RPA – IA – ML… Lo que hay debajo de los acrónimos

Si piensas que la IA, la automatización de procesos y el aprendizaje automático no tienen nada en común, o por el contrario crees que son lo mismo y no sabes diferenciar sus principales características, debes seguir leyendo.

RPA, IA y Machine Learning… llevamos tiempo escuchando esas palabras no solo en círculos tecnológicos, sino también dentro del mundo de los negocios. Ya sea en blogs, sitios web, vídeos o incluso en descripciones de productos y servicios, las tecnologías disruptivas han ido haciéndose hueco y su presencia hoy en día es más que común. El hecho de que todos tengamos dispositivos impulsados por Inteligencia Artificial (IA) en nuestros hogares es una señal de que esas tecnologías están llegado muy lejos.

Si piensas que la IA, la automatización de procesos y el aprendizaje automático no tienen nada en común, o por el contrario crees que son lo mismo y no sabes diferenciar sus principales características, debes seguir leyendo. Todos estos están relacionados, si bien cada uno con sus funciones y particularidades bien determinadas. Por desgracia las personas utilizan estos términos de manera indistinta e incorrecta, lo que causa confusión entre las empresas que buscan las últimas soluciones tecnológicas para mejorar su eficiencia.

Comprender las diferencias entre las herramientas de IA, ML y RPA es clave para identificar y comprender dónde están las mejores oportunidades y soluciones para cada tipo de empresa u organización.

RPA

Según IBM, "la automatización robótica de procesos (RPA), también conocida como robótica de software, utiliza tecnologías de automatización para imitar las tareas de back-office de los trabajadores humanos, como extraer datos, completar formularios, mover archivos, etc. Combina API e interacciones de interfaz de usuario (UI) para integrar y realizar tareas repetitivas entre las aplicaciones empresariales heterogéneas. Al implementar scripts que emulan procesos humanos, las herramientas de RPA completan la ejecución autónoma de diversas actividades y transacciones en sistemas de software no relacionados".

En ese sentido, las herramientas RPA permiten tareas altamente lógicas que no requieren comprensión humana o toma de decisiones por parte de personas. Por ejemplo, si su trabajo gira en torno a la introducción de números de cuenta en una hoja de cálculo para ejecutar un informe con una categoría de filtro, se puede usar RPA para completar los números de la hoja. “Cojo de aquí algo, lo pongo allí, siempre igual…”. La automatización imitará sus acciones de configuración del filtro y generará el informe por sí solo.

Con un conjunto claro de instrucciones, RPA puede realizar casi cualquier tarea que involucre la interacción humana con un ordenador. Pero hay una cosa para tener en cuenta: los sistemas de RPA no tienen “de base” las capacidades para aprender a medida que avanzan. Si hay un cambio en su tarea (por ejemplo, si el filtro ha cambiado en el informe de la hoja de cálculo), el proceso se detendrá y se deberá modificar para tener en cuenta el nuevo conjunto de instrucciones.

IA

Según Microsoft, "la Inteligencia Artificial es la capacidad de un sistema informático para lidiar con la ambigüedad, haciendo predicciones utilizando datos recopilados previamente y aprendiendo de los errores en esas predicciones para generar nuevas y precisas decisiones sobre cómo comportarse en el futuro".

En este punto ya podemos identificar la mayor diferencia, Un sistema de IA no automatiza ningún proceso manual, lo que hace es tomar decisiones a partir de cálculos matemáticos y estadísticos. Doy un valor de entrada y obtengo una salida.

Estamos seguros de que se puede empezar a ver que si se combinan las dos tecnologías de las que hemos hablado hasta ahora, la ganancia puede ser muy alta.

ML (Machine Learning)

Según Gartner, "los algoritmos avanzados de aprendizaje automático se componen de muchas tecnologías (como el aprendizaje profundo, las redes neuronales y el procesamiento del lenguaje natural), utilizadas tanto en el aprendizaje no supervisado como en el supervisado, que operan guiados por las lecciones de la información existente".

El machine learning es deducción y predicción, ¿podría llamarse inteligencia? Eso es algo subjetivo, ya que esas deducciones se basan en la experiencia y obviamente, cuantos más ejemplos, mayor acierto, si hay modificaciones en los actores interpretados en el modelo, no vamos a obtener más que predicciones erróneas.

Para entenderlo un poco mejor, apliquemos estas tecnologías en un escenario de impuestos a la propiedad. Inicialmente, se puede crear un modelo de ML basado en cien facturas con impuestos. Cuantas más facturas alimenten al modelo, más precisas serán las predicciones para las facturas futuras. Si desea utilizar el mismo modelo de aprendizaje automático para abordar facturas de proveedores, el modelo no servirá de nada. Por lo tanto, se tendría que construir un nuevo modelo de aprendizaje automático que sepa cómo trabajar con las facturas de proveedores. Aquí es dónde las capacidades del aprendizaje automático trazan una línea. Cuando ML no reconoce las similitudes del documento, una aplicación de IA sí que lo haría, gracias a sus habilidades de interpretación similares a las humanas.

Conclusión: ¿Qué es la automatización inteligente de procesos?

Llegados a este punto, parece lógico combinar estas tres tecnologías para mejorar la eficiencia y las posibilidades de un proceso robotizado con RPA.

Si disponemos de un modelo de IA que es capaz de identificar en documentos posiciones de campos determinados sea cual sea su formato, se puede crear un modelo de ML que lo utilice e introducir una llamada a ese modelo en un proceso creado con RPA que recupera los documentos de un buzón de correo y que, una vez obtenidos los valores de los campos al procesarse, enviarlo al ERP o al gestor documental correspondiente sin la intervención de un humano.  El proceso robotizado ha tomado decisiones y ha actuado en consecuencia.

Las tres tecnologías pueden actuar por separado. Juntas crean un equipo mucho más poderoso capaz de adaptarse, aprender y solventar problemas que de otra manera tendrían que ser abordados de manera manual.

Ahora que ya sabemos que hay debajo de esas siglas, sus capacidades y restricciones es cuando cabe aconsejar a cualquier organización que se adapten a ellas e ¡innoven!