Machine Learning

Machine Learning

Som vi kender det fra f.eks. Googles Søgemaskine, der præsenteres os for relevante sider ift. vores søgning, er målet med Machine Learning at automatisere kognitive evner som f.eks. anbefalinger, beslutninger og genkendelse af mønstre, uden at et menneske er involveret i processen. I stedet klares det af en avanceret algoritme, der arbejder og udvikler sig selv ud fra store mængder data.


Machine Learning vs. RPA

RPA og traditionel programmering er skabt ved at udvikle robotten ud fra et datasæt og forventning om hvordan en proces skal forløbe. Det resulterer i output, som f.eks. oprettelse af en ordre i ERP systemet.

Machine Learning derimod, omdanner typisk data og forventet output til en proces, som den selv finjusterer i takt med at mere data og output genereres.

Et eksempel kunne være produktionsplanlægning: Robotten har adgang til data omkring tidligere produktions sammensætninger, samt det resulterende output. Herefter kan robotten tillære sig hvilken produktionsplan er optimal på en given dag, for at maksimere output. Jo mere data den får lov at lære ud fra, jo skarpere bliver den til jobbet.

Machine Learning og RPA synergier

Machine Learning er et naturligt udviklingstrin efter implementering af Robotics Process Automation (RPA). Selvom Machine Learning lidt efter lidt bliver en del af RPA-løsningen – og man begynder at tale om Intelligent Process Automation, IPA, så er det to vidt forskellige typer robotter.

Machine Learning stiller høje krav til datakvaliteten, da det er udgangspunktet for robottens læring. Hvorvidt datakvaliteten er god, samt forbedring af den, kan i høj grad løses af RPA, som dermed giver et godt udgangspunkt for at vurdere potentialet for at arbejde videre med Machine Learning. RPA kan altså bruges til at sikre og forbedre datainputtet til algoritmerne i ens Machine Learning løsninger.

Se herunder eksempler på, hvordan Machine Learning kan anvendes i praksis.

Uddrage essensen af kontrakter og dokumenter


Proces

Afdelinger som modtager og bearbejder store mængder dokumenter, kan ende med at bruge meget tid på at uddrage essensen af dokumenterne, som kan være spredt ud over mange siders indhold.

Løsning
Machine Learning kan lære hvilken information er relevant i bunker af dokumenter for den enkelte medarbejder. F.eks. kan over 15.000 PDF sider bearbejdes per time af en machine learning robot, med en sporings nøjagtighed på over 85%. Robotten gør opmærksom på de punkter, som den ikke har kunnet finde, så medarbejderens tidsforbrug på informations søgning i dokumenter, kan reduceres med over 85%.

Fordeling af mails og filer ud fra fordelingshistorik


Proces
Fordeling af mails og filer ud fra fordelingshistorik.

Løsning
En betragtelig del af virksomheders daglige arbejde består i håndtering af e-mails og filer, som kommer fra eksterne og interne kilder. Det kan f.eks. være e-mail fællesindbakker, hvor der bruges meget tid på at fordele mails korrekt ud til medarbejdere, baseret på e-mailens indhold (e-mail tekstens ordlyd, indhold i vedhæftninger, etc.). Med machine learning kan robotten oplæres i, hvilke medarbejdere der typisk håndterer de ankomne e-mails, samt kan reagere på om en medarbejder er på ferie/syg (ud fra kalenderen), så det sikres at e-mails ikke strander og forbliver ubehandlet i unødig lang tid.

Optimering af produktionsplanlægning

Proces
I det daglige skal produktionsplaner løbende tilpasses interne og eksterne faktorer, som spiller ind i hvad den optimale produktionsplan er. Det er ofte uoverskueligt for et menneske at få alle faktorer med, hvorved en markant del af produktionsplanlægningen dannes ud fra mavefornemmelse og skøn, med tilhørende risici.

Løsning
Machine learning kan overskue enorme mængde data, herunder historisk produktionsplanlægning, for at sammensætte den mest optimale produktionsplan for dagen ud fra konkret data. Det er en skalerbar løsning, modsat produktionsplanlægning fra mennesker, der ofte indebærer ansættelse af ekstra planlæggere for hver fabrik, når produktionsmængden vokser.