Teksten schrijven, plaatjes genereren of het oplossen van wiskundige puzzels, de AI modellen van tegenwoordig kunnen het allemaal. Wanneer we de headlines op sites als NU.nl en NOS lezen of deelnemen aan een willekeurig gesprek op kantoor gaat het (te) vaak over AI. Reden genoeg om aan te nemen dat AI ook overal op de werkvloer wordt gebruikt. Echter, blijft dit buiten het stellen van een simpele vraag aan ChatGPT, achter. Wat is hier de reden voor? 

De belofte van AI

Het ontbreken van AI op de werkvloer zit in de toepasbaarheid van de verschillende AI modellen. Wanneer we het slimme GPT-4 model van OpenAI zien zijn we allemaal onder de indruk, maar deze efficiënt gebruiken tijdens onze dagelijkse werkzaamheden blijft lastig.  

Dit is wanneer Robotic Process Automation (RPA) om de hoek komt kijken. RPA, ook wel software robots genoemd, is een geschikt platform om AI modellen toe te passen in bedrijfsprocessen. De software robots kunnen relevante data uit applicaties zoals Outlook, Topdesk en ticketsystemen halen. Om deze vervolgens bij het AI model aan te leveren om intelligentie toe te passen. De output van het model, bijvoorbeeld een classificatie of voorspelling, gebruiken de software robots weer om vervolgwerkzaamheden uit te voeren.   

Hoe ziet dit er in de praktijk uit? 

Bij één van onze klanten in de corporatiesector hebben we succesvol een AI model geïmplementeerd door gebruik te maken van RPA/software robots. Hieronder een beschrijving van deze klantcase.

De toepassing van AI met behulp van RPA op de postkamer

De woningcorporatie ontvangt jaarlijks 20.000 berichten. Deze berichten zijn afkomstig van zowel huurders, leveranciers, gemeentes en andere derde partijen. Al deze berichten werden door de medewerkers handmatig gecategoriseerd en gearchiveerd in het Document Management Systeem (DMS). Via het DMS kwamen de berichten op de juiste afdeling terecht, om vanaf daar verwerkt te worden.

• Door de jarenlang opgebouwde kennis en ervaring over het categoriseren van de berichten waren de postkamermedewerkers lastig te vervangen  
• Door de complexiteit en veelzijdigheid van de berichtenstroom was het moeilijk om een duidelijke werkinstructie op te stellen.
• Tijdens vakanties of ziekte van de overgebleven werknemers was het moeilijk om de continuïteit te bewaren aangezien het moeilijk was om tijdelijke vervanging te regelen

Om bovenstaande redenen heeft de woningcorporatie Tacstone Technology gevraagd om een oplossing te bedenken.

Inventarisatie van de berichtenstroom 

Tijdens een eerste inventarisatie van de berichtenstroom hebben we onderscheid gemaakt tussen twee verschillende type berichten.  

Niveau 1 berichten zijn de berichten met een vast format en een vaste structuur. Deze berichten zijn te herkennen aan vaste elementen zoals het onderwerp, de afzender, een titel of bepaalde trefwoorden. Op basis van deze vaste elementen kan het bericht gecategoriseerd worden.  

Voorbeelden van dit soort berichten zijn:  

• Formulieren die via de website worden ingediend (te herkennen aan de titel)
• Onderhoudsrapporten (te herkennen aan de afzender)  
• Facturen (te herkennen aan bepaalde trefwoorden)

Niveau 2 berichten zijn de berichten zonder een vaste structuur. Deze zijn bijvoorbeeld geschreven door een huurder die zich niet aan een bepaald format houdt en gaan over zaken als: 

• Reparatieverzoeken 
• Overlast meldingen 
• Huurbetaling 
• Bezwaren of complimenten 

Door het ontbreken van vaste elementen en herkenningspunten kunnen wij geen vaste regels definiëren en moeten wij AI gebruiken om het bericht te categoriseren. 

AI voor classificatie

Voor het classificeren van de niveau 2 berichten gebruiken wij het BERT model, wat staat voor Bidirectional Encoder Representations from Transformers. Dit model van Google is net als het GPT-4 model (o.a. gebruikt voor ChatGPT) van OpenAI al voorgetraind. 

Dit houdt in dat BERT heel veel tekst van het internet heeft gelezen als studiemateriaal en hierdoor is hij erg goed in het begrijpen van taal/tekst. Hij snapt dus goed het verschil tussen het woord ‘bank’ wanneer deze in zijn context als zitmeubel wordt beschreven en wanneer het wordt gebruikt als een financiële instelling. 

Wat wij nog moeten doen is het specificeren en finetunen van het model op de berichtenstroom van de woningcorporatie. 

Specificeren van BERT voor de Postkamer 

Om ervoor te zorgen dat het BERT model de berichten juist kan categoriseren moeten we voor elke categorie genoeg voorbeeldberichten verzamelen. 

Om genoeg voorbeelden te verzamelen hebben we een software robot gebouwd die, per categorie, reeds gearchiveerde berichten uit het DMS kan downloaden. 

Na de berichten te hebben opgeschoond hebben we ze opgedeeld in een training-set (80%) en een test-set (20%). In de ‘trainingsrun’ wordt de training-set gebruikt voor het vinden van patronen en overeenkomsten tussen de berichten. Vervolgens wordt de test-set gebruikt om de uitkomsten van de trainingsrun te toetsen. De berichten uit de test-set worden door het AI model gehaald en de voorspelling wordt vergeleken met de daadwerkelijke categorie, dit heet supervised learning. Als de uitkomsten van deze test niet optimaal zijn begint de trainingsrun weer van vooraf aan.  

Software robots (RPA) als ‘de tussenpersoon’

Om het getrainde AI model in te zetten hebben we een aantal software robots gebouwd:  

1. Klaarzetten
   Haalt de berichten op uit Outlook en zet ze klaar voor de Classificatie niveau 1 module 
2. Verwerken classificatie 1
   Categoriseert de niveau 1 berichten (met een vaste structuur en vaste elementen). De overgebleven berichten worden naar de Classificatie niveau 2 module gestuurd
3. Verwerken classificatie 2
   Categoriseert de niveau 2 berichten (ongestructureerd, vrije tekst) door het AI model aan te roepen 
4. Afhandeling robot
   Deze robot voert de juiste vervolg actie uit op basis van de categorie die is meegegeven door robot 2 of 3

De software robots verplaatsen de berichten tussen de verschillende (classificatie) modules en archiveren het bericht op basis van de voorspelde categorie.  

Twijfelgevallen correct afhandelen

Wanneer het AI model een voorspelling maakt geeft hij ook een bepaalde zekerheidsscore (‘confidence’)terug. Aan de hand van deze score kunnen we voor elke categorie bepalen of we de voorspelling accepteren of dat deze een handmatige controle vereist. Om deze controle mogelijk te maken hebben we een app ontwikkeld in UiPath Apps.

UiPath Apps is een low-code applicatie development platform. Low-code houdt in dat je een app kunt bouwen door voorgeprogrammeerde blokken in de app te slepen. Deze manier van apps bouwen is een stuk sneller dan traditioneel programmeren.

In de app voor de postkamer kunnen medewerkers de twijfelgevallen goedkeuren of verbeteren waarna ze weer terugkomen bij de software robots. De software robots pakken niet alleen de verwerking weer verder op, maar trainen het model ook met deze verbeterde berichten. Op die manier wordt het model na verloop van tijd steeds intelligenter.

Zelf aan de slag met AI? Neem deze geleerde lessen mee

1. Een goede voorbereiding is essentieel
   Elk model vergt een andere aanpak als het gaat om het opschonen van de data. Of de hoeveelheid trainingsdata die het nodig heeft. De keuze van het juiste model hangt dus af van de beschikbare data. 
2. Kies voor een modulaire implementatie
   Het opdelen van het werkproces in meerdere software robots heeft bewezen effectief te zijn. Door met verschillende robots te werken is het makkelijker om bepaalde aspecten van de robot te optimaliseren zonder het gehele systeem te ontregelen. 
3. Neem de medewerkers mee
   AI geeft voor veel mensen een soort schrik effect, zeker als het dichtbij komt zoals op de werkvloer tijdens jouw werkzaamheden. Het is daarom belangrijk om de medewerkers goed mee te nemen en te zorgen dat je continu transparant blijft over wat het AI model wel en niet kan. 
4. Gewoon doen!
   Er zijn veel verschillende soorten AI modellen met verschillende functionaliteiten. Veel AI modellen zijn open source (dus gratis) en zijn voorzien van goede documentatie. Start met experimenteren en leer ‘on the job’.   

Start een RPA & AI pilot

Op zoek naar een werkende AI oplossing in jouw eigen organisatie? Om kennis en ervaring op te doen met de mogelijkheden van AI? 

Neem contact op over de mogelijkheden.