Концепция проста, Bot Child; создайте бота, способного учиться с течением времени, решать сложные задачи и повышать производительность по мере его роста и развития.

Поведение RPA основано на фиксированных правилах и проверках, построенных для имитации действий человека, если определены шаги последовательности, когда мы включаем инструменты ИИ, автоматизированный процесс может быть усилен для решения более сложных задач. В этом соединении RPA действует как орган управления, а ИИ действует как мозг.

Прежде чем продолжить, важно подчеркнуть, как, когда и где мы должны использовать RPA для решения проблемы, как упоминалось в этом посте Четыре плохих способа использования RPA, необходимо оценить проблему, контекст, рентабельность инвестиций и варианты, RPA не всегда лучшее решение, та же идея применима к IPA и, как уже упоминалось в этом другом Почему вы должны дважды подумать об автоматизации процессов роботов», IPA не решает проблемы RPA. Имея это в виду, мы можем продолжить.

Наш бот не может учиться, только подчиняться: ограничения RPA

«Роботы RPA будут делать именно то, что вы им скажете, в этом их самая большая сила, но и самая большая слабость (Mohanty and Vyas, 2018)».

Представьте, что наш Бот Ребенок пытается кататься на велосипеде, в текущем сценарии необходимо настроить Бота, указав, как, когда и где будут появляться препятствия, каждая ямка, машина, светофор и пешеход, конечно, если мы хотим, чтобы Бот выжил . То есть РПА.

Реальный мир хаотичен, имеет много переменных. Количество проверок, необходимых для сохранения нашего бота, может быть нецелесообразным (сложные задачи, неожиданные события, прогнозы). В результате наш обычный бот умрет.

Бот-ребенок: концепция

Теперь представьте, что наш бот может идентифицировать препятствия, когда появляется препятствие, бот принимает решение; ускоряйтесь, останавливайтесь, поворачивайтесь или даже прыгайте (когда-нибудь с включенным трюком на 360 градусов 🤷🏻‍♂️). Со временем Bot Child станет быстрее и гибче и сможет предсказывать будущие события. Сила ИПА.

В конце концов может вылететь, но это базовая идея. Бот-ребенок может учиться.

Как бот может учиться?

Следующие архивы описывают потенциал использования IPA для компаний, проблемы, преимущества, экономические и трудовые изменения, требуемые ИТ-усилия. Интеллектуальная автоматизация процессов и Гиперавтоматизация. Здесь разрабатывается предложение о том, как это сделать.

Использование методов машинного обучения в сочетании с настройкой RPA — это путь, который мы пройдем. Мы фокусируемся на трех столпах, чтобы построить нашего дочернего бота. Сбор данных: данные, необходимые для аналитики и обучения. Машинное обучение; предварительно настроенные инструменты, потребление услуг ИИ, алгоритмы, модели, математика, статистика и т. д. Структура бота (FSM); То, как мы смогли совместить обе технологии RPA и AI.

Сбор данных

Следующее изображение дает нам предупреждение о том, почему важно восстановить все актуальные и качественные данные наших процессов.

И это мнение Чема Алонсо (Telefonica CDCO) о данных в компаниях.

«Компании, которые не принимают решения на основе данных, умирают, но пока не знают об этом. Чема Алонсо”

Суть ясна, учитывая важность, сбор данных является приоритетом. Хорошая новость заключается в том, что наши обычные боты могут делать это сегодня, когда бот выполняется, может извлекать данные с каждого шага и сохранять их, извлекая соответствующие данные о процессе и самом выполнении ботов.

Машинное обучение

Существуют разные способы использования инструментов IA, в зависимости от решаемой задачи, доступности, ресурсов, времени или бюджета. Сгруппированы в три категории: собственные инструменты RPA-AI, потребительские инструменты ИИ и встроенные домашние инструменты ИИ.

Встроенные инструменты RPA-AI. Некоторые платформы RPA включают в себя собственные инструменты AI, обычно для сквозных задач; Automation Anywhere содержит модуль IQ Bots для извлечения текста из файлов и изображений, Power Automate имеет модуль AI Builder, способный создавать различные задачи ИИ. В зависимости от выбранного инструмента определяется область применения. Инструменты ИИ предварительно настроены и содержат мало кода, недостатком является ограниченный объем и дополнительные затраты, которые могут возникнуть.

Потребление инструментов ИИ: полезно, когда у компаний нет ресурсов, знаний или времени для разработки инструментов ИИ. Существуют потребительские веб-сервисы (API, веб-сервисы, фронт), предназначенные для задач ИИ. Как правило, эти услуги имеют более персонализированный охват для конкретных типов процессов; Распознавание лиц, Здравоохранение, Чат-боты, Salesforce (аналитика, классификация) и т. д. Преимуществом является сокращение усилий, необходимых для его реализации, недостатком — уменьшенный объем (Нельзя добавить новую функцию распознавания лиц) и стоимость (оплата по факту). использование, зависит от того, является ли потребление более выгодным, чем его создание).

Встроенные собственные инструменты искусственного интеллекта. Они имеют больше возможностей, учитывая их уровень настройки, напрямую используя программы, языки программирования и библиотеки (ИИ с низким кодом, Python, TensorFlow и т. д.). Выстроить конкретную функциональность для максимально подробного решения сложных задач — это самое большое преимущество. Недостатком является необходимость затрат, ресурсов, знаний и времени.

Структура бота: конечный автомат

Конечный автомат — это модель, обычно используемая для эмуляции простых логических последовательностей. Эта модель в настоящее время используется в разработках RPA и работает в предложении Bot Child. Для этой базовой модели мы предлагаем (3) три основных состояния.

Выполнение процесса: бот выполняет шаги последовательности процессов, здесь основным отличием от обычного RPA является использование при необходимости упомянутых выше инструментов ИИ и сбор данных.

Очистка данных. После сбора некоторых данных можно подготовить их для будущего анализа и построить модели обучения. Но до того, как в этом состоянии бот сделает обзор, выбросы, статистику, стандартизацию данных, фильтр данных, формат данных, на практике уже существуют инструменты, предназначенные для управления большими объемами данных, наш бот может их использовать. Эти данные включают, если возможно, цели обучения с учителем или вознаграждение за обучение без учителя, или данные для аналитики и прогнозов. Пример: в конце дня бот восстанавливает все случаи кредитного мошенничества, это цель процесса обучения обнаружению мошенничества.

Обучение бота. В этом состоянии бот усиливает модели обучения, используя новые данные, исторические данные и текущую модель. Вот основное предложение, бот будет снова и снова пересматривать модель обучения, которую он сам использует в процессе, а результатом процесса (данными) является обратная связь, чтобы получить лучший результат в будущем.

Будьте осторожны, это не значит, что боту не нужна поддержка, наоборот, боту потребуется больше внимания, особенно в начале выполнения, пока поведение бота стабилизируется. Установка ограничений и правил — хорошая идея, чтобы держать бота в нужном месте и не допускать неожиданного поведения. Преимуществом является адаптивный бот, способный многократно решать комплексные задачи, чтобы работать лучше и менять поведение при необходимости (результаты или цели меняются). Бот-ребенок может выжить без руля.

Обнаружение рака в здравоохранении: демонстрация

Давайте задействуем его. Предположим, два стандартных случая RPA в сфере здравоохранения: улучшение цикла здравоохранения и планирование назначений пациентов, применяемых в центре лечения рака. Обратите внимание, что способ измерения результатов меняется, настойчивость в принятии решений и возможности для решения сложных задач сочетаются со снижением затрат и сокращением времени.

Рак — это гонка со временем, если у людей есть время на борьбу, то вероятность выжить возрастает. Цель состоит в том, чтобы превратить обычный процесс здравоохранения в более быстрый и эффективный. Выиграть больше времени и быть настойчивым — вот приоритет.

Теперь, на основе предложения Bot Child, эти кейсы RPA будут преобразованы: сбор данных, машинное обучение и структура бота.

Сбор данных

Оба процесса; улучшение цикла медицинского обслуживания и планирование визитов пациентов может восстановить соответствующие данные и сохранить их в базе данных, имена, возраст, пол, семейный анамнез, последний медицинский осмотр, привычки питания и т. д. Кроме того, можно собирать более релевантные данные из внешних источников, таких как региональная статистика. смертей от рака (может пригодиться RPA или веб-скраппинг). Это будет использовано позже.

Машинное обучение

Рассмотрим (3) три категории инструментов ИИ.

  • Чтение форм медицинской истории (собственный инструмент RPA-AI). Использование модуля AI Builder от Power Platform включает команду под названием «Обработка форм». компонент будет обучать модель, возможно уменьшить вес задачи для чтения истории болезни пациента, в этом сценарии для обзоров рака.

  • Обнаружение рака с помощью маммографии (потребление инструментов искусственного интеллекта): предположим, что наш центр лечения рака не имеет ресурсов для создания искусственного интеллекта, который генерирует диагностику маммографии или не с ожидаемым качеством. Эта проблема находится в середине, является частной задачей процесса (лечение рака), но может быть решена трансверсальным путем (существует стандарт для этой диагностики). Решение состоит в том, чтобы использовать внешний инструмент, чем гарантировать качество и скорость. Связь с нашим ботом осуществляется через веб-службы (API), главную веб-страницу или другие каналы (электронная почта, точки обмена). Эти веб-страницы являются некоторыми примерами; CancerCenter, NeuraHealth, Google Healthcare API. Преимущество заключается в сокращении времени диагностики и предоставлении патологоанатомам второго глубокого пересмотра.

  • Умное планирование встреч с пациентами (встроенные собственные инструменты искусственного интеллекта).Наконец, когда компании требуется собственный инструмент искусственного интеллекта для процесса, его создание является лучшим вариантом по соображениям безопасности, масштабу инструмента и оптимизации функциональности. Предположим, что обычный бот отправляет электронные письма и составляет отчет на основе списка пациентов. Включая инструмент искусственного интеллекта, бот может планировать встречи и определять прогноз риска или восприимчивости на основе обученной модели и наборов данных, собранных ботом.

Структура бота

Меняется RPA, теперь бот может использовать инструменты ИИ с разными объемами и уровнями функциональной настройки. Bot Child может решать более сложные задачи, быть напористым и дополнять вышеуказанный функционал. Теперь структура бота обеспечивает механизм обратной связи, который запускает процесс, сразу собирает данные, очищает эти данные и заново обучает модель (если это возможно). Здесь пример — сбор данных для выявления риска развития рака, эти данные поступают из собственной базы данных онкологического центра; Новые диагнозы больных раком, отчеты о смертях от рака, наборы данных о больных раком и т. д. Определив данные и цели, робот может обучать модель снова и снова и со временем становиться более напористым.

Это базовое предложение о том, как создать IPA, инструменты и структуру, необходимые для создания дочернего бота. Во второй части акцент будет сделан на более технический уровень его разработки и важность правильного структурирования основ среды RPA, прежде чем сделать шаг вперед.

использованная литература