Comment l’IA contribue à stimuler l’optimisation des processus d’affaires

L’IA aide les entreprises grâce à Covide-19

Il existe une synergie étroite entre l’automatisation des processus d’affaires (BPA) et l’IA, qui est devenue plus évidente à mesure que les entreprises tentent de faire face à la pandémie de coronavirus Covid-19. Les organisations ont dû s’adapter très rapidement et automatiser ces processus manuels de fruits à faible pendaison qui auparavant n’auraient pas été considérés comme une priorité commerciale.

Par exemple, pendant les premières semaines du premier lockdown au Royaume-Uni, l’équipe des installations de la société d’assurance Generali a été chargée de scanner les documents papier dans le bureau. La tâche d’analyse de document est maintenant fournie par le biais d’un service d’analyse géré.

Le résultat d’un exercice d’automatisation est une réduction du volume d’étapes manuelles ou inefficaces nécessaires pour préparer des données lisibles par machine.

Nicholas McQuire, vice-président principal et responsable de la recherche sur l’entreprise et l’IA chez CCS Insight, croit que l’intelligence artificielle n’est plus considérée comme une source expérimentale d’innovation à long terme pour les entreprises.

« L’une des caractéristiques durables de la pandémie a été l’accélération que nous avons constatée dans l’apprentissage automatique dans les entreprises », dit-il.

M. McQuire croit qu’AI a le potentiel d’offrir une valeur de transformation et d’entreprise rapide pour aider les entreprises à automatiser les processus et à créer de nouvelles sources de revenus.

Dans un article récent pour Computer Weekly, McQuire a décrit comment la société énergétique australienne AGL utilise l’apprentissage automatique de diverses façons novatrices pour stimuler l’automatisation dans ses opérations.

Bon nombre des 3,7 millions de clients d’AGL utilisent l’énergie solaire et les batteries connectées pour l’énergie de leur ménage. L’entreprise a développé un produit « centrale électrique virtuelle » pour permettre à ces utilisateurs de redonner de l’énergie au réseau. Dans ce cadre, AGL a construit des milliers de modèles d’apprentissage automatique qui aident à gérer, collecter et analyser à distance les métadonnées sur la consommation d’énergie de chaque batterie afin de mieux comprendre et prévoir la capacité sur l’ensemble de son réseau.

« L’apprentissage automatique automatise également le processus de collecte, d’alimentation et de négociation de la capacité de réserve en tant qu’actif sur le marché national de gros de l’énergie, générant des revenus supplémentaires pour l’entreprise », explique M. McQuire.

Stimuler la croissance de l’entreprise

L’environnement que AGL a construit est très répandu. Chaque batterie fournit une source riche de métadonnées, mais la société a également eu besoin d’utiliser l’apprentissage automatique en raison de la nature stochastique des données d’énergie solaire à grande échelle.

AGL a utilisé le service d’apprentissage automatique Microsoft Azure pour la formation et l’inférence, ainsi que d’autres logiciels basés sur Kubernetes et analytiques pour permettre un environnement standardisé pour la gestion de code, l’apprentissage automatique automatique, les opérations d’apprentissage automatique (MLOps), et la surveillance des performances en temps réel et le recyclage des modèles.

McQuire affirme que la centrale électrique virtuelle d’AGL a non seulement remporté plusieurs prix pour promouvoir la durabilité énergétique en Australie, mais qu’elle a également remodelé la demande d’électricité sur le marché de l’énergie, récompensant essentiellement les clients pour leur soutien au réseau. Cela promet d’améliorer la fiabilité du réseau et d’aider les clients à économiser sur les factures d’énergie. AGL affirme que l’architecture sous-jacente lui a permis de former des milliers de modèles d’apprentissage automatique dans un 20e du temps normalement requis.

« e qui est le plus fascinant, c’est le niveau d’automatisation en jeu, en particulier dans le potentiel de négociation d’énergie de rechange sur le marché libre. Cet aspect aurait été impossible à grande échelle sans l’apprentissage automatique », dit-il.

« J’ai récemment parlé avec David Broeren, directeur général des technologies énergétiques intégrées chez AGL. Il a souligné que le fournisseur ajoutait d’autres ensembles de données, tels que les niveaux de neige et la couverture nuageuse, afin d’améliorer ses prévisions grâce à l’apprentissage automatique. Il a également fait allusion aux nombreuses nouvelles opportunités d’étendre le concept d’énergie virtuelle plus profondément dans les maisons et les industries en connectant des actifs au-delà des batteries solaires au réseau, tels que les véhicules électriques, les générateurs de secours et les centres de données, par exemple.

Comme le montre l’exemple de McQuire en matière d’AGL, les entreprises qui opèrent dans le secteur des services publics ont beaucoup à gagner de l’automatisation. La nature du secteur signifie que les processus de base sont exécutés sur une technologie qui a été construite et ajoutée à plusieurs années. Souvent, cela n’offre plus la façon la plus efficace de gérer l’entreprise. Goto.energy, nouvel entrant sur le marché de l’énergie, a augmenté sa clientèle de plus de 200 % en seulement 12 mois avec le soutien de la main-d’œuvre numérique intelligente et basée sur le cloud de Blue Prism.

Modernisation des flux de données vieux de 40 ans

Le marché intérieur des services de gaz et d’électricité du Royaume-Uni est axé sur les données et dominé par six grands fournisseurs. Lors de sa mise en place en 2018, Goto.energy a cartographié tous les processus d’affaires requis par un fournisseur d’énergie pour comprendre comment démarrer une entreprise dans un secteur à faibles marges, explique Evan Salway, directeur financier.

Au fur et à mesure que l’industrie des services publics évoluait, dit-il, beaucoup de modules ont été ajoutés aux systèmes de base. Par exemple, les entreprises n’offraient pas de tarifs à double carburant, de sorte que lorsque ceux-ci ont été ajoutés, ils ont exigé beaucoup de flux de données différents qui ont dû être échangés entre les participants de l’industrie. Certains des systèmes back-end ont 40 ans, basés sur la technologie du début des années 1980, comme RPG sur les machines AS400.

« Nous avions 200 pages de diagrammes de flow et nous avons cartographié où il y avait des dédoublements », explique M. Salway. L’une des inefficacités est qu’il peut y avoir des centaines de flux de données pour un seul client, qui nécessitent souvent une entrée manuelle.

Alors que le temps moyen de l’industrie pour la gestion des nouvelles commandes de clients est de 21 jours, Goto.energy est capable de terminer l’ensemble du processus beaucoup plus rapidement. En règle générale, la majeure partie des nouvelles demandes de clients reçues par l’intermédiaire de sites de comparaison tiers populaires est reçue du jour au lendemain.

Plutôt que d’envoyer à plusieurs reprises des variantes du même flux de données, Goto.energy a utilisé Blue Prism pour créer des « travailleurs numériques », grâce auxquels ces flux de données sont soumis au système back-end hérité et exécuté du jour au lendemain. En effet, les travailleurs numériques vérifient les détails de plusieurs bases de données à l’aide du traitement par lots de nuit, ce qui signifie que les travailleurs humains n’ont pas exécuté les contrôles manuellement.

Les capacités cognitives pré-intégrées des travailleurs numériques Blue Prism sont également utilisées pour éliminer les erreurs et les retards dans le cycle de facturation. Des dizaines de milliers de relevés de compteurs par mois sont collectés pour commencer le processus de facturation. Une grande partie d’entre eux sont envoyés par e-mail et ont déjà dû être clés dans les systèmes manuellement. Les travailleurs numériques de Goto.energy lisent et extraient automatiquement ces informations. Les erreurs de facturation déclenchent les communications vers le client.

Salway dit que l’entreprise voulait maintenir les coûts bas tout en offrant un haut degré de service à la clientèle. Pour se différencier de la concurrence établie, il dit que la société a mis en place un centre d’appels basé au Royaume-Uni au lieu de prendre la voie à moindre coût de l’exploitation d’un centre d’appels offshore.  « Si nous sommes en mesure d’utiliser l’IA et une main-d’œuvre numérique, nous pouvons gérer un centre d’appels au Royaume-Uni et réduire notre ratio client par personnel. »

Optimisation des processus

Comme le montre l’exemple Goto.energy, l’automatisation des processus robotiques peut réduire les étapes manuelles. AGL est un exemple d’IA utilisée pour alimenter de nouveaux processus d’affaires. L’IA peut également être utilisée pour découvrir de nouvelles optimisations de processus d’affaires à automatiser.

L’application de réservation de taxi Lyft est l’un des exemples présentés dans le Élargir l’impact de l’IA grâce à l’apprentissage organisationnel rapport de Boston Consulting Group en partenariat avec MIT Sloan Management Review. Lyft utilise un algorithme pour évaluer la demande de trajet, l’endroit où se trouve le pilote et d’autres dynamiques du système pour maximiser les revenus.

Dans le rapport, l’ancienne vice-présidente scientifique de Lyft, Elizabeth Stone, décrit comment l’IA a pu identifier un meilleur algorithme. Ce nouvel algorithme a compris qu’il existe une forte corrélation entre les clients qui ouvrent l’application Lyft et ceux qui finissent par commander un taxi via l’application.

De même, l’IA peut être appliquée pour lire l’héritage apcode source de plication ligne par ligne pour comprendre ce qu’il fait. Lorsque ces idées sont combinées avec l’analyse de l’IA des processus d’affaires soutenus par la logique d’application héritée, il ya des possibilités de moderniser le processus d’affaires, dit Munindar Singh, professeur au département d’informatique à l’Université d’État de Caroline du Nord. « Vous avez besoin de l’IA pour comprendre les processus d’affaires afin de conseiller l’analyse de bas niveau », ajoute-t-il.

En effet, toute analyse du code basée sur l’IA aura une incidence sur les processus opérationnels que les pouvoirs d’application. Ce nouveau domaine de recherche ouvre la possibilité d’utiliser l’IA dans le cadre d’une stratégie continue de modernisation des processus d’affaires. Dans ce scénario, les algorithmes sont continuellement modifiés et le code source sous-jacent modifié au fur et à mesure que les hypothèses de l’IA sur le processus d’affaires évoluent au fil du temps.

L’automatisation intelligente des processus d’affaires pourrait éventuellement conduire à l’optimisation et au réaménagement du code qui sous-tend le fonctionnement des entreprises.