Od linii produkcyjnej do inteligentnej instytucji – cz. 2

Zarys historii automatyzacji opartej na rozumieniu języka naturalnego - ciąg dalszy

NLP

Wynalazek automatycznego przetwarzania języka naturalnego (NLP) został zdefiniowany przez Yoav Goldberg jako zautomatyzowane metody, które korzystają z języka naturalnego jako danej wejściowej i generują język naturalny na wyjściu. Najczęściej punktem początkowym jest tutaj OCR - rozpoznawanie tekstu. Co jednak dzieje się dalej?

Aby wyjaśnić bliżej zasady działania automatycznego przetwarzania dokumentów musimy zadać technologii NLP praktyczne pytanie - po co jest to robione? W zależności od tego, jaka jest odpowiedź na to pytanie, staniemy bowiem przed zupełnie innymi wyzwaniami.

1. IDP - Jeśli zadaniem NLP jest automatyzacja obsługi faktur czy dokumentów ubezpieczeniowych, rozwiązań musimy poszukać w dziedzinie inteligentnego przetwarzania dokumentów (IDP).

2. CA - Inny zakres maszynowej "wiedzy" o języku będzie potrzebny w przypadku odpowiedzi na pytania klientów zadawane przez telefon. W tym obszarze specjalizuje się automatyzacja kognitywna (CA).

IDP

W największym skrócie, inteligentne przetwarzanie dokumentów (IDP) to kategoria rozwiązań służących do odczytywania i przetwarzania danych zawartych w kluczowych dokumentach biznesowych. Mogą to być kontrakty, zamówienia, faktury, czy wnioski kredytowe. Do tej grupy należą rozwiązania proponowane przez 4Semantics, takie jak SensID Cognitive Automation.

IDP automatycznie odczytuje dane zawarte w różnych dokumentach i umieszcza je w wybranych przez użytkownika systemach. Systemem takim może być program obsługujący faktury, narzędzie służące do logistyki, albo baza zawierająca dane klientów.

Automatyczne rozpoznawanie i kategoryzacja danych jest zadaniem bardzo złożonym. ego zakres znacząco wykracza poza OCR. Wymaga nie tylko przekształcenia drukowanego tekstu do wybranego formatu wyjściowego.. Wymaga także „rozumienia” odczytywanego tekstu w celu odpowiedniego wykorzystania zawartości danego dokumentu. By właściwie uzupełnić dane w systemie informatycznym firmy narzędzie musi rozpoznać które dane w dokumencie, spośród tysięcy słów, rzeczywiście nas interesują.

Dlatego też dostawcy usług IDP często zajmują się rozwiązaniami wąsko zdefiniowanych problemów, wówczas ich rozwiązania są dostosowane do potrzeb konkretnej firmy czy instytucji.  

Należy wspomnieć, że dużym wyzwaniem dla rozwiązań IDP jest jednak występowanie wyjątków i błędów odczytywania danych. Najczęściej stosowaną wówczas strategią jest “human in the loop”. polega ona na poinformowaniu użytkownika o wystąpieniu problemu  i wymuszeniu interwencji człowieka. W rozwiązaniu SensID CA takie sytuacje mają również pozytywny wpływ na działanie systemu, ponieważ skorygowane przez użytkownik informacje służą do poprawienia jakości działania modeli wydobywających dane w przyszłości.

CA

Automatyzacja kognitywna to kolejna generacja technologii z omawianej grupy. To automatyzacja, która bazuje  na inteligentnych metodach przetwarzania danych niestrukturalnych, tekstu, mowy, ale i obrazu  

Dzięki zastosowaniu AI cechuje ją dość daleko posunięta autonomia w działaniu. 

Założeniem systemów  CA jest zastępowanie człowieka w przypadkach żmudnych i powtarzalnych zadań.

Szersze zastosowania: RPA, RPA II i Workflow

Jednym z największych problemów, z jakie i rozwiązuje automatyzacja procesów obsługi dokumentów jest działanie w różnych kontekstach. Na przykład, w celu poprawnego rozpatrzenia wniosku kredytowego, złożony dokument musi zostać wprowadzony i przetworzony przez oprogramowanie używane przez kilka różnych działów w banku.Stworzenie specjalnego, jednolitego oprogramowania łączącego wszystkie funkcje różnych systemów byłoby bardzo drogie i mało elastyczne. Zdecydowanie bardziej praktycznym i technologicznie zaawansowanym rozwiązaniem jest zrobotyzowana automatyzacja procesów (RPA).

RPA

Dlaczego jednak współczesna automatyzacja procesów nazywana jest zrobotyzowaną? Nie znajdziemy tutaj lśniących androidów sunących gładko przez nowoczesne wnętrza. Roboty, czy też raczej boty, o których tutaj mowa, są rodzajem oprogramowania, które zostało stworzone do obsługi programów tak, jak robiłby to człowiek.

Innymi słowy, roboty automatyzujące procesy biznesowe obsługują programy najczęściej za pomocą istniejącego już interfejsu użytkownika. Robot odpowiadający na pytania zadane na czacie nie zastępuje więc samego czatu. Ale potrafi z niego korzystać w standardowych, powtarzalnych sytuacjach.

Wróćmy jednak do przykładu wniosku kredytowego. Rozwiązanie należące do RPA potrafi w prostej, dość jednoznacznej sytuacji skorzystać z istniejącego oprogramowania służącego do oceny ryzyka kredytowego czy kalkulacji ilości rat, które należy zaproponować klientowi. Może ono wprowadzić dane do wielu systemów i przedstawić pracownikowi banku wyniki pochodzące z różnych systemów. Czy jednak może samodzielnie wykonać kroki wymagające inteligencji albo podjąć decyzję?

RPA II

W tym momencie musimy przejść do opisu RPA II – rezultatu połączenia RPA z automatyzacją kognitywną (CA). Tego typu rozwiązania cechuje najwyższy stopień elastyczności. Dzięki zastosowaniu sztucznej inteligencji,mogą być wykorzystywane do obsługi bardzo złożonych procesów, w których nie wystarczy tylko uruchamianie i przechodzenie istniejących aplikacji w ustalony zawsze taki sam sposób, ale do zrealizowania procesu jest konieczna rozumienie dokumentów, mowy, obrazu oraz podejmowanie decyzji na podstawie wydobytych informacji. Takie klasy rozwiązaniem jest SensID CA.    

Podsumowanie

W artykule nakreśliliśmy linię od pojęcia automatyzacji, które narodziło się w fabrykach Forda niemal 80 lat temu, do urzeczywistniającej się na naszych oczach wizji inteligentnej instytucji, która w optymalny sposób wykonuje swoje zadania. Mam nadzieję, że przekonaliśmy Cię, Czytelniku, że automatyzacja oparta na rozumieniu języka naturalnego to temat tyle złożony, co fascynujący. Zachęcamy więc do zapoznania się z produktami 4Semantics w celu praktycznego jej zastosowania. A także do zapoznania się z bibliografią, aby dowiedzieć się więcej na ten temat.

Bibliografia

  1. Goldberg, Yoav. Neural Network Methods in Natural Language Processing. 2017.
  2. Groover, Mikell P.. Automation. Encyclopedia Britannica,  https://www.britannica.com/technology/automation.  Dostęp 30.11.2021.
  3. Machine Learning. https://www.ibm.com/cloud/learn/machine-learning. Dostęp 30.11.2021.
  4. Milewski T.. Językoznawstwo, K. Dróżdż-Łuszczyk, Warszawa 2004.
  5. Kilson, Kashaan. How Automatons Helped Predict the Future of Robotics. https://www.inverse.com/article/10494-how-automatons-helped-predict-the-future-of-robotics. Dostęp 30.11.2021.
  6. Scholz B.C., Pelletier F.J., Pullum G.K.. Philosophy of Linguistics. Stanford Encyclopedia of Philosophy. https://plato.stanford.edu/entries/linguistics/. Dostęp 30.11.2021.

Kontakt

Podaj poprawny adres e-mail

Wpisz wiadomość

Zaznacz zgodę

Dziękujemy za wysłanie e-maila!

Wysyłam e-mail...

Błąd wysyłania e-maila!