AIで自動化の価値を高める：AIプレイブック（パート2）

ロボットプロセス自動化（RPA）はほんの始まりに過ぎません。これは、自動化プログラムの基盤ですが、目的地ではありません。

パート1では、自動化プログラムと会社が人工知能（AI）の準備ができているかどうかをテストする方法を学びました。この投稿では、要点を詳しく説明します。あなたとあなたの自動化チームがAIを地上レベルで実装する方法です。

AIモデルは、自動化プログラムの促進剤であると同時に乗数でもあります。

ロンドンスクールオブエコノミクスの経営学部の技術、仕事、グローバル化の教授であるレスリーウィルコックスが行ったケーススタディによると、RPA投資のROIは初年度で30％から200％の範囲です。 UiPathのお客様の中で、企業はわずか1か月でROIに到達し（DHL Global Forwarding、Freight）、2：1 ROI（Postbank）などを達成しています。

そして、リターンはほんの始まりに過ぎません。企業は、生産性の向上、従業員の関与の向上、エラーの削減にメリットを見出しています。次に、自動化スイートにコグニティブインテリジェンスを追加すると何ができるか想像してみてください。エラー処理？例外？ループ内の人間？ AIが役立ちます。

AI Playbookのウェビナー（AIサミット中に開催）で、電通インターナショナルの南北アメリカの自動化責任者であるBrian Klochkoffが私に加わり、自動化プログラムにAIモデルを追加することでどのようにロックを解除して価値を生み出すことができるかを説明しました。

AI実行サポート計画を設計する

この一連の記事のパート1では、AIの謎を解き明かし、AIの可能性に人々を引き込む方法を紹介しました。また、AIへの投資の事例を示す方法についても説明しました。利害関係者に勝ったら、その勢いを無駄にしたくありません。次の要素で構成される実行計画を実行する準備ができていることを確認してください。

AIのガバナンスと倫理

AIのガバナンスと倫理は比較的新しい分野であるため、前進する道は十分に踏み込まれていません。多くの企業や政府機関は、特に倫理的な考慮事項に関連しているため、ガバナンスがどのように見えるかをまだ検討しています。

ただし、ほとんどの場合、典型的なセンターオブエクセレンス（CoE）ガバナンスモデルは、RPAの場合と同様にAIでも機能します。 RPA CoEにとっても重要な鍵は、説明責任、透明性、公平性に関するルールを構築することです。

たとえば、モデルやデータからの構造的偏りをどのように回避しますか？決定を人間、ロボット、またはその2つの混合物にまでさかのぼることができるコントロールポイントが必要です。実行サポート計画のこの部分には、データのプライバシーとサイバーセキュリティに関するルールも含まれます。

ガバナンスと倫理は、AIを実行するチームによる献身的な取り組みである必要があるため、ガバナンスと倫理を最優先します。最優先事項に満たないものは、会社が引き受けたくないリスクを生み出します。

オペレーティングモデル

自動化操作モデルについては、次のように何度も書いています。

• 1つを設計することの利点

• チームを構築する際の考慮事項

• 自動化の可能性を最大限に引き出すための最適化

AIに関して言えば、運用モデルの中核は部門の枠を超えたチームでなければなりません。この部門の枠を超えたチームには、ビジネス、データ分析、RPA、およびサポートの各チームのメンバーが含まれます。サイロがないように運用モデルを設計することが重要です。インタラクションチャネルは効率的で、コラボレーションの機会が豊富にある必要があります。

社内でモデルを構築するか、事前に構築されたモデルを使用するかを早期に決定します。この決定は、インフラストラクチャの要件とリソースに影響します。これについては、次の2つのセクションで説明します。

理想的には、オペレーティングモデルは、新しいテクノロジーが出現し、採用できるようになったときに統合できる構造になっています。統合と採用は、ソフトウェア開発ライフサイクル（SDLC）の現実とガバナンスの要求の範囲内で機能する必要があります。

電通では、Klochkoff氏によると、「オペレーティングモデルはこれらすべてを包み込むものだと考えています」。そのため、電通は、包括的なドキュメントの作成と、会社のイントラネット上で透過的に機能する公開に重点を置いています。 「人々は私たちが何をしているのか、どのように参加できるのかを理解できます。」

インフラストラクチャとサポート

ガバナンスと運用を決定したら、インフラストラクチャについて検討する必要があります。 AIプラットフォームをオンプレミス、エアギャップ、またはクラウドでホストしますか？どこで機械を立てますか？これらのAIモデルに燃料を供給するデータをどのようにホストしますか？ここでも、トレーニングに使用する方法を決定する必要があります。

これらの決定に応じて、リードタイム、必要な労力、および予算はすべて変わるため、慎重に行ってください。

リソーススキル

インフラストラクチャが決まったら、現在のリソースがどれだけ熟練しているか、どのようなスキルギャップがあるかを評価する必要があります。コアリソースは、AIをRPAに適用するスキルを向上させて学ぶことができるRPA開発者になります。データサイエンティストも重要な役割を果たします。これは、RPA開発者とデータサイエンティストが緊密に連携するチームが関与する理想的なシナリオです。

以前の決定によっては、現在の従業員をスキルアップできる可能性がありますが、外部からの採用についても慎重に検討してください。希望する結果を得るには、さまざまなリソースが必要になります。

電通は、チームの誰がCoEに関与しているのか、どのようなスキルを持っているのか、何に取り組んでいるのか、どのような資格を持っているのかを中心にペルソナを構築しました。 Klochkoffは、彼らの仕事が「部門の枠を超えたコミュニティ」で最高潮に達すると見ています。電通は、従業員が現在のスキルセットを強化できるようにする、ガバナンスによって管理される学習のパスを作成したいと考えています。

Klochkoff氏は、「テクノロジーは、自分の知識に追いつくのが難しいほどの速度で進化している」と強調しました。チームがリリースノート、ウェビナー、ホワイトペーパーに追いつく時間を確保するために、少なくとも週に1回は一時停止することをお勧めします。 「私たちはいつもそうしているわけではありませんでした」とKlochkoffは警告しました。「そしてそれは私たちがソリューションに組み込むことができる機能のいくつかを逃したことを意味しました。」

AIを既存のRPAプログラムに統合する

実行サポートプランを立ち上げて実行すると、統合を開始する準備が整います。 AIを統合するための鍵は2つあります。RPAとデータ分析CoEを連携させ、ソフトウェア開発サイクルを調整してAIを含めることです。

2つのCoEにコラボレーションを促します

CoEは2つのモデルのいずれかに分類される傾向があり、それぞれが異なるコラボレーション戦略を必要とします。

個々のCoEモデルでは、個々のRPAおよびデータ分析CoEがさまざまな部門に報告します。通常、CoEは別々に独立して機能します。

より優れたコラボレーションを実現するために、RPACoEはデータおよび分析CoEに積極的に連絡することができます。一緒に、彼らは彼らの相乗効果から利益を得るビジネスユースケースを見つけることができます。これには、データ分析チームにRPAを説明する必要があるかもしれませんが、その相互理解の利点は計り知れません。

単一のCoEモデルでは、単一のCoEにすべての自動化テクノロジーが組み込まれ、1人のリード（通常は最高デジタル責任者または最高自動化責任者）に報告します。 CoEリーダーは、この統合を活用して、自動化の義務にCoEを集中させることができます。

すべての組織に適したモデルは1つではありません。組織に最適なモデルを決定するには、各モデルの長所と短所、目標、自動化の過程のどこにいるかを比較検討する必要があります。

ただし、時間の経過とともに、企業が自動化テクノロジーを追加するにつれて、個々のCoEモデルは単一のCoEモデルに進化する傾向があります。

彼らが価値を実証し、それをリーダーや運用リーダーに明確に示したとき、AIがヒューマンインザループの課題をどのように軽減し、「より複雑な問題」に取り組む自動化の能力を拡張したかを説明することができました。

企業がAIと自動化テクノロジーのポートフォリオを手に入れたら、それらを調和させる方法について考え始めるのは自然なことです。

ソフトウェア開発ライフサイクルを調整する

個別のCoEモデルを使用している場合、SDLCを最高の効果で動作させるには、両方のCoEのオーケストレーションが必要です。通常、両方のテクノロジーは同じSDLCに従いますが、微妙なニュアンスによって、最適なオーケストレーションの方法が変わります。 AIに対応できる構造を導入するには、次の6つのコンポーネントに注目してください。

• 特定： テクノロジーソリューションではなく、ビジネス上の問題から始めます。 RPA、データサイエンティスト、ビジネスユーザーを集めて（理想的には同じ部屋に）、AIソリューションに適した問題を特定します。他の作業を行う前に、RPAとUiPathAICenterを使用することで目前の問題が解決するかどうかを判断してください。また、AIセンターが適していると判断した場合は、機械学習（ML）モデルが何を解決すべきかを理解してください。

• デザイン： AIの階層化には、設計上の考慮が必要です。設計を開始するときに、RPA開発者がMLを追加してRPAソリューションを別の方法で設計する必要があるかどうかを判断します。さらに、MLモデリングに必要なデータの準備についてデータチームに問い合わせることをお勧めします。

• 開発 ：この段階では、RPAチームとデータサイエンティストチームがそれぞれのDevOpsポリシーと手順に従っている限り、それらのチームを分岐させて個々のコンポーネントを作成することができます。データおよび分析CoEとRPACoEの間に必要なオーケストレーションのレベルを決定します。エンドツーエンドのワークフローで、あるテクノロジーの入力が次のテクノロジーの出力をどのように作成するかを理解してください。

• テスト ：ユーザー受け入れテスターとCoEが、SDLCの各段階で何を期待できるかを知っていることを確認します。 RPAは単純な傾向があるため、テストは確実です。あなたは合格するかどうかのどちらかです。 MLは段階的な改善を目的としているため、モデルには、時間の経過とともに改善される信頼度のしきい値が含まれています。

• 展開 ：最新の自動化テクノロジーの進歩により、AIOpsは過去数年よりも簡単になりました。 RPACoEがAIセンターへのAIモデルの展開を処理するかどうかを判断します。展開チェックリストを更新して、チェックが実施されていることを確認します。展開の実際の動作は非常に簡単になりました。

• 維持 ：チームが外部の変更の影響をどのように軽減および管理するかを決定し、展開後にAIモデルを維持するチームを決定します。 RPAでは、ロボットが実行されているかどうかは誰もが知っています。 MLモデルが「間違った」決定を下しているかどうかを判断するのは困難です。信頼度を追跡し、信頼度が特定のしきい値を下回った場合にアラートをトリガーするダッシュボードを作成する必要がある場合があります。

RPAとAISDLCには多くの類似点がありますが、違いが違いを生むのです。

AIを統合して、自動化戦略を次のレベルに引き上げます

AIは、自動化戦略を次のレベルに引き上げます。 AIを統合するには、技術的なスキルだけでなく組織的なスキルも必要になりますが、その統合のメリットは計り知れません。 SDLC、RPA、データ分析CoE、自動化プログラムはすべて、AIを導入する前に、明確かつ慎重に再評価する必要があります。

AIモデルと、AIと自動化のベストプラクティスの詳細については、AIPlaybookの完全なウェビナーレコーディングをご覧ください。