ИИ и RPA: как технологии делают бизнес умнее и быстрее

RPA и искусственный интеллект трансформируют подходы к автоматизации, открывая новые возможности для повышения эффективности и оптимизации бизнес-процессов. Эти технологии позволяют значительно улучшить взаимодействие с сотрудниками и партнерами, а также расширяют горизонты для развития бизнеса. О возможностях интеграции RPA и ИИ рассказали Виктор Масленников, руководитель группы роботизации Северсталь-ЦЕС, и Герман Тимаков, коммерческий директор компании Sherpa Robotics.

Роботизация бизнес-процессов

В Северсталь-ЦЕС технологии RPA применяются для большого количества процессов, в том числе в финансах и бухгалтерии – например, получение и разнесение банковской выписки работа с первичной документацией: регистрация, согласование, контроль полноты комплектов; формирование справок 2-НДФЛ и др.; в HR-блоке.

Как известно, классически для роботизации лучше всего подходят определенные виды процессов, а именно:

– часто повторяющиеся;

– основанные на правилах;

– со стандартным читаемым входом;

– процессы, в которых задействовано много людей;

– с небольшим процентом исключений;

– стабильные процессы и приложения;

– работа с множеством данных в различных системах.

Внедрение и настройка роботов, по опыту Северсталь-ЦЕС, занимает до 5 дней (см. рис. 1), а использование проверенных подходов и инструментов позволяют сделать этот процесс максимально быстрым и эффективным.

Процессы, в которых необходимо принимать решения на основании экспертного мнения, человеческого опыта или субъективных правил, нельзя роботизировать, однако здесь нам на помощь приходит искусственный интеллект.

Возможности объединенных технологий RPA и LLM

До появления больших языковых моделей (LLM) RPA не могла работать с интеллектуальными задачами. С интеграцией RPA c LLM стало возможным автоматизировать до двух третей таких задач, расширяя возможности роботизации и открывая новые горизонты для автоматизации сложных процессов.

Как это работает? RPA, выступающая в роли цифровых «рук», выполняет манипуляции с данными: извлекает и переносит их, заносит информацию в различные системы, заменяя человека в рутинных операциях. LLM, в свою очередь, становится «мозгом» этой системы, анализируя запросы, разбивая задачи на этапы и принимая решения.

Большая языковая модель не только отвечает на вопросы, но и планирует действия, проверяет их успешность и инициирует сценарии для роботов. Вместе они формируют интеллектуальных «нейросотрудников», способных решать сложные задачи, управлять процессами и значительно повышать эффективность бизнеса.

Что делают нейросотрудники 

Большие языковые модели, такие как ChatGPT, используют векторно-семантический поиск для анализа запросов. При вводе текста модель преобразует его в эмбединги — внутренний язык для обработки данных. Затем она находит соответствующий ответ в базе знаний и формулирует его в понятной для человека форме, создавая эффект общения. Это обеспечивает скорость, точность и естественность взаимодействия.

Например, если сотруднику нужно узнать, как получить доступ к корпоративной системе, он бы обратился к базе знаний для инструкции. Нейросотрудник действует аналогично: анализирует запрос, находит нужный ответ в документах и формулирует его для пользователя, быстро и точно предоставляя информацию.

Интеллектуальные нейро-сотрудники Sherpa AI эффективно выполняют задачи, сочетая возможности RPA с передовыми функциями больших языковых моделей. Они используют различные инструменты: браузеры, файловые системы и API, а также могут работать с изображениями и видео. Нейро-сотрудники имеют кратковременную и долговременную память, что позволяет им запоминать действия, извлекать данные и обучаться на примерах, получая обратную связь.

Особенность системы — способность к критическому мышлению и саморефлексии. Это помогает минимизировать проблему галлюцинаций, свойственную большим языковым моделям. Sherpa AI анализирует свои ответы и проверяет их точность, что вместе с обработкой данных и оптимизацией промптов обеспечивает высокую точность работы.

Для дообучения моделей используются два подхода. 

Первый — аугментация RAG (Retrieval-Augmented Generation), при котором данные заказчика преобразуются в эмбендинги и интегрируются в модель. Это гарантирует, что система сначала обращается к пользовательским данным, а затем — к своим внутренним знаниям, что позволяет дополнить ее информацию специфическими данными.

Второй подход — fine-tuning, который используется для добавления данных из разных областей, таких как HR, IT или юридические процессы. Fine-tuning помогает исключить избыточные знания и улучшить точность работы модели. Sherpa AI также применяет уникальные методы оптимизации fine-tuning, включая дообучение промптов, что еще больше адаптирует систему под задачи клиентов.

Практика применения роботов + ИИ в рамках ОЦО

Далее рассмотрим несколько кейсов, позволяющих понять, как работает описанная технология.

Кейс 1. Классификатор входящих запросов на тех. поддержку. Мы внедрили нейросотрудников на базе Sherpa AI для автоматизации квалификации и обработки запросов, что значительно повысило эффективность техподдержки. Универсальный робот-классификатор теперь служит единой точкой входа для всех запросов, поступающих через различные каналы: электронную почту, чат и портал самообслуживания (см. рис. 2).

Классификатор автоматически анализирует запросы с помощью векторно-семантического поиска, определяя тему, категорию услуги и выявляя ошибки в данных. Например, если сотрудник ошибочно выбирает тему «Поломка компьютера» вместо «Системной ошибки», робот исправляет классификацию. После этого запрос направляется к соответствующему специалисту или команде (IT, HR, юристы, бухгалтерия).

Помимо маршрутизации запросов, система решает задачи самостоятельно, если они находятся в пределах ее возможностей. Например, робот может автоматически выполнить запрос, исключив необходимость вмешательства оператора.

Sherpa AI также обрабатывает корпоративную почту, классифицируя письма, предоставляя автоматические ответы и перенаправляя задачи. Это ускоряет процесс классификации и обработки тикетов в 5 раз, частично заменяя первую линию поддержки. Точность квалификации достигает 98%, что зависит от качества каталога услуг и маршрутов.

Кейс 2. Интеллектуальный поиск по базе знаний компании. Интеллектуальный поиск интегрируется с различными интерфейсами, включая портал самообслуживания и мессенджеры. Это позволяет сотрудникам быстро получать точные ответы на вопросы, как если бы они обращались к коллегам, устраняя проблему «коридорного менеджмента», когда сотрудники ищут ответы у руководителей вместо работы с документацией.

Используя возможности Sherpa AI, поиск взаимодействует с различными источниками данных — структурированными и неструктурированными, включая изображения и текстовые инструкции (см. рис. 3). 

Ответы могут включать ссылки на исходные документы. Sherpa AI интегрируется с корпоративными системами, управляя доступом и разрешениями между документами. 

По результатам использования роботов количество мусорных тикетов снизилось на 20%. 90% сотрудников положительно оценили эффективность новой базы знаний, и теперь они используют ее на постоянной основе, круглосуточно.

Для ITSM были внедрены интеллектуальные роботы, автоматизирующие ключевые процессы, такие как система дискаверинга для Service Desk, которая помогает предотвращать проблемы, а также роботы для обнаружения аномалий и управления знаниями на базе ИИ. Внедрены решения для управления изменениями и активами с использованием ИИ, а также роботы для прогнозной аналитики, помогающие выявлять нарушения SLA. Важной частью является интеллектуальный поиск и рекомендации, а также робот ESM, автоматизирующий запросы различных отделов.

Кейс 3. Робот-консультант по кадровым вопросам. Робот отвечает на общие вопросы сотрудников компании, касающиеся правил начисления зарплаты и премий, отпусков, отгулов, компенсаций, сверхурочных выплат и других кадровых вопросов. Кроме того, он может рассчитывать отпускные и больничные, а также оформлять запросы на выдачу справок, доступов к информационным системам и одобрение отгулов.

Процесс начинается с классификации запроса: если запрос можно обработать автоматически, робот сам решает вопрос, не привлекая человека. В противном случае, он перенаправляет запрос на соответствующего сотрудника. В результате 50% типовых запросов сотрудников решаются без участия человека, что значительно повышает эффективность работы компании. При этом 80% сотрудников положительно оценивают внедрение робота.

Среди других реализованных нами роботов для HR — робот для создания заявок на доступы к ресурсам, робот для подготовки приказов, распоряжений, робот для регистрации противных порталов, формирования приказов и многие другие. 
Это далеко не полный перечень задач, которые можно решать с помощью интеграции двух технологий (с некоторыми другими кейсами можно познакомиться, посмотрев наш совместный с Клубом ОЦО вебинар). Таким образом, совместное внедрение роботов с LLM-моделями позволят вашей компании получит дополнительные возможности и эффекты от внедрения технологии RPA.