Skærp din forretning med AI-drevet dokumentforståelse

Der er mange grunde til at automatisere dokumenthåndtering. Ud over de åbenlyse tidsbesparelser fører automatisering til mindre ressourcespild, færre fejl, bedre kundeservice, øget innovationshastighed og gladere medarbejdere. I dette blogindlæg beskriver vi AI-drevet dokumentforståelse og hvordan, teknologien kan integreres i en RPA-baseret automatisering.

En fællesnævner for de flesteforretningsaktiviteter er, at der bruges meget tid på at finde, læse, fortolke, kontrollere, analysere, beregne og sammenstille oplysninger fra forskellige typer dokumenter. Det kan være alt fra fakturaer, ordrer og kontrakter til klager, kundeundersøgelser og timesheets i digital eller papirform. Tænk bare på, hvor meget tid din organisation bruger på at afstemme indgående fakturaer med ordre- og leveringsoplysninger. Hvor mange timer om året kan det være? Tænk derefter på, hvilke andre lignende rutinemæssige dokumentprocesser du har, og læg timerne sammen.

Ved at koble RPA med AI-baseret dokumentforståelse kan du i stedet bruge al den tid på mere kvalificerede og rentable opgaver og lade robotten gøre det grove arbejde. Ifølge en undersøgelse fra PWC kan en virksomhed spare op til 50 % af den tid, der bruges på disse typer af gentagne opgaver, med relativt simpel automatiseringsteknologi. Hvis du så tilføjer AI-baseret maskinlæring (ML) til automatiseringsprocessen, bliver robotten både mere effektiv og bedre i stand til at håndtere vanskeligere opgaver, hvilket giver endnu større tidsbesparelser. Det betyder også, at tingene bliver gjort hurtigere og med højere kvalitet, dvs. færre fejl forårsaget af sløseri og fejlfortolkninger. En automatiseret kundeservice kan i høj grad forbedre kundeservicen ved at fjerne behovet for at kunderne skal sidde i en telefonkø eller vente på, at en person svarer dem pr. e-mail. En robot kan reagere på få sekunder.

Automatiseret og intelligent dokumenthåndtering har følgende virkninger:

Øget effektivitet og produktivitet. Automatiseret dokumenthåndtering giver medarbejderne mulighed for at bruge mindre tid på at læse, fortolke og forstå indholdet af dokumenter og på at beregne, registrere og arkivere data og filer.

Bedre kundeservice. Med en kombineret løsning med RPA-baseret automatisering, chatbots og dokumentforståelse kan kunderne få hjælp meget hurtigere til de fleste ting, der kræver udveksling af dokumenter og billeder. Dette kan omfatte kontrakt- og fakturaspørgsmål, klager eller tilbagekøb. 

Øget innovation og udvikling. Med tiden fører enhver form for effektivitetsforbedring til øget innovation og forretningsudvikling. Når tiden frigøres fra gentagende opgaver, kan mere fokus og flere ressourcer bruges på arbejde, der innoverer og udvikler virksomheden.

Reduceret risiko. Med dokumentforståelse kan du eliminere de fejl, der let opstår ved manuel behandling, f.eks. registrerings- og beregningsfejl eller kundetilsagn, der ikke bliver opfyldt.

Bedre medarbejderoplevelse. Det er ikke kun enormt befriende at slippe for monotone opgaver, som f.eks. at pløje sig igennem massevis af dokumenter hver dag og registrere data på grundlag af dem, men også at blive befriet fra monotone opgaver. Det betyder også, at medarbejderne kan beskæftige sig med mere kvalificerede opgaver, der øger arbejdsglæden, styrker deres kompetencer og forbedrer driften.

Alt fra fakturaafstemninger til spørgeskemaer med håndskrevne svar kan automatiseres

Dokumentforståelse er en teknologi, der gør det muligt for software automatisk at læse, fortolke og handle på indholdet af et dokument. Et system kan f.eks. læse scannede fakturaer for at kontrollere, at de fakturerede varer stemmer overens med købsordren og følgesedlerne.

Det har været muligt at konvertere maskinskrevet og håndskrevet tekst på papir ved hjælp af OCR-teknologi (Optical Character Recognition) i over hundrede år. Den første OCR-scanning blev foretaget allerede i 1914 af Emanuel Goldberg, som udviklede en maskine, der kunne konvertere bogstaver til telegrafisk kode. Siden da er der blevet udviklet en række teknologier, som gør det muligt for et computerprogram at læse, fortolke, afbilde og digitalisere stort set enhver tekst eller billede. I praksis betyder det, at den læste tekst og det læste billede kan skilles ad af et program for at finde og hente bestemte oplysninger eller udføre beregninger på dem.

Med fremskridtene inden for RPA, AI og ML har teknologien til automatiseret dokumenthåndtering taget et stort skridt fremad. Ved at kombinere RPA-teknologi med AI-baseret dokumentforståelse kan meget store mængder komplekse dokumenter håndteres effektivt på tværs af en lang række applikationer, lige fra indsamling, beregning og afstemning af rejsekvitteringer i alle mulige formater til registrering af håndskrevne spørgeskemaer. Håndskrevet tekst kræver dog lidt mere træning for robotten, før processen kan glide gnidningsløst. Læs mere om træning af robotten i afsnittet Træning gør robotten klogere nedenfor.

Teknologien dækker også mange af verdens sprog. For eksempel understøtter UiPath, som er den RPA-platform, vi hos Precio Fishbone bruger mest, alle sprog, der bruger det latinske og kyrilliske alfabet. I den nærmeste fremtid vil platformen også understøtte kinesisk og japansk. Andre sprog kan også integreres i UiPath-platformen via løsninger fra tredjepart.

AI har givet dokumentforståelse bedre retfærdighed til sit navn, da det nu er muligt at automatisere fortolkning og analyse af både struktureret og ustruktureret information. Et struktureret dokument kan f.eks. være et pas, hvor fødselsdatoen altid står det samme sted. I et ustruktureret dokument er der ingen orden, hvilket gør det meget sværere at finde de rigtige oplysninger. Eksempler på ustrukturerede dokumenter, som kan automatiseres, er fritekst e-mails fra kunder om support, produkter, klager osv. I modsætning til formularbaserede kunde-e-mails indeholder de ingen foruddefinerede overskrifter, felter eller etiketter, der kan guide en robot med læsefærdigheder til at finde ud af, hvor han skal kigge.

Der findes også såkaldte semi-strukturerede dokumenter, som indeholder en blanding af strukturerede og ustrukturerede oplysninger. Eksempler på semistrukturerede dokumenter er fakturaer, kvitteringer, ordrer og kontoudtog, hvor nogle af oplysningerne er faste eller mærkede, mens andre oplysninger er dynamiske og umærkede.

Træning gør robot klogere

Med AI og ML kan en læse- og skrivekyndig robot lære at finde vej gennem ustruktureret information. I praksis betyder det, at robotten skal trænes i at fortolke og forstå konteksten for en bestemt type dokument for at kunne hente og handle på de rigtige oplysninger. I et struktureret dokument er telefonnumre f.eks. altid placeret samme sted eller mærket "telefonnummer". I et ustruktureret dokument skal robotten lære, at mobilnumre har et bestemt antal cifre og begynder med "07". Når ord og data er blevet identificeret og klassificeret, kan robotten sætte dem ind i den rette kontekst for at foretage beregninger, give svar eller videregive data til andre systemer eller personer.

Til fortolkning og analyse af strukturerede dokumenter anvendes såkaldt skabelon- og regelbaseret dokumentforståelse. Det betyder, at der udvikles skabeloner for hver type dokument, som angiver, hvor i dokumentet visse oplysninger er placeret, og hvordan de skal fortolkes. Ustrukturerede og halvstrukturerede dokumenter skal håndteres ved hjælp af ML-modeller. En sådan model kan til en vis grad være "klar fra starten", dvs. at den allerede er trænet til en bestemt type dokument og opgave. Men for at sikre en fejlfri udførelse skal den fortsætte sin træning, når den indsættes i nye miljøer med nye opgaver.

Træningen indebærer i det væsentlige, at robotten sender data, som den ikke forstår eller er usikker på, til menneskelig validering eller spørger, hvor oplysninger, den ikke kan finde, er i et dokument. På den måde bliver den gradvist bedre til at finde, fortolke og forstå oplysningerne i dokumenterne. En robot kan have brug for menneskelig assistance til at fortolke både strukturerede og ustrukturerede dokumenter.

Når dokumenterne er halvstrukturerede eller særligt komplekse, anvendes der normalt en kombination af ML, skabelon- og regelbaseret dokumentforståelse for at opnå optimal effektivitet og pålidelighed i processen.

For yderligere oplysninger om RPA-baseret automatisering

Læs mere om validering og menneskelig interaktion i RPA-baseret automatisering i blogindlægget Menneskelig kontakt gør robotten smartere. Læs også blogindlægget UiPath: Human-in-the-loop for at se et praktisk eksempel på, hvordan du opretter et HITL-flow til validering af udbetalinger/rejsefakturaer og håndskrevne underskrifter. Du kan også se vores webinar (svensk) UiPath - førende platform for robotprocesautomatisering, hvor vi demonstrerer, hvordan UiPath-platformen fungerer.

Hvis du vil vide mere om RPA, kan du tjekke vores blog post Sikker RPA-robot implementering i fem trin eller læse vores case study Med E-Bot får Ekman korrekte fragtpriser og overskud til andre ting.