اتوماسیون با هوش مصنوعی چیست؟ راهنمای انتخاب برای سازمان‌های ایرانی

اتوماسیون با هوش مصنوعیمی‌تواند زمان خواندن اسناد، ورود اطلاعات و آماده‌کردن پاسخ‌ها را کاهش دهد و کارهای تکراری را به فرآیندهایی قابل پیگیری تبدیل کند. برای سازمانی که روزانه ده‌ها نامه، درخواست خرید و صورتجلسه دریافت می‌کند، ارزش این فناوری در یک مسئله ملموس دیده می‌شود: کارشناس کمتر وقتش را صرف جابه‌جایی اطلاعات کند و مدیر سریع‌تر به اطلاعات لازم برای تصمیم‌گیری برسد. رسیدن به این نتیجه، به انتخاب کاربرد مناسب و اتصال درست نرم‌افزار به داده‌های سازمان بستگی دارد.

در اتوماسیون مبتنی بر قواعد، مسیر کار از قبل تعیین می‌شود؛ مثلاً درخواست خرید بالاتر از مبلغ مشخص، به مدیر مالی می‌رسد. هوش مصنوعی قابلیت‌هایی مانند تشخیص نوع سند، استخراج اطلاعات از متن، خلاصه‌سازی و پیشنهاد اقدام را به این مسیر اضافه می‌کند.

فرض کنید یک پیش‌فاکتور اسکن‌شده به درخواست خرید پیوست شده است. سامانه می‌تواند مبلغ، نام تأمین‌کننده و تاریخ را استخراج کند و برای بررسی در اختیار کارشناس بگذارد. پس از تأیید اطلاعات، قواعد گردش‌کار مشخص می‌کنند درخواست به کدام مسئول برسد. بنابراین مدل اطلاعات را پیشنهاد می‌دهد و سامانه فرآیند، مسئولیت و مسیر رسیدگی را حفظ می‌کند.

RPA یا اتوماسیون رباتیک فرآیندها، معمولاً تعامل‌های تکراری با نرم‌افزارها را خودکار می‌کند؛ مانند انتقال داده میان دو برنامه. BPMS بستری برای طراحی، اجرای فرآیند و بررسی وضعیت آن است. هوش مصنوعی نیز می‌تواند خواندن محتوا، دسته‌بندی اطلاعات و تولید پیش‌نویس را به این ابزارها اضافه کند.

این فناوری‌ها قابلیت ترکیب دارند. برای مثال، مدل اطلاعات فاکتور را استخراج می‌کند، گردش‌کار مسیر تأیید را اجرا می‌کند و یک اتصال نرم‌افزاری اطلاعات تأییدشده را به سامانه مالی می‌فرستد. انتخاب ابزار باید از نیاز واقعی آغاز شود؛ تأیید یک فرم با قواعد روشن، لزوماً به مدل هوش مصنوعی احتیاج ندارد.

یکی از کاربردهای عملی هوش مصنوعی در اتوماسیون اداری، کمک به ثبت و رسیدگی به نامه‌هاست. OCR متن تصویر یا فایل اسکن‌شده را قابل استخراج می‌کند. سپس پردازش متن می‌تواند شماره، تاریخ، موضوع و مهلت پاسخ را پیشنهاد دهد یا نامه را در دسته مناسب قرار دهد.

خلاصه‌سازی مکاتبات نیز برای مدیرانی مفید است که باید چند نامه و پیوست مرتبط را بررسی کنند. خلاصه باید به اصل مدارک متصل باشد تا اطلاعات مهم قابل کنترل بماند. کیفیت اسکن، متن فارسی و اصطلاحات اختصاصی سازمان بر نتیجه اثر می‌گذارند؛ به همین دلیل، آزمون با نامه‌های واقعی بخشی از انتخاب محصول است.

در سامانه‌هایی که پردازش صوت دارند، متن جلسه می‌تواند به خلاصه، تصمیم‌ها و فهرست اقدام تبدیل شود. دبیر جلسه باید نام مسئول، مهلت و تفاوت تصمیم قطعی با پیشنهاد را بررسی کند. اتصال خروجی تأییدشده به وظایف، ارزش بیشتری از نگهداری یک فایل صوتی جدا ایجاد می‌کند.

در جست‌وجوی معنایی، کاربر می‌تواند مفهوم موردنظرش را بیان کند، حتی اگر نام فایل یا عبارت دقیق داخل آن را نداند. مثلاً پرسش «آخرین تصمیم درباره تمدید قرارداد تأمین‌کننده چه بود؟» می‌تواند به بازیابی نامه، قرارداد و صورتجلسه مرتبط کمک کند.

یکی از روش‌های اتصال مدل زبانی به اطلاعات داخلی، RAG است؛ در این روش، محتوای مرتبط بازیابی می‌شود و مبنای تولید پاسخ قرار می‌گیرد. کیفیت پاسخ به منابع، تازگی اسناد و دسترسی کاربر وابسته است. نمایش منبع و کنترل نسخه اهمیت دارد؛ زیرا استفاده از این روش، احتمال پاسخ اشتباه را به‌طور کامل از بین نمی‌برد.

دستیار سازمانی می‌تواند وضعیت نامه‌ها، پروژه‌ها و درخواست‌ها را از منابع مجاز جمع‌آوری کند و پاسخ مستند بدهد. این قابلیت برای پرسش‌هایی مثل «کدام مصوبات هنوز انجام نشده‌اند؟» یا «چه قراردادهایی نزدیک انقضا هستند؟» کاربرد دارد.

عامل هوش مصنوعی یا AI Agent، در صورت داشتن ابزار و مجوز، می‌تواند مراحل یک کار را نیز دنبال کند. نام محصول به‌تنهایی محدوده این توانایی را مشخص نمی‌کند. هنگام بررسی راهکار، باید روشن باشد سامانه چه اطلاعاتی می‌خواند، چه اقداماتی انجام می‌دهد و کدام تغییرها به تأیید کاربر نیاز دارند.

نیاز یک کارخانه با شرکت پیمانکاری یا تیم پشتیبانی یکسان نیست. کاربرد مناسب زمانی انتخاب می‌شود که حجم کار، داده‌های موجود و هزینه خطا در همان کسب‌وکار بررسی شوند.

در کارخانه‌ها، مدل‌های تحلیلی می‌توانند از داده حسگرها و سوابق تعمیر برای شناسایی نشانه‌های خرابی استفاده کنند. این کاربرد به داده عملیاتی و زیرساخت تخصصی نیاز دارد. در بخش اداری تولید نیز استخراج اطلاعات گواهی کیفیت، مدارک تأمین‌کنندگان و درخواست‌های خرید می‌تواند ورود دستی داده را کمتر کند. این دو حوزه باید با توجه به سامانه‌های موجود، جداگانه ارزیابی شوند.

در پروژه‌های عمرانی، نامه کارفرما، صورتجلسه کارگاه و مدارک فنی باید به یک پرونده مشخص متصل باشند. هوش مصنوعی می‌تواند در استخراج مهلت پاسخ، خلاصه مکاتبات و یافتن سابقه ابلاغ کمک کند. وقتی نتیجه به نامه اصلی و مسئول رسیدگی وصل باشد، پیگیری درخواست‌ها کمتر به حافظه افراد و جست‌وجوی دستی وابسته می‌شود.

پیش‌فاکتور، بارنامه و مدارک تأمین‌کننده منابع مناسبی برای استخراج اطلاعات هستند. مقایسه فیلدهای اسناد می‌تواند مغایرت‌ها را برای بررسی مشخص کند. کاربردهایی مانند پیش‌بینی تقاضا و بهینه‌سازی موجودی نیز به سابقه فروش و داده زنجیره تأمین نیاز دارند. برای شرکتی با اسناد پراکنده، سامان‌دهی مدارک و گردش تأیید می‌تواند نقطه شروع عملی‌تری باشد.

در شرکت‌های خدماتی، بسیاری از پرسش‌ها و درخواست‌ها تکرار می‌شوند. دستیار می‌تواند مقاله مرتبط از پایگاه دانش یا پاسخ پیشنهادی از تیکت‌های مشابه را در اختیار کارشناس بگذارد. دسته‌بندی درخواست و نمایش سابقه مشتری نیز به رسیدگی کمک می‌کند. کیفیت این قابلیت به به‌روز بودن منابع و امکان انتقال موارد پیچیده به کارشناس بستگی دارد.

پاسخ به پرسش‌های مربوط به مرخصی، مأموریت یا دریافت گواهی می‌تواند براساس آیین‌نامه‌های معتبر سازمان آماده شود. کارمند راهنمای لازم را دریافت می‌کند و برای اقدام، به فرم یا مسیر درخواست مرتبط می‌رسد. این کاربرد می‌تواند بار پاسخ‌گویی تکراری واحد منابع انسانی را کاهش دهد، درحالی‌که بررسی استثناها و تأیید درخواست‌ها با مسئول مربوط باقی می‌ماند.

صرف تولید سریع‌تر متن، برای اثبات بهره‌وری کافی نیست. پیش از اجرا، زمان ثبت نامه، بررسی پیوست، تهیه پاسخ و تعداد اصلاحات را اندازه بگیرید. پس از پایلوت، همان شاخص‌ها را با نمونه‌های مشابه مقایسه کنید.

هزینه مجوز، زیرساخت، اتصال نرم‌افزارها و بازبینی خروجی هم باید در محاسبه باشد. ممکن است استخراج خودکار اطلاعات سریع انجام شود، اما اصلاح خطاها زمان زیادی بگیرد. نتیجه مطلوب زمانی به دست می‌آید که مجموع زمان و هزینه رسیدگی کمتر شود و کیفیت کار حفظ شود. درصد صرفه‌جویی هر سازمان باید از همین اندازه‌گیری به دست بیاید.

در جلسه معرفی محصول، اجرای یک سناریوی واقعی را بخواهید: نامه فارسی اسکن‌شده وارد شود، اطلاعات و خلاصه پیشنهاد شوند و پس از تأیید کارشناس، ارجاع ثبت شود. سپس این موارد را بررسی کنید

• دقت فارسینام واحدها، تاریخ شمسی و اصطلاحات تخصصی چگونه تشخیص داده می‌شوند؟
• پاسخ مستندآیا منبع هر پاسخ و نسخه معتبر سند قابل مشاهده است؟
• دسترسی و محرمانگیآیا مجوزهای سازمان هنگام بازیابی اطلاعات اعمال می‌شوند؟
• محل پردازشداده کجا ذخیره و پردازش می‌شود و شرایط استفاده از آن چیست؟
• یکپارچه‌سازیاتصال به نرم‌افزار مالی، ERP و منابع داده موجود چگونه انجام می‌شود؟

پاسخ عملی به این پرسش‌ها، مبنای مقایسه محصولات و برآورد هزینه استقرار خواهد بود.

برای شروع، یک کاربرد پرتکرار و قابل اندازه‌گیری انتخاب کنید؛ مثلاً استخراج اطلاعات نامه وارده یا خلاصه‌سازی پرونده خرید. نمونه‌ها، معیار پذیرش و مسئول بازبینی را مشخص کنید و پس از ارزیابی نتیجه، کاربرد بعدی را اضافه کنید.

در معرفی راهکار اتوماسیون با هوش مصنوعی آریا آی‌تی، قابلیت‌هایی مانند OCR، خلاصه‌سازی، پیش‌نویس پاسخ و جست‌وجوی اسناد روی اطلاعات سازمان مطرح شده‌اند؛ اقدام رسمی با تأیید نقش مجاز انجام می‌شود. راهکارهوش مصنوعی در مدیریت فرآیند سازمانینیز بر پیشنهاد اطلاعات و مسیر متناسب با رویه سازمان تمرکز دارد.

برای ارزیابی آریا، یک نامه، فرم و پرونده واقعی را در جلسه دمو بررسی کنید. این آزمایش نشان می‌دهد کدام قابلیت در کار روزمره شما ارزش دارد و استقرار باید از کدام بخش آغاز شود.