Hyper automation
Vários estudos sobre as tendencias tecnológicas para o pós-pandemia prevê a adoção do que tem sido denominado como “hyper automation” ou em português “hiper automação”.
Como dentro das disciplinas de ciência de dados e inteligência artificial temos um conceito denominado “hyperparameters” ou em português “hiper parâmetros”, estas falas tornam-se confusas para muitos especialistas na área.
Em verdade, um conceito está dentro do outro, ou seja, dentro do que chamamos de “hiper automação” utilizamos “hiper parâmetros” também, além de várias outras técnicas de aprendizado de máquina e análise de dados.
Então vamos ao conceito de “como “hyper automation” ou em português “hiper automação”:
“Hiper automação é a combinação de tecnologias e conhecimentos que as empresas precisam para tornar o processo de trabalho automatizado, totalmente voltado para tornar o modelo do negócio ágil. O termo engloba as ferramentas, métodos e a própria automação, desde o momento do descobrimento do processo, passando pela análise, design, automação, medição de desempenho, monitoramento e, quando necessário, a reavaliação.”
As tecnologias utilizadas dentro desta iniciativa vão desde:
· Ferramentas de automação de processos (RPA);
· Machine learning;
· Inteligência artificial e iBPMS (ferramentas de gerenciamento de processos de negócios inteligentes — Intelligent Business Process Management Suites);
· Robôs e IoTs;
Como podem notar as soluções de “hyper automation” são a combinação de várias das novas tecnologias com o intuito de tornar os processos mais ágeis e assertivos.
Agora voltando aos “hyperparameters”. Os “hiper parâmetros”, são variáveis que controlam o processo de treinamento de algoritmos estatísticos, os quais compõem as soluções de “Machine Learning” ou “Deep Learning”, ou seja, o aprendizado de máquina. Por exemplo, faz parte da configuração de uma rede neural profunda (deep learning NN) decidir quantas camadas ocultas de nós precisam ser usadas entre a camada de entrada e a camada de saída, bem como quantos nós cada camada precisa usar, essas variáveis não estão diretamente relacionadas aos dados da amostra de treinamento do algoritmo. Elas são variáveis de configuração.
Por isso, esses parâmetros mudam durante uma etapa de treinamento, enquanto os “hiper parâmetros” geralmente permanecem constantes durante todo processo de treinamento.
Quando disse que um conceito está contido no outro, era exatamente porque as soluções de “hyper automation” utilizam-se massivamente de algoritmos de “Machine Learning e Deep Learning” para análise, previsão e prescrição de otimização de processos.
Um projeto de “hyper automation” inicia-se com a análise dos processos atuais investigando onde a empresa poderia reduzir etapas ou criar um novo caminho para o seu fluxo de trabalho. Já nessa etapa de investigação e análise podemos utilizar dos instrumentos da ciência de dados como o “Business Processs Mining”, aplicando algoritmos estatísticos para detecção dessas variáveis.
O sucesso de um projeto de “hyperautomation” tem como variável de maior peso, a capacidade inovadora dos gestores da empresa, que a disrupção das tecnologias envolvidas.
Por isso, dizemos sempre que a criatividade humana sempre será crucial para o sucesso da adoção e utilização de todas as novas tecnologias.
Fontes:
Site Gartner- iBPS market — https://www.gartner.com/reviews/market/intelligent-business-process-management-suites
Site Gartner — Tech trends 2021 — https://www.gartner.com/smarterwithgartner/gartner-top-strategic-technology-trends-for-2021/
