Bir finans müdürü, her ay yüzlerce tedarikçi faturasını manuel olarak sisteme giriyor. Faturalar farklı formatlarda geliyor: kimi PDF, kimi taranmış görüntü, kimi de e-posta gövdesinde düz metin. Klasik bir RPA robotu bu iş için yeterli değil; çünkü robot, yalnızca her seferinde aynı yerde bulunan veriyi okuyabiliyor. Format değiştiğinde robot duruyor, insan devreye giriyor. İşte bu noktada ‘akıllı otomasyon’ tartışması başlıyor: makine öğrenmesi bileşenleri RPA’nın bu kör noktasını kapatabilir mi?
RPA, yani robotik süreç otomasyonu, temelde kural bazlı bir teknoloji. Robot, ‘şu ekranda şu alana git, şu değeri oku, şu sisteme yaz’ talimatlarıyla çalışıyor. Bu yaklaşım tekrarlayan, yapılandırılmış ve değişmeyen süreçlerde son derece etkili. Türkiye’deki büyük ölçekli şirketlerin bir kısmı, özellikle bankacılık ve sigortacılık sektöründe, bu tür robotları e-Fatura mutabakatı, kredi başvurusu veri girişi ve raporlama süreçlerinde kullanmaya başladı. Ancak bu uygulamaların ortak özelliği şu: süreç ne kadar standartlaşmışsa robot o kadar iyi çalışıyor. Standart dışı bir durum ortaya çıktığında robot ya hata veriyor ya da süreci yarıda bırakıyor.
Makine öğrenmesi bileşenlerinin RPA’ya eklenmesi bu sınırı kısmen aşıyor. Optik karakter tanıma (OCR) teknolojisinin makine öğrenmesiyle güçlendirilmiş versiyonları, farklı formatlardaki belgeleri tanıyabiliyor ve veriyi yapılandırılmış hale getirebiliyor. Buna ‘akıllı belge işleme’ adı veriliyor. Örneğin bir lojistik firmasının irsaliye akışını düşünün: onlarca farklı tedarikçiden gelen belgeler hiçbir zaman aynı formatta olmuyor. Eğitilmiş bir makine öğrenmesi modeli bu belgeleri sınıflandırabiliyor, ilgili alanları çıkarabiliyor ve RPA robotuna yapılandırılmış veri teslim edebiliyor. Robot da bu veriyi ERP sistemine işliyor. Sürecin tamamı insan müdahalesi olmadan tamamlanabiliyor; ama yalnızca modelin güvenle tanıyabildiği belgeler için.
Karar desteği boyutu ise daha karmaşık ve daha tartışmalı bir alan. Bazı satıcılar, makine öğrenmesi modellerinin RPA süreçlerine entegre edilerek ‘akıllı kararlar’ alabileceğini iddia ediyor. Örneğin bir kredi başvurusunda risk skorlaması yaparak başvuruyu otomatik onaylayabileceği söyleniyor. Bu iddiayı iki ayrı katmanda değerlendirmek gerekiyor. Birinci katman teknik: modelin bu kararı ne kadar güvenilir biçimde verebileceği, eğitim verisinin kalitesine ve miktarına doğrudan bağlı. Türkiye’deki çoğu KOBİ, bu tür modelleri eğitecek yeterli ve temiz veriye sahip değil. İkinci katman yasal ve operasyonel: otomatik verilen bir karar hatalı çıktığında hesap verebilirlik kimin? Bu soruya net bir yanıt olmadan karar desteği otomasyonunu üretime almak ciddi bir risk. Demo ortamında mükemmel çalışan bir model, gerçek veri çeşitliliğiyle karşılaştığında çok farklı davranabiliyor.
Türkiye’nin 2019 başındaki koşulları bu geçişi hem zorunlu hem de zorlu kılıyor. Kur baskısı ve yüksek enflasyon ortamında şirketler operasyonel maliyetleri düşürme baskısıyla karşı karşıya. RPA bu baskıya bir yanıt olarak ilgi görüyor; ancak akıllı otomasyon yatırımı yalnızca yazılım lisansından ibaret değil. Veri altyapısı, model eğitimi, entegrasyon geliştirme ve sürekli bakım maliyetleri lisans maliyetinin çok üzerine çıkabiliyor. Bir üretim firmasının satın alma departmanı için geliştirilen akıllı belge işleme projesini ele alalım: proje başlangıçta altı aylık bir takvimle planlanıyor, ancak tedarikçi belgelerindeki format çeşitliliği ve veri kalitesi sorunları nedeniyle model yeterli doğruluk oranına ulaşmadan önce on iki ila on sekiz aya uzayabiliyor. Bu gerçeği görmezden gelen proje planları ilk altı ayda hayal kırıklığıyla sonuçlanıyor.
Peki bir KOBİ yöneticisi bu teknolojiye nasıl yaklaşmalı? Önce kendi süreç haritasına bakmalı. Tamamen yapılandırılmış ve değişmeyen süreçler için klasik RPA hâlâ en doğru tercih; makine öğrenmesi karmaşıklığına gerek yok. Yarı yapılandırılmış belgelerle çalışan süreçler, örneğin tedarikçi faturaları veya müşteri sipariş formları, akıllı belge işleme için uygun aday. Ancak bu adımı atmadan önce şu soruları yanıtlamak gerekiyor: Elinizdeki tarihsel belge verisi modeli eğitmeye yetecek kadar mı? Yanlış sınıflandırma veya hatalı veri çıkarımı iş sürecinde ne kadar hasar yaratır? Modelin üretim ortamında performansını kim, nasıl izleyecek? Bu sorulara net yanıt verilemiyorsa projeyi ertelemek, aceleyle başlamaktan daha akıllıca bir karardır. Akıllı otomasyon gerçek bir kapasite genişlemesi sunuyor; ancak bu genişleme, altyapı olgunluğu olmadan otomatik olarak gerçekleşmiyor.