Когда мы говорим о плюсах программной роботизации, то чаще всего называем уход от рутины и снижение ошибок из-за человеческого фактора. А что если нам нужно очень быстро просчитать все варианты событий? Справится ли RPA?
Задача — резервирование номенклатур для выполнения приоритетного заказа. При резервировании номенклатур может оказаться, что на складе чего-то не хватает, а доставка займет дополнительное время и предприятие не успеет выполнить заказ в срок и в нужном объеме. Такое недопустимо!
Для решения такой задачи создается программный робот RPA, который перебирает номенклатурные позиции среди ранее зарезервированных и находит подходящие позиции. Далее программный робот анализирует возможность допоставки требуемых позиций и сроки реализации уже найденного заказа. Если сроки позволяют допоставить требуемые позиции в найденный заказ, робот RPA перебронирует номенклатурные позиции между заказами — и предприятие успеет выполнить оба заказа в срок.
Это простой пример, но на деле все иначе
- Для принятия решений программному роботу нужно проработать множество условий и перебрать множество заказов.
- Анализируемые условия часто вступают между собой в конфликт, что на выходе может привести к неверному решению.
- На каждом шаге осуществляется проверка решения по заданным критериям.
Как же роботу принять правильное решение?
Для принятия правильных решений среди большого объема данных и условий требуется работа со сложными математическими аппаратами. Одна только работа с no-code тут не годится. Требуется использование достаточно крупных кусков кода или отдельно разработанных микросервисов.Современные исследования в области нечеткой логики применимы к управлению бизнес-процессами. Инструменты нечеткой логики, в основном, широко используются в управлении техническими системами:
- наведение телекамер при трансляции спортивных событий (Omron);
- эффективное и стабильное управление автомобильными двигателями (Nissan);
- позиционирование приводов в производстве полупроводников wafer-steppers (Canon).
- оптимизированное планирование автобусных расписаний (Toshiba, Nippon-System, Keihan-Express);
- системы архивации документов (Mitsubishi Elec.);
- системы прогнозирования землетрясений (Inst. of Seismology Bureau of Metrology, Japan);
- диагностика рака (Kawasaki Medical School);
- распознавание движения изображения в видеокамерах (Canon, Minolta).
Как все это применить на практике?
Для решения сложных задач с большим количеством условий отлично подходит RPA платформа PIX Robotics в связке с индивидуальными разработанными микросервисами на языке Python. Python имеет достаточно широкое применение в решении сложных математических задач и под него разработано большой набор готовых компонентов.Именно такую связку мы в компании «Интеллектуальные продукты и системы» используем для создания сложных роботов и программно-роботизированных сервисов, которые одновременно анализируют большое количество данных и условий для поиска лучшего варианта решения.
Управление на основе нечеткой логики:
- Использует предложения в форме правил для того, чтобы управлять тем или иным процессом.
- Может иметь неограниченное число входных сигналов и строится на основе знаний владельца бизнес-процесса, «эксперта».
- Позволяет строить управление без использования специфических знаний об объекте управления.
Создание фабрики — это инвестиция, и компания должна быть заинтересована в том, чтобы эти инвестиции приносили дивиденды. В идеале сумма, которую собираемся вложить в создание программного робота RPA, должна быть меньше итоговых дивидендов, да еще и период окупаемости инвестиций должен быть максимально коротким. Именно с такими требованиями и стоит подходить к созданию программных роботов RPA.
Создание роботов — это процесс не одного-двух шагов, а последовательная многоступенчатая работа.
Автор статьи: Павел Широков, руководитель компании «Интеллектуальные продукты и системы»