทันการณ์ ข้อมูลขยะล้นองค์กร บุคลากรที่ขาดแคลนเป็นต้น เยอะนะครับแต่อย่าเพิ่งท้อเพราะเมื่อเราก้าวข้ามเรื่องพวกนี้ไปได้เราจะพบกับทะเลใหม่คือ การลดต้นทุนองค์กร (ในกระบวนการต่างๆ) แบบมหาศาล การลดการคดโกงในทุกรูปแบบ ความพึงพอใจของลูกค้าที่เพิ่มจากกระบวนการ touch point ต่างที่เร็วขึ้น ทั้งนี้รวมไปถึงขวัญกำลังใจของผู้ปฎิบัติงานด้วย (work-life balance) ดีงามเพราะมีเครื่องมือ robot มาช่วยเป็นต้น… มาดูกันว่าเค้าว่ามี CSF ข้อไหนบ้าง

การสนับสนุนแบบไม่มีเงื่อนไขจากทางผู้บริหาร – แน่นอนว่าเรื่องใหญ่แบบนี้ เบอร์หนึ่งต้องลงมาเล่นเอง เพราะเราจะได้รับการสนับสนุนทั้งแผน ทั้งทรัพยากรบุคคล เงินทุนต่างๆ (อันนี้สำคัญมากๆ) ถ้าจะลุยด้วยแผนกไอทีและไม่ได้รับการหนุนจากผู้ใหญ่ ความผิดหวังรอคุณอยู่

แผนงานที่ครอบคลุมและยืดหยุ่น ขยายได้แบบไม่มีขอบเขต – ให้เริ่มจากการ “คิดใหญ่” มองภาพรวมในการทำแผน แต่ตอน implement ทำให้เล็กและประสบผลสำเร็จได้ไว วัดผลได้ชัดและขยายความสำเร็จออกไปได้ ทำแบบนี้องค์กรต้องมีการวางแผนอย่างดี (ประเมินกระบวนการ กำหนดแนวทาง จัดลำดับความสำคัญก่อนหลัง และการวัดความสำเร็จที่ชัดเจน)

ปรับเปลี่ยนกระบวนการ โดยมีทีมงานที่รับผิดชอบโดยตรง (COE หรือ center of excellence) – ด้วยการที่เรื่องนี้ไม่ได้เกี่ยวข้องเพียงเรื่องเทคโนโลยี และพัวพันไปถึงกระบวนการทางธุรกิจทุกฝ่าย จึงต้องร่วมกันวางแผนในส่วนต่างๆให้ชัดเสียแต่แรก การวางแผนเพื่อรับการเปลี่ยนแปลง การพัฒนาทักษะดิจิตอลให้พนักงาน ออกแบบกระบวนงานเพื่อรองรับการทำ automation สิ่งเหล่านี้ต้องทำแต่แรก กำหนดข้อปฎิบัติ กฎเกณฑ์ให้เรียบง่ายชัดเจนคลุมทั้ง business และ IT คำแนะนำในที่นี้คือ ติดตั้งทีมงาน CoE ในการทำเรื่องราวเหล่านี้

และเมื่อมีการก่อตั้ง CoE ขึ้นมา (รวบรวมเหล่าอเวนเจอร์จากหน่วยงานต่างๆ) สิ่งเหล่านี้คือหน้าที่หลักๆครับ

กำหนดแผน แนวทางออกมาเป็น framework หรือ roadmap ให้เดินตาม
คัดเลือก จัดสรร แบ่งปัน บริหารจัดการ บำรุงรักษาเครื่องมือต่างๆ ทั้ง software, hardware
นำเข้าเทคโนโลยีใหม่ๆเข้ามาใช้อย่างเหมาะสม รองรับอนาคต และให้อยู่ใน roadmap ที่วางเอาไว้

มองเป็นการเดินทางที่ยาวไกลที่ต้องเตรียมพร้อม – ต้องพร้อมทั้งแผนงานระยะยาว กำหนดทรัพยากรเอาไว้แต่ต้น IA (Intellignent Automation) ไม่เป็นเพียงโครงการระยะกลางที่ทำสำเร็จแล้วก็จบ แต่เป็นการพัฒนาปรับปรุงไปตามโลกธุรกิจที่ทุกวันนี้กระบวนการเปลี่ยนแปลงเร็วตามปัจจัยภายนอกต่างๆ รวมไปถึงเทคโนโลยีก็ปรับเปลี่ยนเร็วไปด้วย การวางแผนควรมองเป็นการเดินทางไกล ต้องมีเสบียงเพียงพอ ต้องมีการกำหนดเข็มทิศการเดินให้ชัด จัดตั้งทีมงาน CoE เฟ้นหาดาวรุ่งในโครงการเสียแต่เนิ่นๆ และเน้นหาคนในองค์กร์ที่พร้อมก่อนการหาหรือไปเพิ่งพา vendor ภายนอกไปเสียทั้งหมด

วัฒนธรรมองค์กรใหม่ รองรับการทำ digital workforce – ทุกวันนี้ผู้ปฎิบัติงานเองก็ต้องปรับตัวเพื่อรับการเปลี่ยนแปลง หากมีการสื่อสารที่ดี การเตรียมคอร์สฝึกอบรมพัฒนาทักษะที่ดี การจูงใจจะเป็นได้อย่างง่ายดาย ผู้คนจะมองเป็นโอกาสมากกว่าและไม่ต่อต้าน ทั้งนี้อยู่ที่ทีม CoE จะสามารถสื่อสารเพื่อให้ทราบว่าระบบ automation จะมาช่วยลดภาระงาน ไม่ได้มาทดแทน สือสารเชิงลึกและดึงคุณค่าของผู้ปฎิบัติงานเมื่อต้องทำงานคู่กับหุ่นยนต์ งานสร้างสรรค์ทั้งหมดจะตกไปสู่ผู้ปฎิบ้ติงานซึ่งจะเห็นคุณค่าอย่างชัดเจน (การตัดสินใจ การโน้มน้าวลูกค้า การจัดการความขัดแย้ง เป็นต้น) และแน่นอนว่าจะมีคนที่ไม่ได้ไปต่อซึ่งองค์กรก็ต้องเตรียมแผนในเรื่องนี้เอาไว้ด้วย

สุดท้ายคือการแบ่งบันอย่างเท่าเทียม ให้ทุกฝ่ายได้ออกเสียง ส่งความต้องการ การเข้าถึงและใช้งานระบบ automation ทั้งนี้ไปจนถึงการประยุกต์ใช้ low-code, no-code และการสร้าง Citizen Developer for RPA อีกด้วย ทั้งนี้แอดมินจะนำมาเล่าในบทความต่อๆไปครับ

Sources:

UiPath Blog (https://www.uipath.com/blog/digital-transformation/intelligent-automation-transformation-success-factors)
Amazon book (INTELLIGENT AUTOMATION: Learn how to harness Artificial Intelligence to boost business & make our world more human)

เมื่อคนและหุ่นยนต์ประสาน ทำงานร่วมกัน (Human-Bot Collaboration)

สวัสดีปีใหม่ 2565 ครับ

ประเด็นหนึ่งที่มักถูกนำมาพูดคุยเวลาที่ทีมงานเราได้มีโอกาสพบปะพูดคุยกับลูกค้าหรือผู้ที่มีความสนใจในการนำระบบ RPA เข้ามาใช้ในองค์กรคือ โรบอทสามารถทำงานแทนคนได้แค่ไหน ทำได้หมดเลยหรือแค่บางส่วน ผมคิดว่าเรื่องนี้น่าจะมีประโยชน์ถ้านำมาเล่าในบทความนี้

ก่อนอื่นต้องเข้าใจก่อนว่าเราสามารถแยกประเภทของโรบอทตามรูปแบบของการทำงานได้ 2 แบบคือ

Attended
Unattended

โรบอทประเภท attended ที่ทำงานเหมือนเลขาส่วนตัวของเรา ติดตั้งอยู่บนเครื่องคอมพิวเตอร์ของเราเอง โดยมีตัวเราเป็นผู้ออกคำสั่งให้ทำงานต่างๆแทนเรา เช่น ร้บส่งอีเมล ทำรายงาน นำข้อมูลเข้าระบบ เป็นต้นและโรบอทประเภท unattended ที่ทำงานได้เองโดยไม่ต้องมีคนสั่ง โดยมากมักเป็นงานในฝั่ง back office เช่นบัญชี ออกสัญญาเช่าซื้อ ออกกรมธรรม์ ที่มีปริมาณมาก ใช้เวลานานในการทำ โดยอาจนานกว่าขั่วโมงการทำงานปกติของผู้ที่เป็นพนักงาน

เรายังสามารถนำโรบอททั้งประเภท attended และunattended เข้ามาทำงานร่วมกันเกิดเป็นกระบวนการทำงานที่เรียกว่า hybrid ที่มีคนสั่งงานโรบอท attended ทำงาน โดยมีโรบอทประเภท unattended ทำงานบางอย่างอยู่เบื้องหลัง

คำถามที่ว่าโรบอทสามารถทำงานแทนคนได้แค่ไหน หรือคนสามารถทำงานร่วมกับโรบอทได้แค่ไหน สามารถอธิบายด้วยรูปแบบการทำงานหรือ scenario ดังต่อไปนี้ครับ

รูปแบบการทำงานแบบแรก คือการที่โรบอทประเภท unattended ทำงานเองทั้งหมดหรือที่เรียกว่า “fully automated” โดยโรบอทหนึ่งตัวหรือมากกว่าหนึ่งตัวจะถูกติดตั้งบนเครื่อง back office server ซึ่งมีเจ้าหน้าที่แอดมินเป็นผู้จัดสรรทรัพยากรต่างๆ เช่น workload ตามจำนวนโรบอทที่มี หรือ schedule การทำงานของโรบอทแต่ละตัวให้สอดคล้องกับกระบวนการทำงาน

ตัวอย่างของกรณีนี้เช่น บริษัทชั้นนำด้านการเงินแห่งหนึ่งต้องมีการรวบรวมข้อมูลด้านยอดขายจากหน่วยธุรกิจและสาขาของบริษัทในแต่ละประเทศ โดยดึงจากระบบแอบพลิชั่นองค์กรอย่างระบบ CRM, ระบบ ERP รวมทั้งฐานข้อมูลด้านการขายทั้งหมด แล้วนำมาจัดเป็นหมวดหมู๋ เรียงลำดับ ตรวจสอบความถูกต้องสำหรับทำเป็นเวอร์ชั่นสุดท้ายก่อนนำส่งให้ผู้บริหารระดับสูง

การทำงานรูปแบบนี้ โรบอทประเภท Unattended สามารถทำงานได้เองทั้งหมดตั้งแต่ต้นจนจบ โดยไม่ต้องมีพนักงานเข้ามามีส่วนร่วม ทำให้งานทั้งหมดเสร็จด้วยความรวดเร็วและถูกต้อง

รูปแบบการทำงานถัดมาเรียกว่า “partially automated” หรือ “partially unattended” ซึ่งจะแบ่งการทำงานกันโดยให้โรบอททำงานที่มีลักษณะซ้ำๆ มีกฎเกณฑ์ มีปริมาณมากซึ่งโรบอทจะทำได้ดีกว่าคน และเมื่อโรบอททำงานของตัวเองเสร็จแล้ว ก็ส่งต่อให้คนทำต่อในเรื่องที่ต้องมีการวิเคราะห์หรือตัดสินใจ ซึ่งเป็นเรื่องที่คนทำได้ดีกว่า

รูป flow การทำงานด้านล่างแสดงการทำงานในลักษณะ partially automated ของกระบวนการประเมินมูลค่าสินทรัพย์เช่นที่ดิน โรงงาน ซึ่งเริ่มจากพนักงานต้องคัดเลือกผู้ประเมินที่เหมาะสมมีประสบการณ์ กำหนดขอบเขตการประเมิน รวบรวมข้อมูลที่เกี่ยวข้องให้ครบตามเงื่อนไข จากนั้นส่งต่อให้โรบอททำการคำนวนและประเมินมูลค่าสินทรัพย์แต่ละรายการ ซึ่งเดิมพนักงานเป็นผู้ทำและใช้เวลามาก อีกทั้งยังมีข้อผิดพลาดระหว่างทางเกิดขึ้น โดยมีการตั้งเงื่อนไขให้โรบอทแจ้งพนักงานให้ทราบเพื่อเข้ามาช่วยในกรณีที่เกิดปัญหา

รูปแบบการทำงานร่วมกันระหว่างโรบอทกับคนแบบที่ 3 เรียกว่า “human in the loop” ซึ่งเป็นการกำหนดเงื่อนไขที่ค่อนข้างซับซ้อนแต่จำเป็นเพื่อให้คนเข้ามาเป็นผู้ตัดสินใจเพื่อให้การทำงานสามารถคืบหน้าต่อไปได้

รูป flow การทำงานด้านล่างแสดงขั้นตอนของกระบวนการทำงานที่เราคุ้นเคยกันดีคือ invoice processing ซี่งถึงแม้จะมีการนำเทคโนโลยี OCR เข้ามาเป็นใช้อ่านข้อมูลจาก non-digital document ให้เป็น digital แล้วก็ยังต้องให้คนเข้ามาช่วยตรวจสอบความถูกต้องของค่าที่อ่านได้ ซึ่งขึ้นอยู่กับหลายปัจจัยด้วยกัน

เราเรียกรูปแบบถัดมาหรือรูปแบบที่ 4 ว่า “attended in tandem” หรือการทำงานคู่ขนานกันไปทั้งโรบอทและคน กรณีที่ชัดเจนของรูปแบบนี้คือการทำงานของเจ้าหน้าที่ call center ซึ่งในอดีตนั้น เจ้าหน้าที่ call center ที่กำลังพูดสายกับลูกค้าอยู่ต้องผละจากการสนทนาไปค้นหาข้อมูลเพื่อกลับมาชี้แจงหรือแก้ปัญหาให้ลูกค้า ทำให้ใช้เวลานานต่อการให้บริการลูกค้าแต่ละราย

แต่จากตัวอย่าง flow การทำงานด้านบน เจ้าหน้าที่สามารถสนทนากับลูกค้าได้อย่างต่อเนื่องพร้อมกับออกคำสั่งให้โรบอท attended สืบค้นข้อมูลในระบบต่างๆที่เกี่ยวกับการให้บริการลูกค้า ทำให้กระบวนการทำงานโดยรวมมีประสิทธิภาพเพิ่มขึ้นมาก นอกจาก call center แล้ว การทำงานระหว่างคนกับโรบอท attended ยังสามารถแยกย่อยออกไปได้อีกหลายแบบ เช่นแบบ event-driven ที่โรบอทสามารถเริ่มทำรายงานค่าใช้จ่ายทันที่ที่เราอัพเดทข้อมูลในระบบบัญชีแล้วเสร็จเป็นต้น

ตัวอย่างอีกลักษณะหนึ่งเรียกว่าแบบ “hybrid” ที่ได้เกริ่นไว้ช่วงแรกว่า เป็นการนำโรบอททั้งแบบ attended และ unattended เข้ามาทำงานร่วมกัน เช่น พนักงานขายเป็นผู้เริ่มสั่งให้โรบอท attended รวบรวมข้อมูลเบื้องต้นที่จำเป็น จากนั้นโรบอท attended ก็ส่งงานต่อให้โรบอท unattended ทำงานส่วนต่อไปที่ต้องมีการขอข้อมูลจากหลายแหล่งเพื่อใช้เตรียมเป็นรายงานสรุปยอดขายให้ผู้บริหาร

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

เมื่อปี 2020 มีบทวิเคราะห์ของ IDC ที่ตีพิมพ์ผลสำรวจของงานที่พนักงานออฟฟิศใช้เวลามากและอยากให้โรบอทเข้ามาช่วยทำงาน เช่น การเข้าหน้าจอและส่งข้อมูลผ่านหลายแอปพลิเคชั่น (42%), การจัดการงานเอกสารและธุรการ (32%), การเตรียมข้อมูลเพื่อการวิเคราะห์ (30%) โดยกว่า 70% ของพนักงานที่สำรวจพร้อมที่จะเปิดรับและเรียนรู้การทำงานร่วมกับโรบอท โดยยังมีพนักงานบางส่วนที่กังวลว่างานของตนเองจะหายไปหรือขนาดของทีมงานจะลดลงจากการเข้ามาของโรบอท

อีกเรื่องหนึ่งที่อยากพูดถึงคือรอยต่อระหว่างการทำงานของคนกับโรบอทซึ่งเป็นตัวกำหนดความ smooth ของการทำงานร่วมกันว่าดีแค่ไหน ซึ่งสำหรับประเด็นนี้ เจ้าของผลิตภัณฑ์หรือ software vendor ชั้นนำจะมีการนำเทคโนโลยี low-code เข้ามาใช้เพื่อสร้างฟอร์มหรือแอปพลิเคชั่นที่ใช้เป็นหน้าจอการทำงานร่วมกันเวลาส่งต่องาน (hand off) ระหว่างคนและโรบอทได้อย่างรวดเร็วสอดคล้องกับเวลาเฉลี่ยในการพัฒนาระบบ RPA

เราลองนึกภาพตามครับ ถ้าเราพัฒนาระบบ RPA แต่ละส่วนเสร็จแล้วแต่ยังต้องรอการเขียนหน้าจอเพื่อการทำงานร่วมกันซึ่งต้องมีการต่อเชื่อมหรือการทดสอบระบบ หรือถ้าไม่มีหน้าจออะไรเลยก็ต้องติดตามการทำงานด้วย excel และ email notification ซึ่งมีประสิทธิภาพน้อยกว่า

เรื่องนี้ถ้ามีโอกาสทางเราจะนำมาเขียนเป็นบทความอีกครั้งครับ

Sources:

IDC Robot for Every Worker Survey 2020
UiPath Inc

สอนโรบอทให้เข้าใจเอกสาร #1 – Combining Intelligent Document Processing (IDP) with Robotic Process Automation (RPA)

ถ้าผมถามท่านผู้อ่านบทความที่มีการนำระบบ RPA มาใช้ในองค์กรของท่านแล้วว่า มีใครบ้างที่ไม่เคยคิดถึงหรือไม่ได้นำคุณสมบัติการอ่าน หรือสกัดข้อความจากเอกสารมาเป็นข้อมูลรูปแบบดิจิตอล (Text) ส่วนหนึ่งของโครงการ RPA ผมขอเดาว่าคำตอบคงมีไม่มากนักที่ไม่ได้คิดถึงเลย อันนี้นับรวมทั้งผู้ที่ได้ทำไปแล้วหรือกำลังวางแผนที่จะทำในเฟสถัดไปนะครับ

ที่คิดอย่างนี้ก็เพราะว่าปัญหาอย่างหนึ่งที่แทบทุกธุรกิจต้องประสบก็คือการจัดการกับเอกสาร (paper work) ในแต่ละวัน ข้อมูลปริมาณมหาศาลตั้งแต่งานทรัพยากรบุคคล เอกสารสัญญา ใบสั่งซื้อ ใบแจ้งหนี้ ไหลผ่านทุกองค์กรทั่วโลก ถ้าเราพัฒนาระบบ automation ให้โรบอทเข้ามาทำงานแทนตัวเราได้สารพัดอย่าง ไม่ว่าจะเป็นการนำข้อมูลเข้าออกระบบ ERP การทำรายงาน การรับสส่งอีเมล แต่เรายังต้องมา key ข้อมูลจากกระดาษหรือ scanned document ด้วยมืออยู่ดีก็เป็นเรื่องที่ไม่ค่อยมีประสิทธิภาพเท่าไหร่

ที่ผ่านมาตัวช่วยของเราในเรื่องนี้คือการนำเทคโนโลยี OCR เข้ามาอ่านเอกสารที่สแกนแล้ว แต่ความแม่นยำที่ได้จากการอ่านก็ยังเป็นปัญหาอยู่ดีเมื่อต้องเผชิญกับเอกสารที่

มีหลายแบบหลายประเภท
คุณภาพของเอกสารที่สแกนไม่คมขัดนัก มีตำหนิรอยเปื้อน หรือวางเอียงมา
ต้องมีการอ่านลายมือเขียน
ต้องมีการอ่านเครื่องหมายถูกผิดจากฟอร์มที่มี checkbox
เป็นภาษาไทย
เป็นไฟล์ข้อความหรือรูปภาพสกุลต่างๆเช่น PDF, PNG, GIF, JPEG, TIFF

จากประเด็นปัญหาดังกล่าวทำให้บางครั้งต้องมีการลด scope ของโครงการให้รองรับการอ่านข้อมูลเฉพาะจากเอกสารบางกลุ่มหรือบางลักษณะ เกิดเป็นความท้าทายต่อการประเมินความคุ้มค่าหรือ ROI ของโครงการเนื่องจากเทคโนโลยี OCRเองก็มีค่าใช้จ่ายที่จะคุ้มค่าก็ต่อเมื่อถูกนำมาใช้กับเอกสารปริมาณมาก

นอกจากนี้การพัฒนาโครงการ OCR และ RPA ยังเป็นแบบแยกกันอยู่ กล่าวคือ ระบบ OCR ทำหน้าที่ดึงหรืออ่านข้อมูลตัวอักษรจาก scanned document หรือ image แล้วโรบอทของระบบ RPA เป็นผู้นำข้อมูลที่อ่านได้ไปใช้งานต่อ ทำให้การพัฒนาและการใช้งานไม่เป็นเนื้อเดียวกัน

แต่ถ้าเราสามารถรวบรวมความสามารถด้านการอ่านเอกสารเข้าไปอยู่ในโรบอทเลย ผ่านการเรียนรู้ด้วย Artificial Intelligence (AI) เกิดเป็นซอฟต์แวร์ที่เรียกว่า Intelligent Document Processing (IDP) ซึ่งแก้ปัญหาที่เล่ามาข้างต้นได้ องค์กรย่อมได้รับผลลัพท์ที่ดี (positive impact) จากการที่มี AI เข้ามาช่วยพัฒนาความสามารถของการทำงาน

ทางหน่วยงานของบริษัทวิจัยระดับโลกอย่าง Gartner Financial Practice ได้เคยประเมินไว้ว่า แผนกบัญชีและการเงินขององค์กรสามารถประหยัดชั่วโมงทำงานได้ถึง 25,000 ชั่วโมงจากการลดความผิดพลาดที่เกิดจากพนักงาน (human error) โดยนำเครื่องมือ RPA เข้ามาใช้ในระบบรายงานทางการเงิน ซึ่งตัวเลขของการประหยัดชั่วโมงทำงานนี้ยังสามารถเพิ่มขึ้นได้อีกเนื่องจากในปัจจุบันมีเพียง 1 ใน 3 ของแผนกบัญชีและการเงินในภาพรวมที่ใช้งานระบบ RPA

บทความชุดนี้จะเป็นการให้ข้อมูลแก่ผู้อ่านเกี่ยวกับแง่มุมต่างๆของเทคโนโลยี Intelligent Document Processing และการใช้งานในองค์กร โดยบทความนี้เป็นตอนแรกครับ

รูปภาพที่ 1 ผลลัพท์ที่ดีทางธุรกิจจะเพิ่มขึ้นเมื่อมีการนำ AI เข้ามาใช้ร่วม

Intelligent Document Processing คืออะไร

โดยคำอธิบายแล้ว Intelligent Document Processing หมายถึงความสามารถของซอฟท์แวร์โรบอทในการอ่าน การแปลความ และการจัดการกับข้อมูลในเอกสารได้อย่างอัตโนมัติ โดยการนำ machine learning เข้ามาสอนให้โรบอทเรียนรู้และเข้าใจเอกสารที่เราต้องการใช้งาน เราสามารถมอง Intelligent Document Processing เป็นจุดตัดหรือจุดบรรจบกันเทคโนโลยี 3 ส่วนคือ document processing, AI, และ RPA ดังรูปกราฟฟิกด้านล่าง

ในบทความนี้ ผมขอยก Intelligent Document Processing จากค่าย UiPath ที่ชื่อ Document Understanding มาใช้ในการอธิบายประกอบนะครับ

การที่เรานำความสามารถของ document processing และ AI เข้ามารวมกับ RPA ได้หมายถึงเรามีโอกาสที่จะสอนให้โรบอทคิดหรือเข้าใจลักษณะของเอกสารได้เอง แทนที่เราต้องเป็นฝ่ายคิดและสร้าง rule ในการทำงานให้กับโรบอท เพื่อที่โรบอทจะได้ทำงาน step by step ตามคำสั่งเรา

ส่วนวิธีการสอนโรบอทนั้น ขึ้นอยู่กับความซับซ้อนของเอกสารแต่ละประเภทที่ต้องเผชิญ ถ้าเอกสารที่ไม่ซับซ้อนอย่างหนังสือเดินทาง ซึ่งถ้าเราต้องการทราบชื่อหรือสัญชาตของเจ้าของหนังสือเดินทางไม่ว่าเล่มไหน เราหรือโรบอทจะรู้ทันทีว่าต้องดูที่ตำแหน่งไหน แต่ถ้าเป็นเอกสารสัญญา bank statement หรืออีเมลติชมที่ส่งจากลูกค้าของเรา ปัญหาจะเริ่มเกิด เพราะไม่ว่าเราเองหรือโรบอทก็ต้องอ่านเอกสารนั้นทั้งหมดเพื่อจะได้เข้าใจทุกๆส่วนของเอกสาร

Intelligent Document Processing (หรือ Document Understanding ในกรณีของ UiPath) แก้ปัญหานี้โดยการสอนโรบอทให้สามารถแยกแยะประเภทของเอกสาร อ่านข้อมูลได้ถูกตำแหน่ง และนำข้อมูลไปใช้ต่อได้เลยอย่างถูกต้องด้วยความรวดเร็วอย่างที่เราหรือองค์กรของเราต้องการ

เทคนิคและกรรมวิธีในการอ่านข้อมูลจากเอกสาร

โดยทั่วไปเราสามารถจำแนกเอกสารเป็น 3 ประเภท คือ Structured, Semi-structured, และ Unstructured ซึ่งสามารถจัดการได้ด้วยวิธีการอ่านเอกสาร 2 รูปแบบคือแบบ rule-based data extraction (สำหรับเอกสารที่เป็น Structured) และแบบ model-based data extraction (สำหรับ เอกสาร ที่เป็น Semi-structured และ Unstructured)

เทคนิคหรือวิธีการอ่านเอกสารแบบ rule-based หรือบางทีก็เรียก template-based จะเป็นการกำหนด rule แบบตรงไปตรงมา เหมือนการที่เราสร้าง rule ในการบล็อคอีเมลที่เราไม่ต้องการรับหรือการกำหนด key word search สำหรับการค้นหาเฉพาะคำๆนั้นในเอกสาร ถ้าเราต้องการเพิ่มอีเมลที่ต้องการบล็อคหรือ key word search ในการสืบค้น เราต้องเพิ่มชื่ออีเมลหรือ key word เข้าไปเอง

เทคนิคหรือวิธีการอ่านเอกสารแบบ model-based data extraction จะใช้ machine learning (ML) เป็นกลไกในการทำงานด้วยการเรียนรู้จากกลุ่มตัวอย่างจำนวนมาก โดยเราเป็นผู้สอน (train) ให้โรบอทเข้าใจว่าต้องทำอย่างไรในแต่ละสถานการณ์ที่ไม่เหมือนกัน อย่างในตัวอย่างของการบล็อคอีเมลข้างต้น ถ้าเราสามารถสอนให้โรบอทเข้าใจลักษณะของ spam email อันเป็นจุดเริ่มต้นของการที่เราต้องการบล็อคอีเมลไม่ให้เข้ามาได้ คราวนี้ถ้ามีอีเมลจำนวนมากนับร้อยนับพันเข้ามาในองค์กร เราก็ไม่ต้องสร้าง rule หรือกำหนดชื่ออีเมลแต่ละฉบับที่ต้องการบล็อค แต่ให้โรบอทแยกแยะอีเมลที่น่าสงสัยว่าจะเป็น spam email จากการเรียนรู้ของโรบอทเอง

ทั้งสองเทคนิคดังกล่าวหรืออาจรวมอีกหนึ่งเทคนิคคือ hybrid approach ที่เป็นการรวมทั้ง rule-based และ model-based เข้าไว้ด้วยกัน (เช่นกรณีที่บางครั้งการอ่านข้อมูลบางตำแหน่งจากเอกสารประเภท Structured ต้องอาศัย ML model เข้ามาช่วนเพื่อความม่นยำมากขึ้น) สามารถเรียกใช้งานได้จากแพลตฟอร์มของ Document Understanding ที่รวมความสามารถเหล่านี้ไว้ด้วยกัน

การข้ามข้อจำกัดเดิมของการใช้เฉพาะ OCR

คุณสมบัติของ Document Understanding ที่กล่าวมาทำให้เราสามารถก้าวข้ามขีดจำกัดของการใช้เฉพาะโซลูชั่น OCR ร่วมกับ rule-based approach ในการจัดการกับเอกสารที่ไม่ใช่ Structured ซึ่งบางท่านอาจเคยเจอมาบ้างแล้ว ยกตัวอย่างเช่น การจัดการกับกระบวนการใบแจ้งหนี้ (Invoice) ที่ทีม Account Payable (AP) พยายามสร้าง template และใช้ OCR อ่านเอกสารใบแจ้งหนี้ที่สแกนจากกระดาษ จากนั้นก็ส่งต่อให้ RPAนำเข้าระบบเพื่อไปทำการจ่ายหนี้ แต่เนื่องจากฟอร์มใบแจ้งหนี้มีความต่างกันในแต่ละเจ้าหนี้ ทำให้ต้องพัฒนา template จำนวนมากเพื่อให้รองรับความต่างนี้ หรือไม่ก็พยายามทำ template ที่ซับซ้อนให้รองรับฟอร์มใบแจ้งหนี้หลายๆแบบ ซึ่งต้องแลกกับความถูกต้องของการอ่านตัวอักษร ทำให้ผู้ใช้งานมีภาระเพิ่มขึ้นในขั้นตอน validation

แต่พอมาเป็นการใช้งานด้วย Document Understanding ทำให้เรามีทางเลือกเพิ่มขึ้นในการใช้ model-based approach ในการจัดการกับเอกสาร Semi-Structured อย่างใบแจ้งหนี้ โดยอาศัย ML skill model ที่โรบอทได้รับการสอนและเรียนรู้ได้ตลอดเวลาเพื่อเพิ่มความถูกต้องแม่นยำของการอ่านขัอมูล

รูปภาพที่ 2 ความสัมพันธ์ของ document processing, RPA, และ AI

จากข้อมูลการใช้งานจริงของบริษัทค้าปลีกขนาดใหญ่ของสหรัฐแห่งหนึ่ง ที่ว่าจ้างให้บริษัทที่ปรึกษาด้านระบบอัตโนมัติ ที่ชื่อ Accelirate Inc. พัฒนาระบบ RPA สำหรับกระบวนการใบแจ้งหนี้ (Invoice Processing) พบว่าใบแจ้งหนี้กว่า 93% ของทั้งหมดสามารถจัดการได้โดยไม่ต้องใช้คน (อ่านได้แม่นยำเกินค่าระดับความเชื่อมั่น) ซึ่งบริษัทค้าปลีกนี้มีปริมาณใบแจ้งหนี้โดยเฉลี่ย 200 – 500 ใบต่อวัน หรือกว่า 700 ใบสำหรับวันที่มากที่สุด

ขั้นตอนการทำงานของโรบอทจากเครื่องมือ Document Understanding ที่บริษัทค้าปลีกใช้งานอยู่ มี 6 ขั้นตอนดังต่อไปนี้

โรบอทอ่านอีเมล คัดแยกอีเมลที่ไม่เกี่ยวกับใบแจ้งหนี้ออกมาแล้วส่งไปให้เจ้าหน้าที่ในทีม AP จัดการแบบ manual ส่วนอีเมลที่เป็นงานใบแจ้งหนี้นั้น โรบอทก็จะบันทึกเอกสารแนบของอีเมลลงบนไฟล์แขร์เพื่อไปเข้าคิวงานของระบบ Document Understanding
โรบอท digitize ใบแจ้งหนี้ ด้วยเครื่องมือ OCR และหาตำแหน่งบนเอกสารของข้อมูลที่ต้องการอ่าน รวมทั้งแยกชุดเอกสารออกเป็นแต่ละหน้าโดยเรียงลำดับของหน้าอย่างถูกต้อง
โรบอท extract ข้อมูลที่กำหนดไว้แล้วอย่าง วันที่ใบแจ้งหนี้ หมายเลขใบแจ้งหนี้ จำนวนเงิน วันที่ต้องชำระ เป็นต้น ด้วย machine learning ซึ่งในโซลูชั่นนี้ Accelirate นำ out-of-the-box pre-trained model สำหรับ Invoice ของ UiPathเข้ามาใช้งานร่วมกับการสอนโรบอทให้อ่านข้อมูลได้แม่นยำเพิ่มขึ้นบนแพลทฟอร์ม AI Center ซึ่งเป็นเครื่องมือที่อยู่ในกลุ่มเดียวกันกับ Document Understanding นอกจากใบแจ้งหนี้แล้ว โรบอทยังได้รับการสอนในให้เข้าใจเอกสารและสามารถค้นหาเอกสารแนบอื่นๆอยาง ใบตราขนส่งสินค้า (bill of lading) หรือ BOL ซึ่งเป็นเอกสารที่ต้องใช้ประกอบกระบวนการจ่ายหนี้การค้า ซึ่งโรบอทสามารถตรวจสอบได้ว่าอีเมลที่ส่งเข้ามามี BOL หรือไม่ ถ้าไม่ก็แจ้งทีม AP เพื่อแก้ปัญหาต่อไป
โรบอทประเมินความถูกต้องของระดับความเชื่อมั่นในการอ่านเอกสาร
1. ถ้าโรบอทอ่านข้อมูลจากใบแจ้งหนี้ได้ระดับความเชื่อมั่น 95% ขึ้นไป ข้อมูลจากใบแจ้งหนี้จะถูกส่งต่อแบบอัตโนมัตืไปยังคิวงาน reconcile เพื่อทำจ่ายต่อไป
1. ในกรณีที่ระดับความเชื่อมั่นจากการอ่านต่ำกว่า 95% ข้อมูลจากใบแจ้งหนี้จะถูกส่งไปให้เจ้าหน้าที่ทีม AP ทำการ validation เพื่อยืนยันหรือแก้ไขความถูกต้อง
การทำงานจะย้อนกลับไปที่ขั้นตอนที่ 1 สำหรับการทำงานของใบแจ้งหนี้ลำดับถัดไป จนกระทั่งใบแจ้งหนี้ที่ถูกส่งมาทั้งหมด จะไปอยู่ในคิวงาน reconcile เพื่อเตรียมการอนุมัติจ่าย
โรบอทจัดทำรายงานสรุปการทำงานของใบแจ้งหนี้ batch นี้ ประกอบไปด้วย จำนวนใบแจ้งหนี้ทั้งหมด จำนวนใบแจ้งหนี้ที่อ่านได้สำเร็จด้วยโรบอทเอง จำนวนใบแจ้งหนี้ที่ต้องส่งให้ทีม AP ทำ validation เวลาที่โรบอททำงานในกระบวนการนี้

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

แล้วพบกันใหม่ สวัสดีครับ

10 คำทำนายแนวโน้มระบบ RPA ในปี 2022 #3 (ตอนจบ)

ต่อจากบทความที่แล้ว ขอพูดถึง 3 แนวโน้มที่เหลือจาก 10 Trend ของโลก RPA ซึ่งถือเป็นภาคจบของซี่รี่ย์ #RPATrend นะครับ

Trend #8: automation เพื่อโลกสีเขียว

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

เรื่องหลักของหน่วยงาน HR ที่ต้องสื่อสารถึงการมาของโลกเทคโนโลยี การหายไปของตำแหน่งงาน และการพัฒนาบุคคลากรให้เหมาะสมกับการทำงานในรูปแบบผสมรวมระหว่างคนและโปรแกรมหุ่นยนต์ในระบบอัตโนมัติ

มีการคาดการณ์ว่าในอีกสักห้าปี แนวโน้มนี้จะหนักข้อขึ้นเรื่อยๆและเป็นประเด็นที่ HR ต้องทำให้ชัดเจน วางแผนให้รัดกุมถึงการจัดการเพราะไม่ใช้ทุกคนในองค์กรจะปรับตัวได้ง่ายๆ หากงานของเค้าเหล่านั้นจะถูกแทนที่จาก RPA แผนงานที่ CHROs (chief human resources officer) คือระบุให้ชัดว่างานไหน (อาจเป็นเฉพาะบางส่วน) ที่จะให้หุ่นยนต์มาทำแทน การค่อยเป็นค่อยไปในการปรับองค์กร การพัฒนาความรู้ในสองด้าน (up-skill, re-skill) หรือการวางจ้างทักษะแรงงานแบบใหม่เป็นต้น

Trend #10: การเติบโตไปพร้อมกันของ RPA ecosystems

การทะยานขึ้นอย่างรวดเร็วของตลาด automation tech จะไม่พุ่งไปแบบเดี่ยวๆแต่จะพากันไปทั้ง ecosystems โดยจากสถิติที่เก็บมาและการพยายกรณ์ของ IDC เอง แรงงานในตลาด automation ก็จะมีความต้องการมากขึ้นเช่นกันแรงงานด้านการพัฒนาตลาด การพัฒนาโปรแกรม โปรแกรมเมอร์ด้าน RPA และอื่นๆจะเป็นที่ต้องการเป็นอย่างมากในอนาคตอันใกล้นี้

Source:

https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/the-top-trends-in-tech

https://www.uipath.com/blog/automation/top-automation-trends-2022

10 คำทำนายแนวโน้มระบบ RPA ในปี 2022 #2

ต่อจากบทความที่แล้ว ขอพูดถึง 4 แนวโน้มของโลก Robotic Process Automation เทรดถัดไปนะครับ

Trend #4: ยุคเริ่มต้นของ task based workflows

ปกติพวกเราจะคุ้นชินกับการทำงานบน desktop, web application นั้นๆ ให้จบในเรื่องๆหนึ่งแล้วต้องปิดจอสลับเอาข้อมูลไปทำต่อบนแอพอื่นๆ ซึ่งหลายครั้งต้องทำงานซ้ำ ต้องทวนข้อมูลก่อนกรอกเข้าอีกระบบ ซึ่งในปี 2022 จะเป็นตอนเริ่มต้นการทำงานในอีกแบบหนึ่งคือ task based workflows ซึ่งถูกออกมาช่วยผู้ใช้อย่างเราๆให้งานเสร็จเร็วขึ้น ตัว robots ที่ออกมามาจะอยู่ในรูปของdesktop assistant สั่งครั้งเดียวมองการทำงานเป็นกระบวนการไม่ติดว่าเป็นการเข้า-ออก กี่ application และอาจพิจารณาให้ถูกสร้าง task based workflows คือผู้ใช้เองด้วยเครื่องมืออย่างง่ายในการออกแบบโปรแกรม (no-code) ทำงานเป็นชิ้น ๆเล็ก ๆ (แต่ถูกออกแบบมาให้เป็นแบบจิ๊กซอว์) ไปรวมๆกันทำให้กระบวนการเสร็จเป็นชิ้นๆ ได้แบบ just-in-time เพื่อเซฟเวลาให้คนไปทำงานที่สร้างสรรค์กว่า

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)

Trend #7: ระบบที่ยืนหยุ่นมากขึ้นของ SaaS RPA

หลากหลาย RPA vendor จะขานรับแนวทาง Cloud Native การใช้ containerization, microsevices ต่างๆ จะถูกนำมาimplement เพื่อเป็นทางเลือกที่หลากหลายว่าต้องการติดตั้งระบบ automation ในรูปแบบไหน การปรับเปลี่ยนแบบทยอยนำขึ้นจาก on-premise ไปสู่ native cloud ทำได้อย่างเป็นขั้นตอนมีเครื่องมือรองรับเป็นต้น ทั้งนี้ทำขึ้นเพื่อนักพัฒนาเน้นไปที่พัฒนา robot เพิ่มประสิทธิภาพ ไม่ต้องไปกังวลในเรื่องอืน ๆ (install, manage, upgrade เป็นต้น)

Source:

https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/the-top-trends-in-tech

https://www.uipath.com/blog/automation/top-automation-trends-2022

10 คำทำนายแนวโน้มระบบ RPA ในปี 2022 #1

ในปัจจุบันภาคธุรกิจเร่งนำเอาระบบ automation มาใช้ในอย่างมากในแทบทุกอุตสาหกรรม มีทั้งหมดแบ่งเป็น 10 แนวโน้มที่จะมีผลต่อการทำงานในคุณในอนาคตอันใกล้นี้ โดยในบทความนี้จะเล่าถึง 3 แนวโน้มแรกในบทความนะครับ

Trend #1: ซีไอโอจะเป็นคนกุมบังเหียนหลักของระบบอัตโนมัติ

จากงานวิจัยของ Mckinsey บ่งบอกถึงมากกว่า 80% ที่องค์กรเพิ่มการใช้งานระบบ automation ไปมากกว่าความเป็น basic implement แต่เป็นการยกระดับไปถึงมาตรฐานของการใช้ระบบ RPA การเชื่อมโยงไปกับกลยุทธขององค์กร ต่อยอดไปถึงการใช้ RPA ในแง่ของการ คำถามที่ CIO โดนถามจะถูกปรับเปลี่ยนจากมันคืออะไร ทำงานทดแทนแรงงานมนุษย์ได้มากน้อยแค่ไหน ไปเป็นคำถามอาทิเช่น

การเชื่อมโยงกลยุทธหลักขององค์กรเข้ากับระบบ automation การมองหามาตรฐานการควบคุม ดูแลระบบให้มีมาตรฐานเพื่อความมั่นคงของระบบ กำกับดูแลกระบวนการทางธุรกิจโดยใช้ robots ให้มีประสิทธิภาพสูงสุด
ปรับการใช้งาน RPA ให้มาเป็นการทำงานด่านหน้าเพื่อสนับสนุนโมเดลการทำธุรกิจใหม่ๆ ไม่ใช่เป็นเพียง back office แบบเดิมอาทิเช่น chat bots, robot for call center หรือ customer self service เป็นต้น
สมดุลการใช้ automation ระหว่างการสร้าง หรือใช้งานจากตรงกลาง หรือการสร้าง robots ขึ้นใช้งานได้เองในแต่ละหน่วยงาน
สร้างการกำกับดูแลระบบให้เชื่อมกับบรรษัทภิบาลขององค์ในแง่มุมต่างๆ

Businessman holding a glass ball,foretelling the future.

Trend #2: การควบรวมเป็นหนึ่งเดียวของระบบ RPA ทั้ง BPA, iPaas, LCAP และ AI

แนวคิด “RPA-plus” ในที่นี้หมายถึงการควบรวมเอาความสามารถของ BPA (business process automation)+ LCAPs (low-code application platforms)+AI+ iPaaS (interation platforms as a service) เข้าไว้ด้วยกัน ทั้งนี้เนื่องด้วยผู้นำการควบรวมจากทาง RPA vendor มีการปรับใช้งาน การเข้าถึงได้อย่างรวดเร็วมากว่า platform ที่กล่าวข้างต้นอื่นๆ ทั้งหมด โดยในปี 2020 RPA เติบโตจากยอดรายได้ถึงเกือบ 1.9 ล้านล้านดอลล่าร์ และมีโอกาสเติบโตออกไปอีกในอนาคต และเกิดการเติมเต็มความสามารถเข้าไปในระบบ RPA เพื่อเติมในเรื่อง “democratization” และ “scalability” ให้เต็มความสามารถนั่นเอง

โดยมีข้อสังเกตุที่ชัดเจนในสองรูปแบบที่เกิดขึ้นในตลาด convergence RPA คือ

การเพิ่มความสามารถในการสร้าง robot ที่เข้ากันได้กับ เชื่อมต่อได้ง่ายกับระบบปัจจุบันขององค์กร การต้องให้ robot ทำงานกับกระบวนการที่ซับซ้อนมากขึ้นได้นั้น ระบบ RPA ที่ดีต้องมีการสร้าง UI (user interface) ที่เข้ากันได้กับ RPA ด้วยเทคโนโลยี low-code เป็นต้น หรืออีกตัวอย่างคือ RPA ที่มีเครื่องมือในการสร้าง robot ได้ด้วยผู้ใช้งานเอง สร้างapplication สั้นๆง่ายๆในการรองรับการทำงาน robot เป็นต้น
ผู้เล่นในตลาด RPA จะเริ่มสร้างเครือข่ายหรือลงทุนกับการ “เชื่อมต่อ” ให้ดีและง่ายขึ้นไปอีก (ผ่าน API) การทำ plug in ต่างๆ กับ application ที่มีผู้ใช้ในตลาดจำนวนมาก และการมองถึงการเป็น RPA ที่มีหน้าที่จัดการบริหาร robot และกำหนดควบคุมการใช้งาน (governance) ภายใต้ระเบียบข้อบังคับ การดูแลระบบรักษาความปลอดภัย การทำงานของ robot ให้ดียิ่งขึ้น นี่เป็นที่มาของคำว่า RPA-plus

Trend #3: การก่อกำเนิด layer ใหม่ของ RPA (automation layer)

เป็นการมองอนาคตถึงแนวคิดที่ว่าองค์กรยุคใหม่จะมีการนำเอาหลักคิด “robot for every person” เฉกเช่นการให้พนักงานทุกคนมีอีเมลเป็นของตนเองเพื่อเอาไว้สื่อสารเป็นต้น แต่แนวคิดนี้คือให้พนักงาน (ทุกคน) มี digital desktop assistant มาทำงานเชื่อมต่อกับกระบวนการขององค์กรที่ส่วนมากมีหลากหลาย enterprise systems, web application หรือระบบเก่าๆอย่าง legacy systems ที่ไม่ค่อยมี api ในการเชื่อมต่อมากนัก

การเชื่อมด้วย RPA ที่ทำได้อย่างรวดเร็วนี้จะก่อให้เกิดรูปแบบ “ชั้น” ใหม่ขึ้นเรียกว่า automation layer ที่จะเป็น stacks บนสุดของapplication stacks ซึ่งใน “ชั้น” หรือ layer ใหม่นี้จะอยู่ระหว่างผู้ใช้งาน และระบบ enterprise ต่างๆ โดยมีเครื่องมือสำหรับสร้าง robot มาช่วยนำเข้าข้อมูล เปิดปิดระบบ พิมพ์รายงาน มี plugin การเชื่อมต่อต่างๆ เก็บเอาไว้และระบบที่ทำหน้าที่ maintenance และ governance อีกด้วย

สุดท้ายด้วย layer ใหม่นี้จะทำการเกิดแนวคิดในการทำ digital process ได้ง่าย รวดเร็วและมีมาตราฐานเพื่ออำนวยให้ผู้ใช้งานสร้าง digital robot เพื่อ rethink กระบวนงานใหม่ๆที่สร้างสรรค์ และพ้นขีดจำกัดจาก technology fragmentation (การมีระบบที่แตกต่าง หลากหลายและเชื่อมต่อได้ยากเย็น) ได้ในที่สุด

Source:

https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/the-top-trends-in-tech

https://www.uipath.com/blog/automation/top-automation-trends-2022