Softwarerobotter til sagsbehandling skal være enkle og gennemskuelige

Automatisering med softwarerobotter vinder indpas i finanssektoren, men det er risikabelt, hvis man forsøger at bygge en robot, der kan løse alt på én gang.

Denne artikel er ikke skrevet af en robot. Det kunne den måske godt have været, men det kan bedre betale sig at sætte en kulstofbaseret journalist til at skrive noget om robotter, end at sætte en siliciumbaseret robot på opgaven.

Så hav svaghederne ved mine kulstofkredsløb in mente, når du læser artiklen.

Robotter kommer til at få endnu større betydning, end de allerede har i industrien. Men lad os lige se bort fra robotter med servomotorer og kigge på den type robotter, der udelukkende eksisterer som software.

De softwarebaserede robotter har gjort deres indtog i den finansielle sektor, hvor mantraet er, at de skal eliminere rutineopgaverne, og sagt på en pæn måde fungere som assistenter for de bankansatte.

Det er de bankansatte naturligvis bekymrede over, for det lyder som en ny måde at sige, at der skal fyres i en sektor, der allerede har været gennem årtier med fyringsrunder. Nogenlunde samme frygt finder man hos journalisterne.

Frygten bør måske snarere ligge hos slutbrugerne, altså bankkunderne og mediebrugerne. For automatisering er ikke en disciplin, hvor vi har fremvist de bedste resultater. Tag eksempelvis Skats EFI eller Arbejdsskadestyrelsens Proask, der begge var systemer, der skulle automatisere sagsbehandling.

Og problemet kan skæres ned til, at de færrest forstår, hvad en robot er - eller lader sig lokke til at prøve at bygge noget, der ikke er en robot.

En robot er en computerstyret maskine, der kan udføre en kompliceret sekvens af handlinger. Men det er vigtigt at forstå, hvad det indebærer.

Maskiner er gode til gentagelser. De kan udføre den samme handling igen og igen på præcis den samme måde. Det er også dét, computere er bedst til. Det væsentligste i definitionen af robotter er, at den er computerstyret. Der skal altså software til at styre robotten.

Manipulerer i stedet for mennesker

En god industrirobot kan eksempelvis bestå af en bevægelig arm. Softwaren består af et underliggende lag, der kan modtage instruktioner og bevæge motorer og hydraulik for at få armen til at bevæge sig på en bestemt måde. Oven på dette lag kan programmeres en serie af instruktioner, der eksempelvis kan beskrive, hvordan armen skal bevæge sig for at svejse to dele af et bilkarrosseri sammen.

Tanken om robotten i den finansielle sektor er sådan set samme princip. Men softwarerobotten har nogle særlige udfordringer. Industrirobottens software er skabt til at styre robottens bevægelige dele. Robotassistenten i banken skal manipulere nogle it-systemer, der oprindeligt er skabt til at blive manipuleret af et menneske.

Finanssektoren bruger kunstig intelligens til billedgenkendelse til at analyse skærmbilleder fra programmerne til eksempelvis beregning af låneansøgninger.

Undertegnede er ikke softwarearkitekt, men det virker ikke betryggende, hvis screen scraping er den bedste måde at tilgå data fra en virksomheds it-systemer. Der bør være en alarmklokke, der ringer, hvis en robot bruges til at kompensere for en uhensigtsmæssig arkitektur og manglende API'er.

Robotter er gode til gentagelser. Det er godt, når intet ændrer sig, og alt går som det skal. Men hvis man introducerer en fejl i robottens miljø, så vil robotten blive ved med at gentage handlinger, der kan forårsage skade. For softwarerobotten er miljøet data.

Robotten udfører en bestemt sekvens af handlinger hver gang. Det er godt, når data passer til de handlinger, der skal udføres, men uhensigtsmæssigt, når de ikke gør det. Softwarerobotter skal altså ligesom fysiske robotter have indbyggede sikkerhedsforanstaltninger.

Det er problematisk, når softwarerobotterne indføres for at udføre et arbejde, der tidligere blev udført manuelt, for det involverer som regel en beregning af, hvor meget arbejdstid robotten skal kunne spare medarbejderne for.

Business case vigtig

Helt fundamentalt kan det ikke betale sig at bruge tid på automatisering, hvis det koster lige så meget tid at implementere automatiseringen, som automatiseringen sparer. Der er altså en interesse i at bruge få timer på at udvikle og teste en softwarerobot.

Et velkendt testprincip er at identificere og afprøve de tilfælde, der ligger i yderkanten af det mulige datasæt. I den finansielle sektor er det kunder af kød og blod, som risikerer at blive afvist af bankerne, fordi deres oplysninger fortolkes som ugyldige af robottens regelmotor.

Automatisering fungerer bedst, når den afgrænses. Lad robotten tage sig af det trivielle, men kun det trivielle, og byg simple robotter, der løser meget få funktioner, der let kan testes.

Ellers står man med EFI, hvor en regelmotor skal kunne håndtere flere hundrede typer fordringer, og det er svært at opdage, hvis lovgivningen, som reglerne skal afspejle, ikke bliver fulgt.

Den helt store udfordring er derfor ikke blot at bygge softwarerobotterne til automatisering af administrative processer. Udfordringen er snarere at identificere og afgrænse robottens arbejde, og det kræver, at der på ledelsesplan er en forståelse for, hvad en robot er og især ikke er.

Risikoen for 'magisk it-sovs' er høj ved robotter. Det lyder avanceret, men de sikre robotter er simple scripts, der ekspederer de trivielle sager gennem så mange trin som muligt. Men big data og machine learning hviskes af små buzzword-djævle i øret på ledelsen og kan lyde som svaret på at bygge robotter, der også kan oplæres til at klare de mindre trivielle sager.

Det er imidlertid en helt anden kategori af robotter. Teknologien er endnu ikke moden til at oplære et neuralt netværk i forsikringssager - i hvert fald ikke uden menneskeligt opsyn. Det er også en teknologi, som kræver en større investering i kompetencer og tid til test.

Robotter bør være så enkle som muligt. Ideelt set bør koden kunne forstås af den leder, som er ansvarlig for den arbejdsproces, robotten automatiserer. Enkelhed eliminerer ikke risikoen for fejl, men det øger gennemsigtigheden.

Netop gennemsigtighed er et problem med maskinlæring. Et dybt neuralt netværk har et input og et output, men hvad der præcis foregår i lagene mellem de to er ikke umiddelbart til at gennemskue.

Neurale netværk kan være et nyttigt værktøj, men så bør man skelne mellem værktøj og robot. Værktøjet ligger i hånden på et menneske, mens robotten arbejder selvstændigt. Som ansvarlig leder er man derfor nødt til at vide, hvad mennesket og robotten gør, og det kan man ikke, hvis robotten bliver for kompleks, eller mennesket ikke har tilstrækkelig kontrol med værktøjet.

Robotter er gode. De vil komme til at fjerne meget rutinearbejde og frigive menneskelige ressourcer til andre opgaver. Men hvis robotterne bliver for komplekse og indføres som en spareøvelse, så er der stor risiko for, at det går galt.

Tips og korrekturforslag til denne historie sendes til tip@version2.dk
Kommentarer (0)
sortSortér kommentarer
  • Ældste først
  • Nyeste først
  • Bedste først
Log ind eller Opret konto for at kommentere
IT Company Rank
maximize minimize