Định nghĩa

Quy trình làm việc dựa trên Mô hình (MBW) là một quy trình vận hành mà luồng công việc, quá trình ra quyết định và các bước thực thi được điều khiển hoặc thúc đẩy một cách cơ bản bởi một hoặc nhiều mô hình phân tích hoặc dự đoán. Thay vì chỉ dựa vào logic IF-THEN cứng nhắc, được xác định trước, quy trình làm việc sử dụng kết quả đầu ra của một mô hình đã được huấn luyện—chẳng hạn như điểm phân loại, mức độ rủi ro dự đoán, hoặc khuyến nghị được tạo ra—để xác định hành động tiếp theo trong chuỗi.

Tại sao nó quan trọng

MBW giúp các tổ chức vượt ra khỏi tự động hóa tác vụ đơn thuần để hướng tới tự động hóa thông minh. Chúng cho phép hệ thống xử lý sự biến đổi và độ phức tạp mà các quy trình làm việc truyền thống dựa trên quy tắc không thể quản lý hiệu quả. Bằng cách nhúng trí tuệ trực tiếp vào luồng quy trình, doanh nghiệp có thể đạt được mức độ tự chủ cao hơn, cải thiện chất lượng quyết định và mở rộng quy mô hoạt động hiệu quả hơn.

Cách thức hoạt động

Việc triển khai thường tuân theo một số giai đoạn:

• Nhập dữ liệu: Dữ liệu thô đi vào hệ thống.
• Thực thi Mô hình: Dữ liệu được đưa vào mô hình AI/ML liên quan (ví dụ: mô hình phân tích cảm xúc hoặc mô hình dự báo nhu cầu).
• Kích hoạt Quyết định: Mô hình đưa ra kết quả (ví dụ: 'Rủi ro cao', 'Khẩn cấp', hoặc 'Nhu cầu dự báo: 500 đơn vị'). Kết quả này hoạt động như một yếu tố kích hoạt hoặc biến đầu vào cho công cụ quy trình làm việc.
• Định tuyến Quy trình: Công cụ quy trình làm việc sử dụng kết quả đầu ra của mô hình này để định tuyến tác vụ một cách linh hoạt, gán mức độ ưu tiên hoặc chọn bước tự động tiếp theo.

Các trường hợp sử dụng phổ biến

• Phân loại Hỗ trợ Khách hàng: Một mô hình NLP phân tích các yêu cầu hỗ trợ đến để tự động phân loại mức độ khẩn cấp và chủ đề, chuyển tiếp ngay lập tức đến đội ngũ chuyên gia phù hợp.
• Phát hiện Gian lận: Một mô hình dự đoán chấm điểm các giao dịch theo thời gian thực; nếu điểm vượt quá ngưỡng, quy trình làm việc sẽ tự động gắn cờ giao dịch để xem xét thủ công hoặc chặn hoàn toàn.
• Tối ưu hóa Chuỗi Cung ứng: Các mô hình dự báo nhu cầu xác định điểm đặt hàng lại hàng tồn kho, tự động kích hoạt quy trình mua hàng khi mức tồn kho dự kiến giảm xuống dưới biên độ an toàn.

Lợi ích chính

• Độ chính xác được nâng cao: Các quyết định được dựa trên các mẫu thống kê được học từ các tập dữ liệu khổng lồ, giảm thiểu lỗi của con người.
• Khả năng mở rộng: MBW có thể xử lý khối lượng công việc dao động mà không cần tăng tỷ lệ giám sát của con người tương ứng.
• Khả năng thích ứng: Mô hình cơ bản có thể được huấn luyện lại trên dữ liệu mới để điều chỉnh hành vi của quy trình làm việc theo các điều kiện kinh doanh thay đổi.

Thách thức

• Trôi dạt Mô hình (Model Drift): Các mô hình có thể suy giảm hiệu suất theo thời gian khi các mẫu dữ liệu thực tế thay đổi, đòi hỏi phải giám sát và huấn luyện lại liên tục.
• Khả năng Giải thích (XAI): Việc hiểu tại sao một mô hình đưa ra quyết định định tuyến cụ thể có thể phức tạp, điều này rất quan trọng đối với việc kiểm toán và tuân thủ.
• Độ phức tạp Tích hợp: Việc tích hợp các dịch vụ ML tinh vi vào các công cụ quy trình làm việc cũ đòi hỏi các phương pháp MLOps mạnh mẽ.

Các khái niệm liên quan

Khái niệm này chồng lấn đáng kể với Tự động hóa Thông minh (IA), Tự động hóa Quy trình bằng Robot (RPA) và Công cụ Ra quyết định. Trong khi RPA tự động hóa các tác vụ, MBW tự động hóa các quyết định dựa trên hiểu biết dự đoán.