RPA, Machine learning ou Deep learning : quelles différences ?

Quand on parle de solutions métiers basées sur l’IA ou la RPA (Robotic Process Automation), il ne s’agit pas de mettre en concurrence l’humain avec les machines, mais plutôt de s’appuyer sur la technologie pour simplifier le quotidien des équipes et leur permettre de se recentrer sur les tâches à forte valeur ajoutée.

Terme générique, l’IA comporte un ensemble de sous-familles dont les deux principales sont le machine learning et le deep learning :

  • La première utilise des algorithmes afin d'analyser les données, suivre les actions des utilisateurs sur les documents et les champs de données et appliquer ce qui a été appris pour prendre les meilleures décisions. Cela inclut des fonctions d'apprentissage, de remplissage et de correction automatiques, tout en fournissant des alertes sur les écarts de valeur ou de montant par exemple.
  • Sous-catégorie du machine learning, le deep learning est composé d'algorithmes permettant à un logiciel de s’entraîner à effectuer des tâches via des réseaux de neurones multicouches exposés à de grandes quantités de données. Les tâches automatisées incluent la reconnaissance et l'analyse d'image, l'analyse prévisionnelle et l'analyse big data.

Et la RPA dans tout cela ? Cela n'est techniquement pas une sous-catégorie de l'IA. Cet outil fait référence à un logiciel facilement programmable pour réaliser des tâches très basiques. Il "n'apprend" pas tout seul et ne fonctionne qu'avec des données structurées. Néanmoins, les outils de RPA offrent des avantages dans toutes les applications tels que : transfert, affichage, contrôle, suivi et collecte automatique des données, etc.

La RPA et l’IA dans l’automatisation des processus métiers

Guidé par plus de 30 ans d’expérience et inspiré par la collaboration étroite entre les humains et les machines intelligentes, Esker propose une large gamme de solutions logicielles, basées sur des technologies de RPA et d’IA, ayant pour but de faciliter les tâches quotidiennes des utilisateurs de ses solutions. Ses solutions sont conçues pour automatiser les cycles Order-to-Cash et Procure-to-Pay dans les entreprises, afin d’apporter toujours plus de rapidité, de visibilité et de fiabilité.

Dans la finance par exemple, l’Intelligence Artificielle est avant tout utilisée pour améliorer la performance de certains processus. C’est notamment le cas pour le traitement automatisé des factures. « Dès lors que nous ajoutons une couche de Machine Learning à un processus de dématérialisation des factures fournisseurs, la technologie est alors en capacité de donner du sens aux données et d’améliorer la performance de reconnaissance des données de facturation », explique Emmanuel Olivier, Directeur Général d’Esker.

Une solution d’automatisation du recouvrement permet de faire des analyses prédictives pour évaluer
le risque client et ajuster les actions de recouvrement. 

Application concrète de la RPA dans la digitalisation du processus de factures clients :

Le dépôt manuel des factures sur le portail des clients est un processus long, coûteux, qui nécessite de disposer d’autant de mots de passe que de clients. L’objectif est, pour les personnes en charge de la comptabilité, d’automatiser cette tâche répétitive. Grâce à la technologie RPA d'Esker, des robots vont eux-mêmes se connecter aux portails des clients pour y déposer les factures associées. Les utilisateurs gagnent ainsi un temps précieux et peuvent se concentrer sur des missions plus stratégiques.

Application concrète de machine learning dans la digitalisation du processus de commandes clients :

Prenons l’exemple de la réception d’une nouvelle commande au sein de votre service client. Dans ce scénario, votre client vous envoie une commande pour la première fois. La solution Esker va être capable de capturer automatiquement les données d’en-tête ou encore des données présentes dans les lignes d'articles de la commande par exemple. Si les utilisateurs étaient amenés à corriger des données, ou à remplir des champs vides (par exemple, compléter le montant total s’il n'a pas été capturé correctement), Esker retiendrait ces modifications et apprendrait automatiquement les corrections effectuées, pour que lors de la prochaine commande envoyée par ce même client, la technologie d'IA puisse extraire les données correctement dès réception.

Application concrète de deep learning dans la digitalisation du processus de factures fournisseurs :

Dans ce scénario, un lot de factures fournisseurs arrive au service comptabilité et c'est la première fois que la solution Esker voit ce lot de factures. Après s'être entraîné à travers le réseau de neurones multicouches (Esker a entraîné un réseau neuronal convolutif de 3 millions de neurones répartis en 14 couches, avec plus d’un million d’exemples !), Esker va reconnaître et va suggérer automatiquement le découpage du lot par facture, bien que certaines comportent plusieurs pages, des CGV, etc.

Et le résultat est excellent : 96% de réussite, alors qu’aucune des approches algorithmiques traditionnelles n’avaient dépassé les 90%.

Application concrète de l’analyse prédictive dans la digitalisation du processus de recouvrement :

Une solution d’automatisation du recouvrement permet de faire des analyses prédictives pour évaluer le risque client et ajuster les actions de recouvrement. En fonction de l’encours client et de l’évolution des comportements de paiement, l’outil va automatiquement allouer à chacun des clients un niveau de risque (normal, élevé, critique) et mettre à jour la liste des tâches à effectuer des chargés de recouvrement afin que ces derniers traitent en priorité les clients à risque.

Le machine learning sur le terrain : l’exemple de Delicato Family Vineyards

Entreprise spécialisée dans le vin connaissant l'une des plus importantes croissances aux États-Unis depuis 10 ans, Delicato Family Vineyards a dû faire face à une augmentation des commandes reçues suite à l’élargissement de son portefeuille de produits. Cette croissance impressionnante a créé des défis dans l'ensemble de l'entreprise, notamment une complexité accrue et des goulots d'étranglement pour l'équipe en charge du Service Clients et du traitement des commandes. L'intégration manuelle des commandes dans SAP devenait de plus en plus chronophage et le développement de services à valeur ajoutée pâtissait du temps passé à enregistrer les commandes dans SAP.

Le groupe s’est alors rapproché d’Esker pour dématérialiser les processus. Le projet a été mené à bien en seulement onze semaines. Désormais, 95% des commandes reçues et traitées par Delicato Family Vineyards sont traitées automatiquement. Au cœur de la solution d’Esker, l’Intelligence Artificielle permet d’automatiser toutes les étapes, de la réception de la commande client à sa création dans le système ERP. Le machine learning contribue à réduire le nombre de tâches manuelles répétitives : alors qu’une commande traitée manuellement prenait près de 15 minutes, cette tâche est désormais réduite à 5 minutes.

Et demain ? Quelles sont les tendances de l’IA à horizon 2021 ?

Ces exemples montrent à quel point l’IA est désormais une réalité dans les entreprises, avec des résultats tangibles observables sur des usages métiers du quotidien.
La tendance devrait s’accentuer dans les années à venir. Selon une étude IDC, les dépenses mondiales dans les technologies d’Intelligence cognitive et artificielle devraient atteindre les 52,2 milliards de dollars en 2021, alors que ce montant n’était que de 12 milliards en 2017.