Vässa verksamheten med AI-driven dokumentförståelse

En gemensam nämnare för alla verksamheter världen över är att mycket tid läggs på att hitta, läsa, tolka, kontrollera, analysera, beräkna och sammanställa information ur olika typer av dokument. Det kan vara allt från fakturor, beställningar och avtal till reklamationer, kundundersökningar och tidrapporter i digital form eller på papper. Tänk bara på hur mycket tid er organisation lägger på att stämma av inkommande fakturor mot beställnings- och leveransunderlag.

Hur många timmar per år kan det handla om? Fundera sedan på vilka fler liknande rutinmässiga dokumentprocesser ni har och lägg ihop timmarna.

Genom att koppla samman RPA med AI-baserad dokumentförståelse kan ni istället använda all denna tid till mer kvalificerade och lönsamma uppgifter och låta roboten utföra slitgörat.

Enligt en undersökning av PWC kan ett företag spara upp till 50 procent av tiden som läggs på den här typen av repetitiva arbetsuppgifter med relativt enkel automationsteknik. Addera sedan AI-baserad maskinlärning (ML) till automationsprocessen så blir roboten både effektivare och mer kompetent att hantera svårare uppgifter, vilket skapar ännu större tidsvinster. Det innebär också att saker blir gjorda snabbare och med högre kvalitet, det vill säga färre fel orsakade av slarv och feltolkningar.

En automatiserad kundtjänst kan kraftigt förbättra kundservicen i och med att kunderna slipper sitta i telefonkö eller vänta på att en person ska svara dem via e-post. En robot kan svara på sekunder.

Automatiserad och intelligent dokumenthantering leder bland annat till följande effekter:

• Ökad effektivitet och produktivitet. Genom automatiserad dokumenthantering kan medarbetarna ägna mindre tid på att läsa, tolka och förstå innehållet i dokument och beräkna, registrera och arkivera data och filer.
• Bättre kundservice. Med en kombinerad lösning av RPA-baserad automation, chatbots och dokumentförståelse kan kunderna mycket snabbare få hjälp med det mesta som kräver utbyte av dokument och bilder. Det kan till exempel handla om avtals-och fakturafrågor, reklamationer eller återköp. Läs bloggposten Pratsamma robotar gör servicen bättre och jobbet roligare för att läsa mer om fördelarna med att koppla samman RPA med chatbots.
• Ökad innovation och utveckling. All form av effektivisering leder över tid till ökad innovationstakt och verksamhetsutveckling. När tid frigörs från repetitiva uppgifter kan större fokus och fler resurser läggas på arbete som förnyar och utvecklar verksamheten.
• Minskad risk. Med dokumentförståelse kan du eliminera fel som lätt uppstår vid manuell hantering, till exempel registrerings- och beräkningsfel eller kundlöften som inte uppfylls.
• Bättre medarbetarupplevelse. Att avlastas från monotona arbetsuppgifter, som att varje dag plöja mängder av dokument och registrera uppgifter baserade på dem, är inte bara enormt befriande. Det innebär också att medarbetarna kan ägna sig åt mer kvalificerade uppgifter som ökar arbetsglädjen, stärker deras kompetens och förbättrar verksamheten.

Allt från fakturaavstämningar till handskrivna svarsenkäter kan automatiseras

Dokumentförståelse (Document Understanding) är en teknik som gör det möjligt att med mjukvara automatiskt läsa, tolka och agera på innehållet i ett dokument. Det kan exempelvis handla om att låta ett system läsa igenom inskannade fakturor för att kontrollera att debiterade artiklar stämmer mot beställningsunderlag och leveransavier.

Att omvandla maskin- och handskriven text på papper med så kallad OCR-teknik (Optical Character Recognition) har varit möjligt i över hundra år. Den första OCR-skanningen gjordes redan 1914 av Emanuel Goldberg som utvecklade en maskin som kunde konvertera bokstäver till telegrafisk kod. Sedan dess har en rad olika tekniker utvecklats som gör det möjligt för ett datorprogram att läsa, tolka, avbilda och digitalisera i stort sett vilken text och bild som helst. I praktiken innebär det att den inlästa texten och bilden kan plockas isär av ett program för att hitta och hämta viss information eller utföra beräkningar på den.

Med de framgångar som skett inom RPA samt AI och ML har tekniken för automatiserad dokumenthantering tagit ett stort kliv framåt. Genom att kombinera RPA-tekniken med AI-baserad dokumentförståelse kan mycket stora volymer av komplexa dokument effektivt hanteras inom en mängd olika användningsområden. Allt från sammanställning, beräkning och avstämning av reseräkningskvitton i allsköns format till registrering av handskrivna svarsenkäter kan automatiseras. Handskriven text kräver dock lite mer upplärning av roboten innan processen flyter smidigt. Läs mer om hur roboten tränas i avsnittet Träning gör roboten smartare nedan.

Teknologin spänner också över många av världens språk. UiPath, som är den RPA-plattform vi på Precio Fishbone använder mest, stöder till exempel alla språk som använder latinska och kyrilliska alfabeten. Inom kort kommer plattformen även stödja kinesiska och japanska. Andra språk kan också integreras i UiPaths plattform via tredjepartslösningar.

Möjligt att automatisera tolkning och analys

AI har gett dokumentförståelse bättre skäl för sitt namn då det nu är möjligt att automatisera tolkning och analys av både strukturerad och ostrukturerad information. Ett strukturerat dokument kan till exempel vara ett pass där födelsedatumet alltid finns på samma plats. I ett ostrukturerat dokument finns ingen ordning, vilket gör det betydligt svårare att hitta rätt information. Exempel på ostrukturerade dokument, vars hantering med fördel kan automatiseras, är fritextbaserade kundmejl om support, produkter, reklamationer med mera. Till skillnad från formulärbaserade kundmejl så innehåller dessa inga fördefinierade rubriker, fält eller etiketter som ger en robot med läskunskaper guidning om var den ska leta.

Det finns också så kallade semistrukturerade dokument, vilka innehåller en blandning av strukturerad och ostrukturerad information. Exempel på semistrukturerade dokument är fakturor, kvitton, beställningar och kontoutdrag där det en del av informationen har fasta platser eller är etiketterad medan annan information är dynamisk och omärkt.

Träna roboten smartare

Med AI och ML kan en läskunnig robot lära sig att hitta i ostrukturerad information. I praktiken innebär det att roboten tränas i att tolka och förstå kontexten i en viss typ av dokument för att kunna hämta och agera på rätt information. I ett strukturerat dokument finns till exempel telefonnummer alltid på samma plats eller angivet med etiketten ”telefonnummer”. I ett ostrukturerat dokument måste roboten lära sig att mobilnummer har ett visst antal siffror och börjar med ”07”. När väl ord och uppgifter identifierats och klassats kan roboten sätta dem i rätt sammanhang för att göra beräkningar, returnera svar eller skicka data vidare till andra system eller personer.

För tolkning och analys av strukturerade dokument används så kallad mall- och regelbaserad dokumentförståelse. Det innebär att mallar utvecklas till varje dokumenttyp som anger var i dokumentet viss information finns och hur den ska tolkas. Ostrukturerade och semistrukturerade dokument måste hanteras med hjälp av ML-modeller. En sådan modell kan till viss del vara ”varm i kläderna” från start, det vill säga att den redan är tränad för en viss typ av dokument och uppgift. För felfri exekvering behöver den dock fortsätta sin träning när den driftsätts i nya miljöer med nya arbetsuppgifter.

Träningen går i stort ut på att roboten skickar data den inte förstår eller är osäker på för mänsklig validering eller frågar om var information den inte hittar finns i ett dokument. Därmed blir den successivt bättre på att hitta, tolka och förstå informationen i dokumenten. En robot kan behöva mänsklig assistans både vid tolkning av strukturerade och ostrukturerade dokument.

När dokumenten är semistrukturerade eller särskilt komplexa används oftast en kombination av ML-, mall- och regelbaserad dokumentförståelse för att få optimal effektivitet och pålitlighet i processen.