UiPath – RPA

UiPath RPA Platform กับการใช้งาน Generative AI ในโลกธุรกิจ

ปัจจุบันนี้เทคโนโลยีปัญญาประดิษฐ์ (AI) ถูกพัฒนาให้เรียนรู้จากข้อมูลสาธารณะจำนวนมหาศาล การตอบสนองหรือการสร้างเนื้อหาของ Generative AI อาจไม่สอดคล้องกับความต้องการโดยเฉพาะ ของแต่ละองค์กรอีกต่อไป (Tailormade) การพึ่งพาข้อมูล public เพียงอย่างเดียว อาจนำไปสู่การได้รับข้อมูลที่ไม่ตรงประเด็น หรือไม่ถูกต้องในบริบทของการดำเนินธุรกิจภายในแต่ละองค์กร

นี่คือจุดที่ UiPath Context Grounding ก้าวเข้ามามีบทบาทสำคัญ ด้วยการเปิดโอกาสให้องค์กรสามารถป้อนข้อมูลภายในของตนเองเข้าสู่ระบบ เพื่อให้ Generative AI นำไปใช้เป็น “แหล่งข้อมูลอ้างอิง” (Source of Truth) ผ่านการควบคุมของระบบ UiPath AI Trust Layer อีกชั้นหนึ่ง โดยในการใช้งานจริงจะใช้เทคนิคที่เรียกว่า Retrieval-Augmented Generation (RAG) เพื่อให้ระบบดึงข้อมูลที่เกี่ยวข้องจากแหล่งข้อมูลเฉพาะขององค์กร แล้วส่งต่อให้ Generative AI นำไปใช้สร้างเนื้อหาที่ตรงกับความต้องการของผู้ใช้งาน ซึ่งสิ่งเหล่านี้จะช่วยให้มั่นใจได้ว่าคำตอบหรือผลลัพธ์ที่ได้จาก Generative AI จะมีความเกี่ยวข้องกับบริบททางธุรกิจและมีความน่าเชื่อถือเป็นอย่างยิ่ง

ในบทความนี้ เราจะพาคุณไปสำรวจว่า UiPath Context Grounding และ UiPath AI Trust Layer สามารถช่วยยกระดับความแม่นยำและความน่าเชื่อถือของ Generative AI ได้อย่างไร

UiPath Context Grounding: ล้อมกรอบข้อมูลทางธุรกิจให้ Generative AI ในองค์กร

แผนภาพแสดงสถาปัตยกรรมของ UiPath Context Grounding

สถาปัตยกรรมของ UiPath Context Grounding (ตามภาพประกอบ) ถูกออกแบบมาเพื่อบูรณาการข้อมูลเฉพาะขององค์กรเข้ากับโมเดลภาษาขนาดใหญ่ (LLMs) ที่ใช้กับ Generative AI ผ่านกระบวนการที่มีความปลอดภัยและมีประสิทธิภาพสูง โดยเริ่มต้นจากการรวบรวมข้อมูลทางธุรกิจขององค์กร (Business Data) เพื่อนำมาแปลงเป็นเวกเตอร์ฝังตัว (Vector Embeddings) แล้วจัดเก็บไว้ในดัชนีของฐานข้อมูลเวกเตอร์ที่ UiPath บริหารจัดการให้ภายในแพลตฟอร์ม (UiPath Managed Vector Dbs) ซึ่งข้อมูลทั้งหมดนี้จะถูกนำไปใช้รองรับการทำงานของฟีเจอร์ RAG รวมถึงการรักษาความปลอดภัยและการเก็บรักษาข้อมูลที่มีความสำคัญ

สำหรับการใช้งานจริงนั้น UiPath Context Grounding จะทำหน้าที่ช่วย Generative AI กำหนดขอบเขตของเนื้อหาที่จะสร้างขึ้นมา โดยเริ่มต้นจากการวิเคราะห์คำถามหรือคำสั่งจากผู้ใช้งาน (User Prompt) แล้วใช้เทคนิคในการค้นหาขั้นสูง เช่น การค้นหาความเหมือนเชิงความหมาย (Semantic Similarity Search) และการค้นหาแบบผสมผสาน (Hybrid Search) รวมถึงเทคนิคอื่นๆ เพื่อค้นหาและจัดอันดับ Vector Embeddings ที่ถูกจัดเก็บอยู่ใน UiPath Managed Vector Dbs ให้ตรงกับข้อมูลที่ผู้ใช้งานต้องการมากที่สุด

โดยหัวใจสำคัญของสถาปัตยกรรมนี้คือ UiPath AI Trust Layer ซึ่งทำหน้าที่ควบคุมกระบวนการทั้งหมด เพื่อให้มั่นใจว่า Generative AI จะสามารถเข้าถึงและประมวลผลข้อมูลที่ละเอียดอ่อนขององค์กรได้ตามมาตรฐานด้านความปลอดภัยของข้อมูล (Data Security) รวมไปถึงการปฏิบัติตามกฏระเบียบขององค์กร (Compliance) ได้อย่างเคร่งครัด

ส่วนเทคนิค RAG จะถูกนำมาใช้สำหรับการดึงข้อมูลทั้งหมดที่ UiPath Context Grounding ค้นหาไว้ให้ แล้วนำมาช่วยเสริมการสร้างเนื้อหาของ Generative AI ที่มีองค์ความรู้เดิมจาก LLMs ที่เคยถูกเทรนมาด้วยข้อมูลสาธารณะ เพื่อให้เนื้อหาที่สร้างขึ้นมาใหม่มีความแม่นยำและสอดคล้องกับบริบทที่ผู้ใช้งานต้องการมากที่สุด ในขณะที่ LLM Gateway จะทำหน้าที่เป็นตัวเชื่อมต่อระหว่างโมดูล RAG และ LLMs เพื่อให้การทำงานราบรื่นและมีประสิทธิภาพ

UiPath AI Trust Layer: ป้อมปราการเพื่อคุ้มครองข้อมูลขององค์กรในยุค AI

UiPath AI Trust Layer มีบทบาทสำคัญในการปกป้องข้อมูลขององค์กรเมื่อมีการใช้งานฟีเจอร์ RAGร่วมกับความสามารถของ Generative AI และ LLMs เพราะเมื่อองค์กรนำข้อมูลภายในมาใช้ร่วมกับเทคโนโลยี AI การรักษาความปลอดภัยของข้อมูลจะกลายเป็นประเด็นที่สำคัญที่สุด เนื่องจากข้อมูลทางธุรกิจที่ละเอียดอ่อนต้องได้รับการปกป้องจากการเข้าถึงที่ไม่ได้รับอนุญาต

แผนภาพแสดงสถาปัตยกรรมของ UiPath AI Trust Layer

ด้วยเหตุนี้ UiPath AI Trust Layer จึงถูกพัฒนาขึ้นมาเพื่อตอบโจทย์ความท้าทายดังกล่าว โดยทำหน้าที่เป็นเสมือน “กำแพงป้องกัน” ที่คอยดูแลและรักษาความปลอดภัยให้กับข้อมูลขององค์กรในขณะที่ AI กำลังทำงานอยู่ โดยระบบจะควบคุมให้มีเฉพาะข้อมูลที่ได้รับการอนุญาตเท่านั้นที่จะถูกนำไปใช้ในกระบวนการดึงข้อมูลผ่านฟีเจอร์ RAG เพื่อสร้างสรรค์ผลลัพธ์จาก AI ซึ่งวิธีการนี้จะช่วยรักษาความปลอดภัยของข้อมูลที่เป็นความลับจากการเข้าถึงที่ไม่ได้รับอนุญาตได้เป็นอย่างดี

นอกจากนี้ UiPath AI Trust Layer ยังช่วยให้องค์กรสามารถปฏิบัติตามข้อกำหนดของกฎระเบียบในอุตสาหกรรม (Industry Regulation) และนโยบายการกำกับดูแลข้อมูล (Data Governance) ได้อย่างครบถ้วนสมบูรณ์ โดยควบคุมกระบวนการประมวลผลข้อมูลที่ถูกนำมาใช้งานอย่างละเอียดรอบคอบผ่านฟีเจอร์ย่อยต่างๆ ดังนี้

Gen AI feature governance คือ ฟีเจอร์ที่ช่วยให้ผู้ใช้งานและองค์กรสามารถควบคุมและตรวจสอบการใช้งาน Generative AI ได้อย่างมีประสิทธิภาพและปลอดภัย โดยเน้นเรื่องความโปร่งใส การปฏิบัติตามข้อกำหนด และการลดความเสี่ยงจากการใช้งาน AI ที่อาจส่งผลกระทบต่อความปลอดภัยของข้อมูลหรือความน่าเชื่อถือ โดยฟีเจอร์หลักใน AI Trust Layer ที่เกี่ยวข้องกับ Gen AI governance ประกอบด้วย

การจัดการการเข้าถึงการใช้งานโมเดลของ Generative AI หรือฟีเจอร์ AI ต่างๆ และควบคุมสิทธิ์ในการใช้งานตามบทบาทที่กำหนด (Role-Based Access Control)
ระบบบันทึกการใช้งาน AI และรองรับการเก็บ log สำหรับตรวจสอบย้อนหลังได้ว่า AI ใช้ข้อมูลหรืออัลกอริทึมอะไรบ้าง เพื่อให้องค์กรสามารถตรวจสอบที่มาของข้อมูลและกระบวนการทำงานได้
การตั้งค่านโยบายเพื่อจำกัดการใช้ AI ในบริบทที่อาจเสี่ยงต่อการละเมิดกฎระเบียบต่างๆ เพื่อช่วยให้องค์กรสามารถปฏิบัติตามมาตรฐานและข้อบังคับด้าน AI เช่น GDPR, HIPAA, หรือกฎหมายเกี่ยวกับข้อมูลส่วนบุคคลได้อย่างเข้มงวด
การจัดการข้อมูลเพื่อความปลอดภัยด้วยการเข้ารหัสข้อมูล (Data Encryption) และการควบคุมข้อมูลที่ใช้ในการฝึกฝนโมเดล เพื่อป้องกันการรั่วไหลของข้อมูลสำคัญระหว่างการประมวลผลในระบบ AI
การควบคุมคุณภาพของผลลัพธ์ โดยมีกระบวนการตรวจสอบและจัดการผลลัพธ์ที่สร้างจาก Generative AI เพื่อลดความผิดพลาดหรือผลลัพธ์ที่อาจมีอคติก่อนนำไปใช้งานจริง

Usage auditing คือ ฟีเจอร์ที่ออกแบบมาเพื่อช่วยให้องค์กรสามารถตรวจสอบการใช้งานโมเดล AI และฟีเจอร์ต่าง ๆ ในระบบ UiPath ได้อย่างโปร่งใสและละเอียด โดยมีเป้าหมายเพื่อเสริมสร้างความปลอดภัย การปฏิบัติตามกฎระเบียบ และการจัดการทรัพยากร AI อย่างมีประสิทธิภาพ โดยฟีเจอร์หลักใน AI Trust Layer ที่เกี่ยวข้องกับ Usage auditing ประกอบด้วย

การติดตามกิจกรรมจากบันทึกข้อมูลการใช้งานโมเดลของ AI โดยแสดงให้เห็นข้อมูลที่นำเข้า, ข้อมูลที่ส่งออก และกระบวนการที่เกี่ยวข้อง เพื่อให้รู้ว่าใครใช้งานฟีเจอร์ AI ใด, เมื่อใด และด้วยวัตถุประสงค์ใด
การตรวจสอบที่มาของข้อมูล โดยสามารถระบุได้ว่าข้อมูลใดถูกนำมาใช้ในกระบวนการของ AI และข้อมูลนั้นถูกจัดการอย่างไรในระบบ เพื่อช่วยเพิ่มความมั่นใจในความถูกต้องของกระบวนการและผลลัพธ์
การบันทึกผลลัพธ์ที่ได้จากกระบวนการที่ใช้โมเดลของ AI เพื่อให้สามารถย้อนกลับมาตรวจสอบคุณภาพและความถูกต้องของผลลัพธ์ในภายหลังได้ว่าผลลัพธ์นั้นเหมาะสมและไม่มีอคติ
การจัดการการปฏิบัติตามกฎระเบียบ โดยมีบันทึกการใช้งาน AI เพื่อให้สอดคล้องกับข้อกำหนดด้านกฎหมาย เช่น GDPR, CCPA และรองรับการสร้างรายงานสำหรับการตรวจสอบจากหน่วยงานภายนอก
การตรวจสอบเหตุการณ์สำคัญ โดยระบุและบันทึกเหตุการณ์ที่อาจเป็นความเสี่ยง เช่น การใช้งาน AI ที่ผิดปกติ หรือการเข้าถึงที่ไม่ได้รับอนุญาต

PII & Sensitive data filtering คือ ฟีเจอร์ที่ออกแบบมาเพื่อป้องกันข้อมูลส่วนบุคคล (Personally Identifiable Information – PII) และข้อมูลที่มีความอ่อนไหว (Sensitive Data) ไม่ให้ถูกเปิดเผยหรือใช้งานอย่างไม่เหมาะสมในกระบวนการที่เกี่ยวข้องกับ AI หรือระบบอัตโนมัติ ฟีเจอร์นี้มีบทบาทสำคัญในการเสริมความปลอดภัยของข้อมูลและการปฏิบัติตามกฎระเบียบต่าง ๆ เช่น GDPR, CCPA หรือ HIPAA โดยฟีเจอร์หลักใน AI Trust Layer ที่เกี่ยวข้องกับ PII & Sensitive data filtering ประกอบด้วย

การตรวจจับข้อมูลส่วนบุคคลและข้อมูลอ่อนไหว โดยใช้เทคนิคการเรียนรู้ของเครื่องจักร (Machine Learning) และการประมวลผลภาษาธรรมชาติ (Natural Language Processing) เพื่อระบุข้อมูล PII เช่น ชื่อ, เบอร์โทรศัพท์, เลขประจำตัวประชาชน, ที่อยู่, อีเมล หรือข้อมูลที่มีความอ่อนไหว เช่น ข้อมูลทางการแพทย์, ข้อมูลทางการเงิน และข้อมูลความลับขององค์กร เป็นต้น
การกรองและจัดการข้อมูลที่ตรวจพบเพื่อป้องกันไม่ให้ข้อมูลดังกล่าวถูกส่งต่อไปยังโมเดล AI หรือผู้ใช้งาน โดยใช้เทคนิคการปรับเปลี่ยนข้อมูลเพื่อไม่ให้สามารถระบุตัวตนของข้อมูลต้นฉบับได้โดยตรง (Masking) เช่น เปลี่ยนตัวเลขในเบอร์โทรเป็น XXXX หรือการแทนค่าด้วย placeholder เป็นต้น
การป้องกันข้อมูล PII และข้อมูลอ่อนไหวจากการใช้งานร่วมกันหรือการนำไปใช้งานในบริบทที่ไม่เหมาะสม เช่น การส่งข้อมูลออกไปยังระบบภายนอกองค์กร
การปรับแต่งกฎการกรองข้อมูล โดยผู้ใช้งาน AI สามารถกำหนดนโยบายและกฎเฉพาะขององค์กรสำหรับการจัดการข้อมูล PII และข้อมูลอ่อนไหวได้เอง เช่น การกำหนดรูปแบบข้อมูลที่ต้องการกรอง เป็นต้น
การบันทึก log ของการจัดการข้อมูล PII และข้อมูลอ่อนไหว เพื่อให้สามารถตรวจสอบย้อนหลังได้ รวมทั้งการสร้างรายงานสำหรับการปฏิบัติตามกฎระเบียบและการประเมินความเสี่ยง

จากทั้งหมดนี้จะเห็นได้ว่า UiPath AI Trust Layer ไม่เพียงแต่สร้างขอบเขตความปลอดภัยในการใช้งาน Generative AI ภายในองค์กรเท่านั้น แต่ยังช่วยเสริมสร้างการกำกับดูแลข้อมูล (Data Governance) ทำให้ข้อมูลที่สำคัญขององค์กรยังคงปลอดภัยและเป็นความลับ โดยที่ระบบ AI ยังสามารถสร้างสรรค์เนื้อหาที่ชาญฉลาดและมีประโยชน์จากข้อมูลเหล่านั้นได้ นอกจากนี้ UiPath Context Grounding ยังมอบข้อมูลเชิงลึกที่มีความแม่นยำและน่าเชื่อถือเพื่อให้องค์นำไปใช้ในการตัดสินใจทางธุรกิจได้อย่างมั่นใจในสภาพแวดล้อมที่มีความปลอดภัยสูงอีกด้วย

ที่ Automat Consulting เรามี lab ทำเรื่องนี้ และมีโอกาสคงได้มาแชร์ use case ต่างๆ ของเทคนิคนี้ด้วยกันในอนาคตอันใกล้ครับ

Agentic AI – ปัญญาประดิษฐ์เชิงปฎิบัติการ กับงานอัตโนมัติ

🌐 ในยุคปัจจุบันที่เทคโนโลยีเติบโตอย่างรวดเร็ว ปัญญาประดิษฐ์ (AI) ได้กลายเป็นตัวขับเคลื่อนที่สำคัญของการเปลี่ยนแปลงในหลายๆ ด้านของธุรกิจ หนึ่งในรูปแบบของ AI ที่กำลังได้รับความสนใจคือ AI เชิงปฏิบัติการ หรือที่เรียกว่า “Agentic AI”

🤔 **AI เชิงปฏิบัติการคืออะไร?**

AI เชิงปฏิบัติการคือ AI ที่ถูกออกแบบมาเพื่อให้สามารถตัดสินใจและปฏิบัติการได้เองในบางกรณี ซึ่งต่างจาก AI ทั่วไปที่ต้องรอคำสั่งจากมนุษย์ การทำงานของ AI เชิงปฏิบัติการจึงเน้นที่ความสามารถในการเข้าใจสถานการณ์ ปรับตัว และดำเนินการโดยอัตโนมัติ ⚙️ เพื่อลดความซับซ้อนและทำให้กระบวนการต่างๆ มีประสิทธิภาพมากยิ่งขึ้น

📊 **กรณีศึกษาจาก UiPath: การใช้ AI เชิงปฏิบัติการ**

UiPath เป็นผู้นำในการให้บริการระบบอัตโนมัติสำหรับองค์กร โดยมีการใช้ AI เชิงปฏิบัติการเพื่อยกระดับการดำเนินงานและเพิ่มความสามารถในการตัดสินใจ 🚀 ตัวอย่างหนึ่งของการใช้งานคือการใช้ AI ในการประมวลผลและจัดการเอกสารจำนวนมาก

🤖 ตัวอย่างเช่น ระบบของ UiPath สามารถใช้ AI เพื่ออ่านและทำความเข้าใจเนื้อหาในเอกสารที่มีลักษณะซับซ้อน จากนั้นทำการตัดสินใจในการกระจายงานหรือจัดการข้อมูลตามที่กำหนด 📄 ซึ่งช่วยลดภาระการทำงานที่ใช้เวลามากและเพิ่มความแม่นยำในการปฏิบัติงาน นอกจากนี้ยังมีอีกสามกรณีการใช้งานที่น่าสนใจ ได้แก่:

1. การใช้ AI ในการจัดการคำร้องขอของลูกค้า โดยสามารถตอบกลับคำถามพื้นฐาน FAQ ต่างๆ และส่งต่อคำร้องที่ซับซ้อนให้กับผู้เชี่ยวชาญที่เหมาะสม โดย ai อ่าน เข้าใจบริบท ตอบได้ก็ตอบเอง หาก % ที่เข้าใจไม่มากพอ ก็ฉลาดพอที่จะ root ไปในระบบ Queue ของ CRM systems ต่างๆ เพื่อส่งต่อได้

2. การใช้ AI ในการตรวจสอบและอนุมัติใบเสร็จและใบกำกับภาษี ทำให้การทำงานทางการเงินมีความรวดเร็วและลดข้อผิดพลาดที่เกิดจากมนุษย์ เช่นธุรกิจนี้เป็น invoice ที่มี PO กำกับอยู่ ให้วิ่งระบบไปค้นหาความถูกต้องในระบบ SAP, Oracle ERP เป็นต้น

3. การใช้ AI ในการจัดการทรัพยากรบุคคล เช่น การประมวลผลข้อมูลการเข้างาน และการประเมินผลการทำงาน ดึงข้อมูลจากหลากหลายแหล่ง ai ช่วยประเมินผล และโต้ตอบกับระบบ HRM, HRD และทำรายงานสรุป เพื่อสนับสนุนการตัดสินใจของฝ่ายบริหาร

🌟 **ประโยชน์ที่ได้รับจาก AI เชิงปฏิบัติการ**

การนำ AI เชิงปฏิบัติการมาใช้ร่วมกับระบบ UiPath ทำให้ธุรกิจสามารถดำเนินการอย่างรวดเร็วและมีประสิทธิภาพมากขึ้น ไม่ว่าจะเป็นการลดเวลาที่ใช้ในการจัดการเอกสาร 📄 การเพิ่มความถูกต้องในการตัดสินใจ 💡 หรือการลดต้นทุนในการปฏิบัติงาน

นอกจากนี้ AI เชิงปฏิบัติการยังช่วยสร้างความยืดหยุ่นให้กับกระบวนการทางธุรกิจ สามารถปรับตัวให้เหมาะสมกับสถานการณ์ที่เปลี่ยนแปลงอย่างรวดเร็ว ทำให้ธุรกิจสามารถตอบสนองต่อความต้องการของลูกค้าได้อย่างทันท่วงที

AI เชิงปฏิบัติการเป็นเทคโนโลยีที่น่าจับตามอง 👀 เนื่องจากมีศักยภาพในการเพิ่มประสิทธิภาพและความแม่นยำในกระบวนการทางธุรกิจ กรณีศึกษาจาก UiPath แสดงให้เห็นถึงความสามารถในการประมวลผลและตัดสินใจของ AI 💡 ซึ่งสามารถช่วยให้ธุรกิจลดต้นทุน เพิ่มประสิทธิภาพ ✅ และสามารถตอบสนองต่อความต้องการที่ซับซ้อนได้อย่างรวดเร็วและมีประสิทธิภาพ

📢 หากองค์กรของคุณกำลังมองหาแนวทางในการปรับปรุงกระบวนการต่างๆ การนำ AI เชิงปฏิบัติการมาใช้อาจเป็นทางเลือกที่น่าสนใจที่ควรพิจารณา ติดต่อเข้ามาที่ Automat 📱 เราจะช่วยทำ use case และประเมินความเป็นไปได้ จัดทำงบประมาณ และช่วย implement ให้ได้ สำหรับการวางแผนในปี 2025 🌐

การนำ Specialized LLMs มาใช้เพื่อลดเวลาการ train โมเดลของ UiPath Document Understanding

UiPath LLM with Document Intelligence Platform

งาน AI-Powered Automation Summit in Bangkok ประจำปี 2024 ที่ได้จัดโดย UiPath เมื่อวันที่ 23 เมษายน ณ โรงแรม Siam Kempinski Hotel Bangkok ได้มีการแนะนำเทคโนโลยีใหม่ๆ ของสาย automation ที่น่าสนใจหลายอย่าง ซึ่งหนึ่งในนั้นคือการพัฒนา large language model ของ UiPath เอง (Specialized LLMs) ขึ้นมาเพื่อนำมาใช้งานกับเครื่องมือ UiPath Document Understanding (DU) ทำให้ประสิทธิ์ภาพการทำงานของ DU เพิ่มขึ้นไปอีกมาก

แต่ก่อนที่จะลงลึกไปที่ Specialized LLMs ที่ว่านี้ ทางออโต้แมทขอเล่าถึงโซลูชั่นการจัดการกับข้อมูลที่ไม่ได้เป็น digital (หมายถึงพวกรูปภาพหรือเอกสารที่ถูกสแกน เป็นต้น) ก่อนว่าเราสามารถนำข้อมูลเกลุ่มนี้เข้ามาใช้งานใน automation process อย่างไร

ในการทำงานกับลูกค้าของเรา เมื่อข้อมูลตั้งต้นที่ต้องนำไปใช้ในขั้นตอนการทำงานต่างๆอยู่ในรูปของเอกสารหรือไฟล์ที่ถูกสแกนมา เช่นการดึงข้อมูล part number จากเอกสาร design specification เพื่อไปจัดทำ BOM ในระบบ ERP หรือการนำรายการยาและอุปกรณ์ทางการแพทย์จากเอกสาร invoice ไปใช้กับกระบวนการเคลมของบริษัทประกัน เป็นต้น ซึ่งเอกสารเหล่านี้ก็มักจะมีลักษณะที่ไม่ตายตัว มีรูปลักษณะที่แตกต่างกันไปแม้เป็นเอกสารชนิดเดียวกัน เราจะนำ UiPath Document Understanding (DU) เข้ามาทำการคัดแยกชนิดเอกสารและดึงข้อมูลที่ต้องใช้ออกจากเอกสารเหล่านี้ ซึ่งผลลัพท์จากการดึงหรืออ่านข้อมูลนี้ก็จะถูกโรบอทในกระบวนการ RPA นำไปทำงานในระบบเคลมหรือระบบ MRP ต่อไป

อย่างไรก็ตาม ถึงแม้ UiPath Document Understanding จะช่วยทำงานดังกล่าวได้เป็นอย่างดีและสามารถก้าวข้ามความท้าทายของการจัดการข้อมูลเอกสารต่างๆเช่น การอ่านภาษาไทย, การอ่าน field พิเศษอย่าง checkbox, การสแกนเอกสารเอียง เป็นต้นได้ก็ตาม เราสังเกตได้ว่าในกรณีที่เอกสารมีความซับซ้อนสูงและมีเอกสารใหม่เข้ามาอยู่เรื่อยๆ การ train AI model ของ UiPath Document Understanding จำเป็นต้องอาศัยข้อมูลเป็นจำนวนมากและใช้เวลาค่อนข้างมากด้วยในการ train ให้ model ดังกล่าวให้เข้าใจเอกสารในระดับที่เกิดความผิดพลาดต่ำ

UiPath เองก็ได้มีการพัฒนาเทคโนโลยีใหม่ๆขึ้นมาเพื่อเพิ่มประสิทธิภาพการทำงานของผลิตภัณฑ์ต่างๆของตนเองรวมทั้ง Document Understanding เพื่อให้ model มีความแม่นยำยิ่งขึ้น โดยเมื่อไม่นานมานี้ UiPath ได้เริ่มรวมเอาความสามารถของ Generative AI หลายอย่างเข้ามาใน Document Understanding เช่นการออก Generative Extractor model เพื่อเพิ่มขีดความสามารถให้ผู้ใช้งานระบุข้อมูลหรือข้อความที่ต้องการดึงจากเอกสารผ่านการทำงานร่วมกับ prompt เช่นการดึงข้อมูล job candidate จากอีเมล เอกสาร resume หรือเอกสารการสมัครงานอื่นๆตามตัวอย่างที่แสดงด้านล่าง

ข้อมูล prompt ดังกล่าวจะถูกส่งไปที่ LLM พร้อมกับข้อมูลของเอกสาร ทำโรบอทสามารถเข้าใจเอกสารได้รวดเร็วกว่าการที่ต้องนำตัวอย่างเอกสารการสมัครงานจำนวนมากเข้ามา train ด้วยตัวผู้ใช้งานเองอย่างเดียว

ทีนี้เรากลับมาที่หัวข้อ Specialized LLMs ที่ได้เกริ่นไว้แล้วข้างบน

การนำความสามารถในการทำงานร่วมกับ GenAI ของ Document Understanding อย่างในกรณีของ Generative Extractor นั้นถือเป็นการทำงานกับ LLM ที่ train เอาไว้แล้วกับชุดข้อมูลที่หลากหลาย (diverse datasets) เพื่อให้สามารถหาคำตอบให้กับผู้ใช้งานที่เป็น generic ซึ่งหมายความว่าพวกเขาอาจถามในเรื่องอะไรก็ได้

กลุ่มของ LLMs ที่เป็น generic หรืออาจเรียกอีกอย่างว่า foundational LLMs เหล่านี้ (GPT-4 คือตัวอย่างหนึ่ง) มีความรอบรู้ในด้านกว้างแต่ก็อาจขาดความรู้ในเชิงลึก เช่นการทำความเข้าใจและดึงข้อมูลที่ถูกต้องออกจากเอกสารที่เราต้องการ พูดอีกอย่างนึงก็คือ ถ้าเราตัดความจำเป็นที่ large language model ต้องเข้าใจในแทบทุกเรื่อง (อย่าง foundational LLMs) เพื่อคลอบคลุมความรู้ที่หลากหลาย และเลือกพัฒนา LLMs ขึ้นมาเพื่อโฟกัสการ train เฉพาะ domain หรือ subject ที่เราสนใจจะใช้งาน เราก็จะได้ model ที่แม่นยำและไม่ต้องใช้เวลา train มากอย่างที่ผ่านมา

ที่คือ Specialized LLMs ที่ UiPath ทำและได้แถลงเปิดตัวเมื่อช่วงปลายไตรมาสที่ 1 ของปีนี้รวมทั้งในงาน AI-Powered Automation Summit ที่กรุงเทพฯ โดย UiPath ได้พัฒนาขึ้นมา 2 model คือ DocPath ซึ่งเป็น LLM ที่พัฒนาขึ้นมาใช้กับ UiPath Document Understanding และ CommPath ซึ่งเป็น LLM ที่พัฒนาขึ้นมาใช้กับ UiPath Communication Mining ซึ่งทั้ง 2 model นี้ถูกสร้างโดยมี core ของฟังชั่นการทำงานเป็น GenAI แต่มีการ train กับเอกสารและ communication messages ที่มีความซับซ้อนเพื่อตอบโจทย์การทำงานที่ต้องอาศัยความรู้ความเข้าใจในเชิงลึก

ฉะนั้น ด้วยการโฟกัสเฉพาะเรื่องที่สนใจแต่สร้าง model ด้วย GenAI ที่มีความสามารถอันมากมาย ผลลัพธ์ซึ่งวัดด้วยความแม่นยำของการทำงานไม่ว่าจะเป็นการคัดแยกชนิดเอกสารหรือการอ่านข้อมูลที่ต้องการจากเอกสารจะสูงกว่า LLMs แบบ generic อื่นๆรวมทั้งตัวของ UiPath Document Understanding เองก่อนหน้าที่จะมี Specialized LLMs อย่างแน่นอน ซึ่ง UiPath ก็ได้เปิดเผยผลการทดสอบภายในที่แสดงให้เห็นว่า UiPath DocPath มีความผิดพลาดโดยเฉลี่ยต่ำกว่า GenAI Model ชั้นนำอยู่ระหว่าง 45% – 76% ด้วยกันเมื่อพิจารณากันเฉพาะความสามารถในการอ่านเอกสารได้อย่างถูกต้อง

ผลการทดสอบด้านบนแสดงเปอร์เซ็นต์ความผิดพลาดจากการอ่านเอกสาร (Extraction Errors) ของเทคโนโลยีด้านการจัดการเอกสารต่างๆที่นำ AI เข้ามาใช้เพิ่มขีดความสามารถ ซึ่ง UiPath DocPath มีเปอร์เซ็นต์ความผิดพลาดต่ำที่สุดเมื่อเทียบกับกลุ่มเทคโนโลยีที่ยังใช้ Generic LLMs

ฉะนั้นจากความสามารถของเทคโนโลยีการจัดการเอกสารล่าสุด (Intelligent Document Processing) ที่มีการนำ Specialized LLMs เข้ามาร่วมทำงานด้วย ดูเหมือนว่าเราจะก้าวข้ามคำถามที่ว่าจะแยกเอกสารที่ต้องการออกจากเอกสารที่เข้ามาทั้งหมดได้อย่างไรหรือจะอ่านเอกสารที่เป็นแบบ unstructured ได้อย่างไรไปแล้ว แต่เป็นคำถามที่ว่าจะทำอย่างไรให้มี process การทำงานที่ถูกต้องแม่นยำโดยใช้เวลาไม่นานในการ train หรือ retrain AI model ให้สามารถทำงานได้จริง

Credit:

UiPath Blog
Internal R&D Lab

UiPath AI Summit 2024

Turn AI hype into business results: Top takeaways from UiPath AI Summit 2024 – automat notes

สรุปใจความสำคัญ part 1 – รู้จัก เข้าใจ และใช้งานเพื่อเปลี่ยนจากความสนใจเป็นการยกระดับธุรกิจ

Turn AI hype into business results: Top takeaways from UiPath AI Summit 2024

ในทุกๆ ปีทาง UiPath RPA platform อันดับต้นๆในตลาดจะมีการจัดงาน ai summit โดยปีนี้มีการแบ่งเนื้อหาน่าสนใจออกเป็นทั้งหมด 4 ส่วนด้วยกันคือ

1.เนื้อหาในส่วนของการกล่าวเปิด การแชร์ความเห็นจากผู้เชี่ยวชาญจาก Forrester และการเล่า overview การเปิดตัวสิ่งใหม่ๆจาก UiPath

2.การประยุกต์ใช้จริง และประสบการณ์จริง อุปสรรคและการต่อยอดในอนาคต แยกตาม automation & ai ตามประเภทอุตสาหกรรม ธนาคาร ประกันภัย การผลิต สุขภาพ เป็นต้น

3.รายละเอียด แยกตาม module ใหม่ๆของ UiPath ในยุคต่อไป ที่เป็นการดึงเอาศักยภาพของ ปัญญาประดิษฐ์เข้ามามีส่วนและแบ่งแยก AI ออกเป็นสองส่วนคือ Specialized AI และ GenAI

4.แผนการออกบริการและผลิตภัณฑ์ใหม่ๆ การสนับสนุน (Platform Road Map) และการมองอนาคตของการเอา automation & ai มาใช้อย่างเห็นผล

ในเนื้อหาตอนแรกนี้ แอดมินของเล่าจากการฟังอย่างรวดเร็ว (เขียน blog นี้โดยฟังและจับเอาจากการนั่งฟัง live และจดสรุปใจความสำคัญออกมาได้ดังนี้ (key note session)

ในช่วงแรก ผบห UiPath คุยสัมภาษณ์ mr.Curran (Senior Analyst at Forrester) ถึงการนำเอา GenAI ต้องคำนึงถึงสามเรื่องคือ การเตรียมบริบท การเปิดและการให้เข้าถึงโมเดล และการนำไปใช้ ถ้าทำสามอย่างได้อย่างง่ายๆ จะทำให้การใช้งานจริงในธุรกิจ ประสบผลดี
ทั้งนี้ platform การใช้งานต้องอยู่ภายใต้ความมั่นคง ปลอดภัย และน่าเชื่อถือ
การทำให้บริบท พร้อมถึงขีดสูงสุดเพื่อให้ GenAI มี prompt ที่สมบูรณ์จริงๆ ก่อนนำไปสร้างผลลัพธ์ที่ถูกต้อง ไม่มีการตามมาหลอกหลอนของ AI ด้วยการทำการต่อสายดิน (อันนี้แปลตรงตัว แต่ก็ทำให้เข้าใจดี) ว่ามีการประยุกต์
ประสานแนวคิด RAG (Retrieval Augmented Generation) หรือที่เราเรียกย่อๆ ว่า RAG คือเทคนิคในการสร้างระบบการสนทนาปัญญาประดิษฐ์ (Conversational AI) ที่ใช้การผสมผสานระหว่างการถอดความ (Retrieval) จากฐานความรู้ขนาดใหญ่ และการสร้างข้อความ (Generation) โดยใช้โมเดลการสร้างภาษา (Language Model)โดยจะมีกระบวนการทำงานของ RAG มีดังนี้:
- ระบบจะวิเคราะห์คำถามหรือข้อความของผู้ใช้
- ระบบจะค้นหาข้อมูลที่เกี่ยวข้องจากฐานความรู้ขนาดใหญ่ โดยอาจเอามาจาก Enterprise Data warehouse หรือ Data mart ในเรื่องต่างๆ ที่องค์กรทำขึ้น
- โมเดลการสร้างภาษาจะนำข้อมูลที่ค้นพบมาสังเคราะห์และสร้างคำตอบด้วย GenAI
- จุดเด่นของ RAG คือช่วยให้ระบบ AI มีความรู้ที่ครอบคลุมและทันสมัยมากขึ้น เนื่องจากดึงข้อมูลจากแหล่งความรู้ภายนอก และประสานกันกับภายใน แต่คำตอบก็ยังคงความเป็นธรรมชาติจากการสร้างข้อความของโมเดลภาษา ทำให้การสนทนามีประสิทธิภาพมากขึ้นถูกต้องและหลอนน้อยลงไปมาก
เปิดตัว UiPath LLM อย่าง DocPath และ ComPath โดยตัว UiPath DocPath จะช่วยให้องค์กรประมวลผลเอกสารใด ๆ ทางธุรกิจที่ซับซ้อน และไม่มีโครงสร้างได้ดี ส่วนตัว UiPath CommPath มีความสามารถประมวลผลการสื่อสารที่หลากหลาย ตั้งแต่ข้อความ อีเมล chat ด้านธุรกรรมไปจนถึงคําขอที่ซับซ้อนซึ่ งมีคําขอหลายรายการและภาษาเฉพาะบริบทในแต่ละธุรกิจ แต่ละองค์กร ทั้งนี้จุดขายคือความแม่นยำ การเทรนโมเดลที่เร็ว และน่าเชื่อถือ
เปิดตัว UiPath AutoPilot ที่มีความเก่งในแต่ละด้านอาทิ สร้าง process flow program ได้ด้วย prompt หรือแม้กระทั่งสร้าง UiPath App (low-code) ด้วยการส่ง PDF ภาพตัวอย่างที่เราออกแบบมาคร่าวๆได้เลย ยังมีรายละเอียดที่จะเขียนต่อไปในบทความตอน div deep ต่อไปครับ

แนวโน้มของ AI & Automation ในปี 2024

เป็นเรื่องปกติไปในแล้วในทุกๆปี ใกล้วาระเปลี่ยนปี จะมี blog หรือเอกสารงานวิจัยมาแชร์เรื่องราวน่ารู้อย่าง แนวโน้มสำคัญที่คนไอทีในวงการต้องรู้ วันนี้มาฟังเรื่อง Trend ของ business automation กันครับ

เป็นเอกสารแชร์จากทาง UiPath Global ที่อ้างอิงถึงสำนักวิจัยดังๆหลายๆที่เช่น Gartner (Magic Quadrant 2023-RPA), Forrester Wave – RPA Q12023 หรือ Mckinsey&Company ในบทความต่างๆ มากมายที่แอดมินตามศึกษา จะบอกออกมานัยยะแนวเดียวกันหมดเลยถึงเรื่องผลกระทบการมาของ “GenAI” ชื่อเต็มๆคือ Generative AI พวก Open.AI (ChatGPT), Google (Bard) และอื่นๆที่จะตามมาในอนาคตอย่างมากมาย

เอกสารช่วยสรุปความออกมาเป็น 7 แนวโน้ม ซึ่งแน่นอนเข้าทาง UiPath ที่เป็นผู้นำในตลาด RPA อยู่แล้ว เหมือนอ่านจบเราแค่ได้รับการยืนยันเพิ่มจากสำนักวิจัยอื่นๆ ว่า “ใช่แล้ว” ถูกทางแน่ๆ ประมาณนี้ มาลองดูที่แอดมินสรุปกันครับ

การรับรู้และซึมซับถึงประโยชน์ของ automation & ai สู่ผู้บริหารระดับสูง อย่างไม่เคยเป็นกันมาก่อน เทรนนี้จะส่งผลถึงการให้ความสำคัญกับทรัพยากร การวางแผนเอา GenAI มาใช้พัฒนากระบวนการทำงาน งบประมาณที่ลงไปกับเรื่องราวเหล่านี้จะถูกตอบแทนด้วยผลลัพธ์ที่หวังเอาไว้เช่นเพิ่มประสิทธิภาพงาน (85%) เพิ่มช่องทางการทำรายได้ใหม่ (52%) ยกระดับงานเดิม (58%) เป็นต้น
แนวโน้มนี้พูดถึง การเลือก use case ที่ดี จะทำให้ “มีชัย” ไปกว่าครึ่ง … ในกรณีนี้คือเหล่า CIO, CEO คงต้องประเมินว่าเมื่อเราให้ความสำคัญและอยากเริ่มต้น และสำเร็จได้อย่างรวดเร็ว ควรเลือก automation + GenAI ที่มีแนวโน้มทำได้เลย และมี ROI สูงๆ โดยในที่นี้มีตัวอย่างที่ #automat เราทำสำเร็จมาแล้วอย่าง IDP (Intelligent Document Processing) โครงการนี้มีส่วนประกอบหลักสามเรื่องคือ RPA + OCR และ AI โดยเราช่วยลูกค้าประหยัดเวลาในการทำงานกับเอกสารด้านการประกันภัยที่มีหลากหลายรูปแบบ ทำให้ลดเวลาและเพิ่มความแม่นยำ นอกจากนี้ยังมี use case อย่างการประยุกต์ใช้ Communication Mining กับกระบวนการอ่านเอกสาร email, text และสัญญาต่างๆ (ใช้ GenAI มาช่วยแยกเยอะ ตีความ และตอบกลับ) เป็นต้น
แนวโน้มที่มาแรงมากๆ อีกและถูกผู้บริหาร ผู้นำในองค์กรโหวตถึง 86% คือการใช้ ai มาช่วยยกระดับการสแกนกระบวนการปัจจุบัน และหา “ช่องโหว่” เพื่อปรับปรุงกระบวนการ ซึ่งในทุกวันนี้มีการใช้งาน process mining tools และ communication mining มาเพื่อจับสัญญาณต่างๆ เปรียบเหมือนเราไปสแกน MRI เพื่อให้ได้ผลวิเคราะห์ที่ถูกต้องแม่นยำมากขึ้น มาใช้ในการพัฒนา ปรับกระบวนการ
จากผลลัพธ์จากแบบสอบถาม 65% มองเรื่องการความจำเป็นในการที่องค์กรจะเริ่มมองหา และใช้งานเทคโนโลยีปัญญาประดิษฐ์อย่าง LLM (Large Language Model) และ Generative AI เสียที หลายๆ องค์กรจะริเริ่ม pilot ในปีนี้เสียด้วยซ้ำ แนวโน้มการใช้ “Co-Pilot” หรือผู้ช่วยการทำงานของพนักงานในทุกระดับ ไม่ว่า business user ที่ไม่มีทักษะไอทีใด ๆ หรือ นักพัฒนาโปรแกรม นักวิเคราห์ปรับปรุงกระบวนการ ซึ่งจากนี้ไปจะมีเครื่องมือจาก UiPath Autopilot มาเป็นเพื่อน ไมว่าคุณอยากจะเทรนโมเดล สอนการ copy-paste ข้อมูลข้ามจากเอกสาร (กระดาษ) ไปลงปลายทางที่หน้าจอระบบ ERP (GUI) ก็ทำได้อย่างง่ายๆ และทำด้วยด้วยภาษามนุษย์เราสื่อสารกับ GenAI เป็นต้น ไว้อันนี้แอดมินจะมาเล่าละเอียดอีกครั้ง
ความสามารถของปัญญาประดิษฐ์ทำให้เกิดแนวโน้มอันนี้ที่ว่าในตัวกระบวนการสร้าง robot เองก็จะ “เก่ง” ขึ้นเรื่อยๆ ตั้งแต่การสร้างโปรแกรมด้วยการสั่งงาน (ไม่ต้องเริ่มด้วยการโค้ด) การรู้ตนด้วยการรู้สถานะตนเองของโรบอทว่าทำงานได้ปกติดี หรือต้องการปรับปรุงส่วนใด ๆ ระบบจะนำแนะออกมาให้นักพัฒนา และสุดท้ายคือการเทรนโมเดลที่ทำได้ด้วยความรวดเร็วกว่ายุคก่อนด้วยเทคนิคใหม่ๆอย่าง GenAI เป็นต้น ซึ่งอันนี้จะเป็นแค่การเริ่มต้นในปีหน้า แต่จะต่อยอดอย่างเข้มแข็งเป็นเทรนหลักในปีต่อๆไป
จริยธรรม ธรรมมาภิบาล รวมไปถึงกฎเกณฑ์การใช้เอไอได้ หรือไม่ได้จะถูกกำหนดขึ้นมาจากองค์กร แรงกระเพื้อมอันนี้จำเป็นอย่างยิ่งในยุคเอไอถูกใช้จากคนในทุกระดับ เพราะเราต้องมี platform ที่แข็งแรง มีการเก็บข้อมูลการใช้งาน เอามาวิเคราะห์และตั้งกฎตั้งค่าการใช้ให้ปลอดภัย และไม่ไปละเมิดกฎเกณฑ์ใดๆ ที่มนุษย์เราตั้งขึ้นมาด้วย การทำงานร่วมระหว่างมนษย์และหุ่นยนต์ในลักษณะ “ผู้ตรวจงานโรบอท” จะเป็นแนวโน้มหลักจากนี้ไป ทำให้เทรนอันนี้จำเป็นต้องมีผู้รู้ที่เคยทำมาก่อน มี best practice ที่ดีมาช่วยแนะนำด้วย
แนวโน้มการต้องยอมรับการเปลี่ยนแปลงด้วยการ force จากปัญญาประดิษฐ์ ความสามารถของมันในการทำงานแทนมนุษย์เรา ด้วยทักษะของ LLM ที่ปัจจุบันก็แทบจะทำได้ 70-80%ในงานนั้นๆอยู่ จะเกิดอะไรในปี 2030 เมื่อ กระบวนการทั้งหมดจะถูกปรับเป็นระบบอัตโนมัติด้วยโรบอต เกิดการทำงานร่วมกันของมนุษย์และหุ่นยนต์ แนวคิดของการ “นิยาม” การทำงานใหม่ๆ จึงเกิดขึ้นเช่น การเรียนรู้จากผู้เชี่ยวชาญในรูปแบบใหม่ๆ การนำเข้าประสบการณ์ใหม่ใหม่ควบรวมกับประสิทธิภาพของปัญญาประดิษฐ์ การออกกฎเกณฑ์มาควบคุมและดูแลในระดับสังคมโดยรวม และสุดท้ายคือการพัฒนาทักษะใหม่ใหม่อาทิเช่น prompt engineers ที่อาจจะมาแทนที่ทักษะการเขียน code เป็นต้น ในปีหน้าน่าจะมีอะไรใหมๆ มาเพิ่มเข้าไปอีก หวังว่าทุกคนจะเรียนรู้ และสนุกไปกับมันกันครับ

ในปีหน้าน่าจะมีอะไรใหมๆ มาเพิ่มเข้าไปอีก หวังว่าทุกคนจะเรียนรู้ และสนุกไปกับมันกันครับ

Source:

https://www.uipath.com/resources/automation-whitepapers/automation-trends-report

หุ่นยนต์นักบัญชีปี 2023 (Robotic Process Automation with Accounting use case)

ในช่วงต้นเดือน ต.ค. ที่ผ่านมานับเป็นเกียรติอย่างยิ่งของแอดมิน และทีมงาน automat consulting ได้รับความไว้วางใจให้เข้าไปมีส่วนในการแบ่งปันประสบการณ์ถ่ายทอดการใช้งานระบบ RPA ให้กับน้องน้องนิสิตปริญญาตรี และปริญญาโทคณะบัญชี จุฬาลงกรณ์มหาวิทยาลัย ซึ่งก่อให้เกิดการประชุมร่วมมือกันทำ MOU สามฝ่ายตั้งแต่คณะบัญชีจุฬา(CBS) รวมไปถึง UiPath Global และบริษัท Automat Consulting พวกเราหารือกันว่าจะร่วมกันแบ่งปัน แชร์เครื่องมือ และสอนการพัฒนา เพิ่มทักษะดิจิตตอลด้วยการใช้ RPA จาก UiPath ให้กับน้อง ๆ นิสิต บุคลากรในมหาวิทยาลัย และยังเล็งเห็นความสำคัญไปถึงภาคของสังคมอีกด้วย น่าจะได้เห็นกิจกรรมดีๆ จากความร่วมมือครั้งนี้กันต่อไปครับ

จากนั้นทาง อจ จากคณะได้ขอให้ช่วยไปทำ online session เพื่อแชร์เรื่อง “ความสำเร็จของหุ่นยนต์นักบัญชี” ในช่องบัญชีออนไลน์ที่จัดกันทุกๆเดือน แอดมินก็เตรียมข้อมูล เคส และ live demo หลายๆชิ้นไป ปรากฏว่าคุยไปมาเวลาหมดกันไปเสียก่อน ยังมีเรื่องที่เตรียมไว้แต่ไม่ได้เล่าจึงถือโอกาสมาเขียนแชร์ไว้ในบล็อกวันนี้เลย และหวังว่าโอกาสหน้าจะได้ไปเล่าใน Banshi Online ให้กับท่านนักบัญชีอีกครั้งครับ แต่สามารถตามไปดู-ฟัง ย้อนหลังกันได้ที่นี่ครับ (หนึ่งชั่วโมง)

บล็อกวันนี้เลยนำ use case ทางบัญชีที่เห็นกันประจำ และ automat ได้เข้าไปช่วยทำออกมาคร่าวดังนี้ครับ

การประมวลผลใบสั่งซื้อ (Purchase Order Processing) ใช้ในการอัตโนมัติกระบวนการสแกนใบสั่งซื้อเพื่อดึงข้อมูลสำคัญ, นำข้อมูลเหล่านี้เข้าสู่ระบบที่เหมาะสม และสร้างคำขออนุมัติ
การจับข้อมูลของใบกำกับสินค้า ใบส่งของ (Invoice, DO Data Capture) เราเอา RPA+AIไปใช้ในการสแกน แปลงรูปแบบ และอัปโหลดข้อมูลจากใบกำกับสินค้าที่เป็นกระดาษและเอกสารกระดาษที่เหมือนกันโดยอัตโนมัติเข้าสู่ระบบ ERP เช่น SAP, JDE, Oracle หรืออื่นๆ
การสร้างใบกำกับสินค้าอัตโนมัติ (Invoice Creation) เราใช้ RPA ไปอ่านข้อมูลอัตโนมัติคำขอใบกำกับสินค้าทางอีเมลและไฟล์แนบ บันทึกไฟล์ที่ได้รับโดยอัตโนมัติ และบันทึกข้อมูลในระบบบัญชี RPA สามารถใช้ในการอ่านไฟล์ Excel ในโฟลเดอร์ที่แชร์เพื่อดึงรายละเอียดและเก็บไว้ในฐานข้อมูล จากนั้นเข้าสู่ระบบบัญชีเช่น SAP, Oracle เพื่ออัพเดตข้อมูลกลับ คนก็ไม่ต้องพิมพ์อีก ลดเวลาไปเยอะ
การอัตโนมัติกระบวนการใบกำกับสินค้า (Invoice Process Automation) ประมวลผลใบกำกับสินค้าตั้งแต่เริ่มจนจบ สามารถดึงข้อมูล จัดประเภท และตรวจสอบข้อมูลจากใบกำกับสินค้าหรือบิลสาธารณ utilitiesได้โดยอัตโนมัติ
การตรวจสอบการปรับปรุงบัญชีระหว่างบริษัท Intercompany Reconciliations (ICR) ใช้ RPA ช่วยในการปรับสมดุลบัญชี และสร้างงบการเงิน (Excel with formula) โดยไม่มีข้อผิดพลาดใด ๆ

ตอนจบรายการ แอดมินยังได้มีการ live demo สั้นๆ ไปกับตัว UiPath Clipboard AI ซึ่งเป็นอีกเครื่องมือหนึ่งที่น่าจะมีประโยชน์กับนักบัญชี และไว้จะนำมาเล่าในโอกาสต่อไป

Source:

ปลดล็อคกระบวนการด้านพัฒนาระบบ RPA ด้วย ChatGPT

เล่าเรื่องการเชื่อมต่อ UiPath vs ChatGPT และลองเขียน blog แบบรวดเร็วด้วยเอไอ

บอกไว้ก่อนว่าบทความนี้เขียนขึ้นมาเอง 30% และจากนั้นนำเอา ChatGPT มาช่วยเขียนและปรับเพิ่มเติม (บทแปล ยกตัวอย่าง 70%) ตอนอ่านลองมาเดากันเล่นๆ ได้ครับว่าอันไหนคนเขียน อันไหนโปรแกรมปัญญาประดิษฐ์มาช่วย

ต้นสัปดาห์ที่ผ่านมาได้ทดสอบเอา UiPath ไปดึงเอาข้อมูลลูกค้าใน SalesForce แล้วเราดูว่าถึงกระบวนการต้องให้ทีมขายเตรียม technical proposal ไปนำเสนอลูกค้าหรือยัง ลองนึกว่าถ้าต่อหนึ่งพนักงานขายมีลูกค้าที่ต้องเตรียม proposal สัก 30 คนนี่งานหนักแน่ คลิปด้านล่างเป็นสิ่งที่ผ่านมาทดสอบมาแล้ว (แต่ก็ยังมีต้องมาปรับเพิ่มบ้าง) ตามคลิปการใช้งานสั้นๆครับ (ด้านล่าง)

SalesForce > ChatGPT > UiPath > Sales Proposal

ในช่วงที่ผ่านมา AI ได้เข้ามาเปลี่ยนภาพจากเทคขั้นสูงสู่คนปกติธรรมดา ที่จะใช้มันภาพสรรค์งานได้อย่างรวดเร็ว ง่าย และฟรีๆ พูดได้เลยว่ามันได้เคลื่อนย้ายจากการเป็นเทคโนโลยีระดับสูงไปสู่การเป็นเทคโนโลยีปกติธรรมดาที่ทุกคนเข้าถึง

ในขณะนี้ ทุกคนสามารถใช้ AI เพื่อสร้างศิลปะที่น่าตื่นเต้น เสียงพูดในหนังสือ เขียนบล็อก หรือแม้กระทั่งสร้างภาษาโปรแกรมใหม่จากต้นฉบับ สมมติว่ากลับไปเพียงไม่กี่ปีก่อนแล้วก็บอกเพื่อนร่วมงานของคุณว่าคุณจะสามารถทำทั้งหมดนี้ได้แค่ใช้สมาร์ทโฟนได้เลย ง่ายๆ แบบนี้แหละ

การเปิดตัว ChatGPT จาก OpenAI – โมเดลภาษาขนาดใหญ่ที่สามารถสร้างข้อความที่เหมือนมนุษย์ได้ – ได้เป็นตัวช่วยขับเคลื่อน ทำให้ผู้คนหลายล้านคนทั่วโลกได้เห็นการเปลี่ยนแปลงของ AI ล่าสุดและมุ่งมั่นไปที่สิ่งที่เป็นไปได้กับโมเดลเหล่านี้ นี่เป็นการก้าวไปข้างหน้าในการทำให้ AI เข้าถึงได้ง่ายขึ้น โดยมีโมเดลพื้นฐานที่มีประสิทธิภาพสามารถใช้สร้างเครื่องมือที่มีค่ามากขึ้นได้อีกด้วย

เลยขอมาเล่าเรื่องที่จะนำเอา RPA + AI อย่าง ChatGPT มาใช้กันได้อย่างไรในหลากหลายตัวอย่าง

1.ใช้ ChatGPT เพื่อเข้าใจโค้ดของนักพัฒนาอื่น

การใช้ ChatGPT ที่ดีคือการช่วยนักพัฒนาอาชีพในการตอบคำถามเกี่ยวกับโค้ดของนักพัฒนาอื่น มันง่ายเพียงแค่วางโค้ดลงใน ChatGPT แล้วถามให้มันอธิบายว่าโค้ดทำอะไร นี่จะช่วยให้นักพัฒนาแอพพลิเคชั่นเข้าใจภาษาโปรแกรมต่างๆ เช่น VB.Net, SOQL, JQL, LINQ และภาษาโค้ดอื่นๆ

ประโยชน์: ช่วยให้นักพัฒนาสามารถขยายความรู้ของภาษาโปรแกรมที่น้อยใช้มากขึ้น

2.สร้างเอกสารคู่มือโค้ดได้อย่างรวดเร็วด้วย ChatGPT

ChatGPT ยังช่วยบรรเทาความเจ็บปวดจากการสร้างเอกสารผู้ใช้สำหรับโค้ดได้อีกด้วย หลังจากวางข้อมูลทั้งหมดที่เกี่ยวข้องกับระบบของคุณลงใน ChatGPT คุณสามารถถามคำถามที่ผู้ใช้งานส่วนใหญ่อาจมีและนำผลลัพธ์มาใช้เป็นเอกสารของคุณ

ในอนาคตอันใกล้นี้ เวอร์ชั่นขั้นสูงขึ้นของ ChatGPT หรือโมเดลที่เหมือนกันอาจช่วยอัปเดตเอกสารผู้ใช้ได้ด้วย สมมุติว่าคุณสื่อสารข้อมูลเวอร์ชั่นใหม่ล่าสุดของระบบของคุณและมีโมเดลอัปเดตเอกสารที่เกี่ยวข้องกับเวอร์ชั่นใหม่

3.สร้างโค้ดจากคำขอภาษาธรรมชาติ

หนึ่งในศักยภาพที่น่าตื่นเต้นของ ChatGPT คือช่วยให้ผู้ใช้ที่ไม่มีพื้นฐานด้านเทคโนโลยีสามารถกลายเป็นนักพัฒนาได้ด้วย โมเดล AI แบบเจเนอราทีฟช่วยให้ผู้ใช้ทางธุรกิจและผู้พัฒนาที่ไม่มีพื้นฐานด้านเทคโนโลยีสามารถสร้างการทำงานอัตโนมัติจากคำอธิบายที่เข้าใจง่ายของตัวเองได้ เช่น พวกเขาสามารถอธิบายว่าต้องการบันทึกไฟล์ Excel ในโฟลเดอร์ที่กำหนดไว้ แล้วขอให้ ChatGPTเขียนโค้ดเพื่อสร้างการทำงานนี้ให้โดยอัตโนมัติ

นี่คือศักยภาพที่ยิ่งใหญ่ของ AI แบบเจเนอราทีฟที่ช่วยให้ผู้ใช้ทุกระดับสามารถสร้างการทำงานอัตโนมัติเพิ่มเติมและเข้าใจได้ง่ายขึ้นในการทำงานประจำวัน

ประโยชน์: ช่วยให้ผู้ใช้ที่ไม่มีพื้นฐานด้านเทคโนโลยีสามารถสร้างการทำงานอัตโนมัติจากคำอธิบายที่เข้าใจง่ายของตัวเองได้ นำไปสู่โอกาสการพัฒนาที่ต่อเนื่องในองค์กรและอุตสาหกรรม

4.สร้างข้อมูลทดสอบ (Generate test data)

เมื่อนักพัฒนาต้องการเซตข้อมูลทดสอบ เช่นรายชื่อผู้ติดต่อในการตลาด พร้อมกับชุดข้อมูลที่กำหนด (เช่น ชื่อ, เบอร์โทรศัพท์ และที่อยู่) สำหรับรัฐหรือภูมิภาคที่กำหนดไว้ ChatGPT สามารถสร้างชุดข้อมูลปลอมๆ ให้ได้อย่างรวดเร็ว

ตัวอย่างคำสั่ง: “ฉันสร้างแอปพลิเคชันที่จะใช้กับเบอร์โทรศัพท์และที่อยู่ ฉันต้องการข้อมูลต่อไปนี้ไว้ในเรคคอร์ด: ชื่อ, เบอร์โทรศัพท์ และที่อยู่ สร้างตัวอย่างระบุไว้ 30 เรคคอร์ด ในรัฐเวชิงตัน สหรัฐอเมริกา”

สามารถปรับเปลี่ยนคำสั่งตามพื้นที่ที่คุณอยู่หรือเพื่อเฉพาะชื่อที่ขึ้นต้นด้วยตัวอักษร A เพื่อดูว่าแอปพลิเคชันจะสร้างชุดข้อมูลในรูปแบบไหนได้

ประโยชน์: ช่วยเร่งการสร้างชุดข้อมูลทดสอบโดยการสร้างชุดข้อมูลปลอมๆ ที่เป็นไปตามกฎความสอดคล้องตามตรรกะ ทำให้นักพัฒนาประหยัดเวลาและแรงใจ

5.Generate test code for a code sequence

ถ้าเรามี sequence ของโค้ดแล้วต้องการสร้างสคริปต์การทดสอบสำหรับ sequence นั้น ๆ ChatGPT สามารถช่วยและสร้างโค้ดการทดสอบได้ ในภาษาเช่น Python, JSON, C หรือ XAML (หรือแม้แต่แปลงระหว่างภาษาต่าง ๆ)

นอกจากนี้ ChatGPT ยังสร้างข้อมูลการทดสอบที่จำเป็นเพื่อครอบคลุมทุกกรณีทดสอบ

ประโยชน์: ช่วยเร่งความเร็วในการสร้างสคริปต์การทดสอบสำหรับเวิร์กโฟลว์ได้อย่างรวดเร็ว

ในอีกแนวคิดการเชื่อมต่อ UiPaht RPA กับ ChatGPT ในแง่กระบวนการด้านธุรกิจ

1.วิเคราะห์ความคิดเห็นของลูกค้า

การใช้ ChatGPT ในการวิเคราะห์ข้อความและประเมินอารมณ์ของความคิดเห็นจากลูกค้าเกี่ยวกับสินค้าที่เฉพาะเจาะจง เป็นการใช้งานที่สร้างความประทับใจอย่างมาก

เพื่อแสดงวิธีการใช้งาน เราสามารถให้ ChatGPT รับข้อมูลความคิดเห็นจากลูกค้าและใส่รหัสดังต่อไปนี้ “กรุณาระบุอารมณ์ของความคิดเห็นนี้ ให้แบ่งเป็นบวก, ลบหรือผสม” ChatGPT จะตอบกลับมาโดยระบุสีสันของข้อความอย่างต่อเนื่องและแม่นยำ

เรายังสามารถเพิ่มการออโตเมชันเข้าไปได้อีกด้วย โดยที่หุ่นยนต์สามารถส่งรายการความคิดเห็นไปยัง ChatGPT และแบ่งปันรหัสดังกล่าวเพื่อรับคำตอบสำหรับข้อความแต่ละข้อ และนับผลตอบกลับที่เป็นบวก, ลบ หรือผสม โดยการตรวจสอบสีสันของข้อความ การใช้งานด้านนี้จะช่วยให้สามารถประมวลผลข้อมูลจากความคิดเห็นได้อย่างมีประสิทธิภาพ โดยเฉพาะอย่างยิ่งความคิดเห็นที่ไม่ดี ที่สามารถส่งต่อไปยังทีมพัฒนาสินค้าอัตโนมัติได้

2.สร้างอีเมลตอบกลับลูกค้า

การให้บริการลูกค้าที่ดีในเวลาที่เหมาะสมอาจเป็นการท้าทายที่แท้จริงสำหรับธุรกิจ แต่ดีที่แล้ว ChatGPT และหุ่นยนต์ UiPath ช่วยให้ง่ายขึ้น

เราสามารถใช้ ChatGPT เพื่อเขียนอีเมลตอบกลับที่เหมาะสมเมื่อลูกค้ามีความคิดเห็นที่ไม่ดีเกี่ยวกับผลิตภัณฑ์ เราสามารถสร้างกระบวนการอัตโนมัติทั้งหมดได้จากขั้นตอนต่างๆ

เมื่อได้รับข้อเสียหรือความคิดเห็นที่ไม่ดี เราสามารถใช้หุ่นยนต์ส่งข้อความร้องขอและข้อความอีเมลไปยัง ChatGPT เพื่อขอข้อความตอบกลับที่เหมาะสม หุ่นยนต์จะตรวจสอบคำตอบกับทีมสนับสนุนลูกค้าก่อนที่จะแบ่งปันคำตอบกับลูกค้า

ประโยชน์: ปรับปรุงประสบการณ์ลูกค้าและเวลาในการแก้ไขปัญหา

3.การคัดกรองประวัติผู้สมัครงาน

ChatGPT สามารถใช้ในการคัดกรองประวัติผู้สมัครงานและประเมินความเหมาะสมกับตำแหน่งงานได้ ตัวอย่างเช่น หุ่นยนต์ UiPath สามารถส่งประวัติผู้สมัครงาน, รายละเอียดงาน, และคำถามให้กับ ChatGPT และขอคะแนนตัวเลขสำหรับผู้สมัครงาน คะแนนที่ได้จาก ChatGPT สามารถนำมาใช้เป็นการประเมินความเหมาะสมกับงานได้ ช่วยให้เราประหยัดเวลาในการตรวจสอบประวัติผู้สมัครงาน นอกจากนี้ ChatGPT ยังช่วยลดจำนวนผู้สมัครงานที่ไม่เหมาะสมหรือไม่เกี่ยวข้องออกจากกลุ่มตัวเลือกแรก ซึ่งจะช่วยให้การคัดเลือกผู้สมัครงานเป็นไปอย่างรวดเร็วขึ้น

ประโยชน์: ลดเวลาในการกรองประวัติผู้สมัครงานจำนวนมาก

4.สร้างคำถามสัมภาษณ์งาน

ในการขยายธีมการจ้างงาน ChatGPT ยังสามารถสร้างคำถามสัมภาษณ์ที่มีประสิทธิภาพได้อย่างรวดเร็วโดยพิจารณาตามความต้องการของงานและประวัติส่วนตัวของผู้สมัครงาน นอกจากนี้ยังสามารถให้ ChatGPT ประเมินและให้เกรดการตอบกลับของผู้สมัครงานได้หากต้องการ

การสัมภาษณ์และการเลือกคนทำงานเป็นกิจกรรมที่จำเป็นแต่กินเวลาในธุรกิจ แต่ด้วย ChatGPT และหุ่นยนต์ UiPath เราสามารถสร้างกระบวนการอัตโนมัติที่เชื่อมต่อเข้ากับแพลตฟอร์มการรับสมัครงาน ซึ่งจะสร้างชุดคำถามส่วนบุคคลที่กำหนดไว้สำหรับผู้สมัครงานแต่ละคน สัมภาษณ์ที่ดีกว่า คนทำงานที่เหมาะสมมากขึ้น และใช้เวลาน้อยลง

ประโยชน์: ช่วยให้ผู้สัมภาษณ์เตรียมคำถามที่สอดคล้องกับบริบทการทำงาน

5.วิเคราะห์การสนทนาในฝ่ายบริการลูกค้า

หากบริษัทของคุณใช้การสนทนาออนไลน์เพื่อการสนับสนุนลูกค้า ChatGPT สามารถประเมินคุณภาพการสนับสนุนของแต่ละเคสได้ ตัวอย่างเช่น สามารถขอให้ ChatGPT ส่งคะแนนความพึงพอใจกลับมา หากคะแนนต่ำกว่าเกณฑ์ที่กำหนดไว้ หุ่นยนต์จะสามารถส่งเคสนั้นต่อไปยังผู้จัดการเพื่อตรวจสอบได้โดยอัตโนมัติ ซึ่งจะช่วยให้ผู้จัดการสามารถเสริมสร้างการฝึกอบรมทีมสนับสนุนของพวกเขาได้ เรียกใช้การประเมินคำตอบไม่จำเป็นต้องยอมรับว่าถูกต้องอย่างแน่นอน แต่เป็นการช่วยในการประหยัดเวลาที่มีค่าสำหรับการประเมินผลการให้บริการ

ประโยชน์: การประเมินคุณภาพการให้บริการอย่างรวดเร็วและการระบุเคสที่ต้องส่งเคลื่อนไหวได้

What’s Next แล้วไงต่อ ???

หัดใช้ พรอมท์ และเปิดใจเรียนรู้ทำงานไปพร้อมๆกับ General AI ในยุคต่อไป (ในอีกหลากหลายไม่ว่าจะเป็น Meta, Google และอีกหลายค่าย 555)

Generative AI เช่น ChatGPT จะเป็นเครื่องมือที่มีค่าสำหรับนักพัฒนาทุกระดับ การใช้งานหลักในปัจจุบันจะเป็นเมื่อคุณต้องการสร้างสิ่งใหม่ (และไม่สำคัญ!) ตามข้อกำหนดบางอย่าง – หรือ ‘prompts’ เหมือนกับภาษาใหม่ ๆ นี้ การผสมผสานผลลัพธ์เหล่านี้กับการดำเนินการที่เปิดใช้งานด้วยอัตโนมัติจะช่วยให้คุณสามารถแก้ไขกลุ่มของ Use cases ที่น่าสนใจได้อย่างกว้างขวาง สิ่งที่หลาย ๆ องค์กรยังต้องการทำงานกับ Generative AI Tools เหล่านี้ในสภาพแวดล้อมธุรกิจที่สอดคล้องกันและมีการบริหารจัดการที่มั่นคง

Credit:

https://www.uipath.com/blog/ai/leveraging-chatgpt-with-automation-development?utm_source=marketo&utm_medium=blog_weekly_email&utm_content=17february2023&mkt_tok=OTk1LVhMVC04ODYAAAGJ_EnpEZnpRT3bkWeqQrTs1j6YB8hjc7DTvlAJJAYAa4C0v9tmYY2gZkPYdKKjLvS420tTvFZ1qSI-t67md6QTkyrP41rFRGdXUGY7qBdToLXz7Q

มาดูว่ามีอะไรใหม่ ๆ ในเวอร์ชั่นล่าสุดของ 1st RPA Platform จากค่าย UiPath – What’s New for UiPath Platform 2022.10

ประยุกต์คีย์ฟีเจอร์ล่าสุดของ UiPath และ RPA Trend 2023

ช่วงปลายปี 2022 นี้ก็ถึงเวลาของบทความแนวพยากรณ์ แนวโน้มอีกสามหรือห้าปีข้างหน้าทยอยออกมาให้อ่านกันพอสมควร แอดมินเห็นว่าเราควรเอาบทความแนว ๆ นี้มาประยุกต์ใช้กับเทคโนโลยีเวอร์ชั่นปัจจุบัน หรือเวอร์ชั่นล่าสุดที่จะถูกเรียกใช้จากผู้พัฒนา หรือ user เอง เพื่อการเรียนรู้ การทดลองใช้และประยุกต์ใช้ให้เกิดประโยชน์

จึงเป็นที่มาของบทความนี้ที่จะใช้ 2 context (แนวโน้ม + ความสามารถล่าสุดของ RPA software) มาเขียนร้อยกันไป ผู้อ่านจะเห็นว่าแนวโน้มที่จะมาในปี 2023-2025 จะถูกตอบสนองได้ด้วยความสามารถ หรือ feature ของ RPA + ai และสุดท้ายผู้อ่านจะสามารถเรียนรู้ และเลือกได้เลยจะใช้ feature ใดมาทำการ digital transformation องค์กร พร้อมแล้วไปอ่านกันเลยครับ (ผู้เขียนขอใช้แนวทางจากค่าย UiPath ที่คุ้นเคยที่สุด)

ปกติทางค่ายผู้พัฒนาจะทำการ launch new feature ในทุก ๆ สองสัปดาห์ แต่หากเป็นการรวบรวมทั้งหมด แล้ว pack มาทีเดียวในเวอร์ชั่น Enterprise ซึ่งมีลูกค้าใช้งานอยู่เป็นจำนวนมากจะทำกันในปลายเดือนเมษายน และปลายเดือนตุลาคมของทุกปี จากนั้นจะเป็นการ GA (general availability) จากฟีเจอร์ทดสอบ ผ่านการทดสอบ และมีเสถียรภาพสูงในที่สุด ในปลายปี 2022 เวอร์ชั่นล่าสุดซึ่งจะถูกใช้ต่อเนื่องไปในปีหน้า การออกแบบถูกทำตามเกณฑ์สี่อย่างดังภาพ (การสร้างระบบอัตโนมัติได้ง่ายดาย รวดเร็ว, การปรับปรุงพัฒนา process สม่ำเสมอด้วย ai, การใช้ ai + RPA ใน usecase ใหม่ และสุดท้ายคือการเลือกการติดตั้งได้อย่างไม่มีขีดจำกัด)

และหากนำเอาคีย์ฟีเจอร์มากควบรวมกับ trend 2023 ดั่งที่ได้เขียนไปในบทความที่แล้ว ภาพอาจจะออกมาประมาณนี้

สรุปออกมาได้เป็น 7 แนวโน้มดังนี้

#1 และ #2 แนวคิดเรื่องนวัตกรรม่รวมไปถึงความเสี่ยง ผนวกเข้าไปในกระบวนการหรือการปฎิบัติงาน ไปพูดถึงการนำเอา RPA+Aiมาใช้ในงานหน้าบ้าน งานหาลูกค้าใหม่ งานบริการรูปแบบใหม่ เช่นระบบ ai อ่านข้อความ ฟังเสียง หรือมองรูปภาพ แล้วตอบโต้หรือคัดแยกนำไปเอาช่วยสร้างกระบวนการใหม่เป็นต้น (youtube chat+ai+RPA = https://youtu.be/9UTW60z8DLQ) เป็นต้น

#3 #4 IT automation & process discovery or test automation เป็นการผนวกเอา ai มาช่วยในการวิเคราะห์กระบวนการ ถ้าหากนำไปเที่ยบกับเครื่องมือพัฒนาจะเป็น UiPath process mining tools หรือ UiPath task mining ซึ่งหลักการคือนำเอา RPA ไปมอง “insight” ที่ระบบหน้าจอ หรือ log file ของ ERP แล้วหาคอขวดในกระบวนการเป็นต้น

#5 #6 และ #7 มองฟีเจอร์ล่าสุดที่จะมาตอบโจทย์เรื่องการ integration เข้ากับ Enterprise Software ได้อย่างรวดเร็ว ง่ายด้วยด้วย UiPath Integration และเครื่องมือ UiPath App ที่เป็น low code ที่เชื่อมกับ automation process ที่สร้างเอาไว้ ทำให้ผู้พัฒนาสร้างได้ง่าย และผู้ใช้ก็ใช้งานได้ผ่านทุกอุปกรณ์เช่น โน้ตบุค มือถือ หรือแม้แต่แทบเล็ต อีกประเด็นคือแนวโน้ม citizen developer ซึ่งอนุญาตให้ผู้ใช้งาน เรียนรู้ผ่าน e-learning และสร้าง app low code หรือแม้กระทั่งโปรแกรมหุ่นยนต์ขึ้นมาใช้ในองค์กรได้เอง แต่อยู่ภายใต้การกำกับดูแล (Governance policy) เป็นต้น ซึ่งหากจะมองไปก็เหมือน UiPath Automation Launcher เป็นต้น

ภาพแนวโน้ม RPA trend ในโลกธุรกิจ (ที่เขียนไปใน blog ครั้งที่แล้ว = https://bit.ly/3WCg4ZE

ทั้งนี้แอดมินได้ไปเล่นใน FB live กับทาง อ.เวท จากทางสถาบัน 9Expert (https://youtu.be/wE2MhqTAVjE) มีเนื่องหาที่น่าจะเป็นประโยชน์ ลองตามไปดูในคลิปYoutube กันดูครับ

ในบทความต่อ ๆ ไปจะมาลงลึกถึง key feature ในแต่ละโมดูล ตามที่ได้เกริ่นเอาไว้ในบทความนี้ ไว้พบกันครับ Merry Christmas & Happy New Year 2023

Credit:

https://docs.uipath.com/action-center/docs

https://www.uipath.com/blog/product-and-updates/2022-10-release-overview

“อะไรใหม่อะไรมา” กับการดึงประสิทธิภาพสูงสุดจากระบบอัตโนมัติ – บทความเรื่อง Automation 2023

แนวโน้ม automation ในยุคปี 2023

เข้าใกล้วาระช่วงปลายปี ก็จะมีบทความในเชิงการรวบรวมข้อมูล การพยากรณ์ถึงแนวโน้มต่าง ๆ ออกมาให้อ่านกัน วันนี้แอดมินขอหยิบเอา blog จากค่าย UiPath RPA ที่เค้าไปรวบรวมเอาข้อมูลจากหลากหลายแหล่ง อาทิเช่น Gartner, Everest, IDC, McKensey, Lenovo และอื่นๆ มาสรุปเล่าเป็นแนวโน้มของระบบอัตโนมัติขึ้นมา 7 แนวโน้ม สรุปเอามาเล่าสั้น ๆ กันครับ

เก่าไป ใหม่มา… เมื่ออ่านจบคิดว่าน่าจะได้ประโยชน์สามเรื่องคือหนึ่งเราจะรู้ว่าเครื่องมือตัวนี้มีผลกระทบอย่างไรหากนำไปใช้อย่างถูกต้อง สองปัญญาประดิษฐ์ดูเหมือนจะเป็นตัวยกระดับการใช้งาน และสามผลกระทบและแนวทางปฎิบัติต่อผู้ที่เกี่ยวข้องเช่น CEO, CHRO, CIO เป็นต้น ไปอ่านกันครับ

สรุปออกมาได้เป็น 7 แนวโน้มดังนี้

#1 แนวคิดเรื่องนวัตกรรม ผนวกเข้าไปในกระบวนการหรือการปฎิบัติงาน จากการใช้ automation ในหน่วยงานขยายเป็นแผนก ขยายต่อข้ามแผนก (เชื่อมเข้าหากัน) จากแนวคิดเพียงลดภาระงานเป็น เพื่อให้ได้ “สิ่งใหม่” ที่เร็วกว่า ดีกว่า ถูกกว่า ประทับใจลูกค้ามากกว่า

#2 เมื่อโลกธุรกิจมีความเสี่ยงแบบไม่เคยมีมาก่อน ภาวะเงินเฟ้อรุนแรง แรงงานขาดแคลน เมื่อองค์กรคิดแบบ automation 1^st จะมาช่วยสองด้านคือเพิ่มประสิทธิภาพการทำงานทันที และเพิ่มแรงดึงดูดกับพนักงานใน generation ใหม่ที่มองเครื่องมือที่จะเป็นตัวช่วยกับองค์กรในฝันของพวกเขา

“จากการสัมภาษณ์การทำงานที่ USA มีพนักงานในสหรัฐอเมริกาถึง 72% ที่ต้องการถ่ายโอนงานทั่วไปต่าง ๆ อาทิ การบริหารจัดการใบแจ้งหนี้ ตรวจสอบบัญชี หรือการทำรายงานเบื้องต้นให้กับระบบ AI เพื่อให้พวกเขาจะได้เน้นการทำงานที่จะเติบโตได้มากขึ้น เป็นต้น”

#3 หมดยุคสำหรับการทำเพื่อให้ระบบ IT ในองค์กรทำงานได้ไม่ติดขัด แต่ CIO ในยุคใหม่ต้องมีความรับผิดชอบมากกว่านั้น เช่นการช่วย CEO, CFO ในแง่การสร้างผลลัพธ์ในรูปแบบใหม่ ๆ โดยประยุกต์ใช้ “นวัตกรรม” เช่นการประยุกต์ใช้ automation เพื่อลดต้นทุนเวลา ลดต้นทุนแรงงาน เพิ่มความเร็วสำหรับโครงการ ซึ่งระบบ automation จะมาตอบโจทย์ได้เร็วกว่าเทคโนโลยีอื่น ๆ

#4 ซึ่งจำเป็นใหม่ ๆ สำหรับองค์กรในยุคดิจิตอล อาทิ process mining (เครื่องมือที่ใช้ ai ช่วยขุดค้นหากระบวนการที่เป็นคอขวด ต้นตอของปัญหาที่มองไม่เห็น กระบวนการที่ข้ามระบบ ข้ามแผนก หรือข้ามบริษัทเป็นต้น) และautomation testing ที่จะมาช่วยให้การสร้างระบบใหม่เร็ว ขยายได้ไม่จำกัด ถูกต้องแม่นยำเพื่อนำไปใช้งาน

#5 เครื่องมือในยุค 2023 เอื้ออำนวยให้พนักงานที่ไม่มีทักษะ IT สามารถสร้างสรรค์ automation process หรือแม้แต่ application ได้ด้วยตัวเค้าเอง ไม่ต้องไปร่ำเรียนใช้เวลามากมาย ด้วยเครื่องมือ low-code ภาระงานที่เคยตกอยู่กับหน่วยงาน IT หรืองานprogrammer จะหายไปเยอะมาก

#6 เมื่อ ai เพิ่มความสามารถในงาน automation มากขึ้นไปอีกด้วยการนำ NLP มาใช้ (Natural language processing – ความสามารถของโปรแกรม ในเข้าใจความหมายของข้อความ และเสียงเหล่านั้นแบบสมบูรณ์ได้เหมือนกับที่มนุษย์ทำ อีกทั้งยังสามารถที่จะประเมินและเข้าใจถึงเจตนาได้อีกด้วย) อีกทั้งการเรียนรู้ประเภทเอกสาร แยกแยะข้อมูลอัตโนมัติ ก็เพิ่มและเก่งขึ้นเรื่อย ๆ

#7 ทักษะดิจิตอล จะกลายเป็นแหล่งขุมทรัพย์สำหรับองค์กรยุคใหม่ ทั้ง CIO และ CHRO ต้องทำงานร่วมกันเพื่อช่วยการสร้าง สอน ถ่ายทอดทักษะนี้เพื่อการเติบโตในยุคดิจิตอลต่อไป

Credit:

https://www.uipath.com/resources/automation-whitepapers/automation-trends-report

https://www.adpt.news/2022/11/24/report-72-of-us-workers-want-to-delegate-simple-tasks-to-ai/?

การประยุกต์ใช้ RPA กับงานบริการ งานโรงแรมและร้านอาหาร – Knowledge Sharing with Dusit Thani College (DTC)

ในเดือนที่ผ่านมาแอดมินและทีมงานได้มีโอกาสไปแชร์ประสบการณ์ เล่าเรื่องราวของแนวโน้มเทคโนโลยี ทั้ง RPA และ AI ให้กับคณะอาจารย์ และนักศึกษาจากวิทยาลัยดุสิต (DTC) รู้สึกดีที่เด็กๆตื่นตัว รับฟังและมีคำถามที่น่าสนใจ ตอนที่เตรียมเรื่องราวไปบรรยายก็นึกว่าแชร์ไปถ้ายากเกิน นักศึกษาที่มาฟัง (ปี2) คนไม่เข้าใจ และจะไม่สนใจเลย เลยคิดว่าควรเล่าแบบรุ่นพี่ (จริงๆคือรุ่นพ่อ) สอนรุ่นน้อง เล่าไปแบบจำลองว่าถ้าเราเป็นเค้า เติบโตไปในสายงานบริหารโรงแรม บริการ chain ร้านอาหารชื่อดัง ถ้าน้องเค้ารับรู้ตระหนักถึง และเอาเทคโนโลยีไปปรับใช้ได้จะเป็นประโยชน์มากมาย

เรื่องราวที่แชร์แบ่งเป็น

1.แนวโน้มเทคโนโลยีในยุคต่อไป โดยเน้นไปในเรื่อง HyperAutomation and ai

2.การใช้งานกับธุรกิจบริการ (ร้านอาหาร โรงแรม) ยกตัวอย่างพร้อม use case ต่างๆ ทั้งสายกระบวนการทั่วไปเช่น บัญชี HR การตลาด หรือสายโรงแรมเช่น ตัวอย่าง use case ของโรงแรมที่สเปน ใช้ RPA ช่วยในการจัดเตรียมรายงานประจำวันที่ต้องมีการเตรียมข้อมูลจากหลากหลายแหล่ง แน่นอนว่าต้องใช้เวลาเตรียมจำนวนมาก ซึ่งทั้งหมดก็หายไปเมื่อได้ใช้งาน RPA มาเป็นตัวช่วย

3.การใช้งานข้อมูล มุมมองและตัววัดของธุรกิจนี้ (RPA and data analytic for Hospitality)

4.ถาม – ตอบ แจกรางวัล

automat – dimension and measurement from BI project

ยกตัวอย่างธุรกิจโรงแรม ธุรกิจบริการและแชร์เรื่องราวโครงการไอทีต่าง ๆ เช่น IT assessment plan, Data Analytic for Hotel and Restaurant เป็นต้น

ภาพประทับใจคือเราถามเด็กนักศึกษาว่ามีอะไรถามไหม ปรากฏว่าเงียบกันทั้งห้อง แต่เมื่อเราสุ่มชื่อ (พร้อมของรางวัล) เด็กๆกว่า 300 คน สุ่มมาได้สิบคน ถาม-ตอบ สิ่งที่ได้เล่าไปปรากฏว่าตอบได้ทั้งหมด และมีน้อง ๆ หลายคนบอกจะขอลิ้งค์ ขอที่มาของแหล่งข้อมูลเพื่อนำไปค้นคว้าต่ออีกด้วย แค่นี้ก็ปลื้มมากมาย

ภาพการบรรยาย และแชร์เรื่อง Future of Work – DTC

Credit:

https://www.roboticsandinnovation.co.uk/news/rpa/melia-hotels-international-uses-rpa-to-enhance-efficiency-post-pandemic.html

https://www.futuretaleslab.com/

https://www.weforum.org/agenda/2021/08/future-of-work-technology-pandemic-wellbeing/