В своей простейшей форме машинное обучение - это способность машин учиться на прошлом опыте, используя исторические данные (контролируемые и частично контролируемые случаи) для решения данной проблемы. Он использует разные алгоритмы для реализации одной или нескольких (математических) моделей, которые действуют как базовая линия для получения желаемого набора результатов, используя параметры входных данных (измерения). Это фундаментальное отличие от любой компьютерной программы, в которой вместо программной реализации логики или алгоритма для получения выходных данных используется обученная модель.
Комбинируя RPA с когнитивными технологиями, такими как машинное обучение, распознавание речи и обработка естественного языка, компании могут автоматизировать задачи более высокого порядка с помощью искусственного интеллекта, которые в прошлом требовали способности человека к восприятию и суждению.
Структура документа
Эта статья разделена на 4 основных раздела;
- В первом разделе немного рассказывается об автоматизации процессов и ее преимуществах.
- Во втором разделе я описываю, как AI / ML можно использовать для улучшения взаимодействия с пользователем.
- Третий раздел - это в основном представление концепций дизайна и повествование о технологиях, затрагивающих на некоторые из лучших практик.
- Наконец, в четвертом разделе упоминается пример, демонстрирующий достоинства этого союза (между RPA и AI).
1. Автоматизация процессов
Компании адекватно понимают, что повышение эффективности бизнеса и производительности сотрудников имеет первостепенное значение для процветания в высококонкурентной цифровой среде. Любой процесс можно автоматизировать, если имеется четкая операционная процедура.
«Переход от ручного управления к автоматическому» -
Были времена, когда программные сценарии для (полуавтоматического) выполнения рутинных задач, таких как инициализация сети, системное администрирование и т. Д., Были очень востребованы для повышения операционной эффективности. Хотя для управления этими задачами был задействован человек, преимущества программного подхода стали очевидны довольно быстро, и он начал набирать популярность в отрасли. С развитием системного проектирования, в основном смещением тенденции к сервис-ориентированной архитектуре (SOA), системы становятся больше и сложнее. Начали появляться различные способы интеграции с внешними и / или внутренними службами, что привело к увеличению спроса на Orchestration и Automation для безупречного выполнения.
Используя низкоуровневые знания в области разработки приложений, а также доступ к различным инструментам и интерфейсам приложений, были созданы программные модули для схемы задач, так что эти задачи могут запускаться по запросу или по заранее определенному расписанию как программная процедура без участия человека.
Преимущества автоматизации процессов
Компании начинают понимать, что повышение эффективности бизнеса и производительности сотрудников имеет первостепенное значение для процветания в высококонкурентной цифровой среде.
Автоматизация с помощью программного обеспечения имеет первостепенное значение для корпораций, чтобы оставаться конкурентоспособными и достигать операционного превосходства путем соблюдения (или превышения) соглашений об уровне обслуживания (SLA). Используя возможности так называемых программных роботов, эти инженерные компании открыли новые возможности для разработки технологических процессов в ИТ-индустрии. Механизмы обработки информации сейчас создаются с учетом того, что RPA является жизнеспособным и более доступным вариантом, чем когда-либо прежде.
Включение ИИ в автоматизацию процессов
Для успеха проекта необходимо четко определить и понять механику успешной реализации RPA при наличии стратегии, основанной на ИИ. Системы RPA, в которых ИИ рассматривается в качестве центрального элемента, требуют фундаментального понимания того, как обе технологии работают совместно. Перед переходом к фазе реализации необходимо четко определить конструкции с обеих сторон.
С целостной точки зрения, исторические данные для обучения моделей неизбежны. Кроме того, решающее значение будут иметь другие аспекты, такие как субъекты, триггерные точки, границы подсистем, знания предметной области, интерфейс API / хуки, правила, а также критические случаи, когда может потребоваться вмешательство человека, обработка исключений и т. Д.
В следующем разделе мы рассмотрим это под другим углом.
2. Использование ИИ / машинного обучения в стратегии автоматизации процессов
К настоящему времени, если вы не живете в пещере, все хорошо знакомы с определениями AI и ML. Такие термины, как контролируемое / неконтролируемое обучение и глубокое обучение, не кажутся иностранными.
Описание AI / ML выходит за рамки этой статьи. На досуге вы можете просмотреть эти ссылки, чтобы лучше понять тему -
Блоги AI / ML, доступные на сайтах Medium; Навстречу науке о данных и хакерский полдень.
В этом разделе далее обсуждается наш совместный подход, который мы видели ранее в разделе «Включение ИИ в автоматизацию процессов».
Как и в случае любой специально созданной и легкой автоматизации, перед внедрением RPA необходимо полное понимание процесса, включая проектирование процесса, MOP, среду, переменные факторы (движущиеся части), действующих лиц и т. Д.
Хорошая новость заключается в том, что ИИ и RPA могут сосуществовать и могут нормально функционировать без проблем.
Некоторые из соответствующих вопросов, относящихся к «объединению RPA / AI», можно перечислить в разделе -
- Какая степень ручного вмешательства задействована в процессе?
- Какие этапы процесса повторяются?
- Достаточно ли у вас обучающих данных для разговоров и других вещей, связанных с ИИ?
- Как разговорный ИИ может улучшить взаимодействие с пользователем в вашем случае?
- Какие подводные камни может создать часть AI / ML?
- Добавляет ли AI / ML ценность, не вызывая слишком больших затрат и сложности?
- Каковы ваши критерии успеха? KPI, индекс удовлетворенности и др.
- Какие параметры / факторы влияют на улучшение процесса?
- Существуют ли готовые инструменты для решения некоторых или всех ваших потребностей?
- У вас есть необходимые ресурсы? Каковы ограничения по стоимости и времени?
Должно быть четкое понимание предмета. Кроме того, знание системной архитектуры и понимание деталей, включая функциональные возможности, процессы, интерфейсы подсистем, логику межсоединений и т. Д., Имеют решающее значение, которое послужит планом вашей стратегии проектирования.
Для рентабельности и рентабельности инвестиций вам также необходимо иметь ясное представление о том, какие решения существуют сегодня на коммерческой основе или с открытым исходным кодом. Например, готовое решение, если оно хорошо подходит, предпочтительнее заново изобретать колесо. Более длинные циклы и потери могут навредить проекту. Использование доступных решений и технологий (где это возможно) обеспечивает дополнительную защиту от рисков и позволяет вам сосредоточиться на других областях для более быстрого достижения целевой системы.
3. Методы проектирования и реализации
На рисунке 1 показана типичная сквозная конструкция компонентов, изображающая реализацию полнофункциональной роботизированной автоматизации процессов (RPA), управляемой искусственным интеллектом.
Описание процесса
Начиная сверху, у нас есть пользовательский интерфейс, который позволяет захватывать запросы пользователей. намерение пользователя понимается путем классификации по заранее определенным категориям с использованием конвейеров NLU. Эти конвейеры обычно состоят из нескольких библиотек NLP, таких как SpaCy или NLTK, обеспечивающих поддержку векторов слов / встраивание на нескольких языках, токенизацию и т. Д. Еще одна важная задача, которая также выполняется этим уровнем, заключается в извлечении сущности (контекстных данных) из запросов пользователя. Сущности - это часть текста, представляющего интерес для специалистов по обработке данных или бизнеса, например имена людей, адреса, номера счетов, местоположения и т. Д. Затем они передаются ниже по потоку для дальнейшей обработки. Передовые методы и алгоритмы, такие как CRF (условные случайные поля), Stemming и т. Д., Используются для обучения модели для выполнения распознавания именованных сущностей (NER). Поддержка NER доступна в таких библиотеках, как SpaCy, что позволяет извлекать сущности, зная их шаблон и другие статистические свойства. Кроме того, конкретная информация, такая как дата и время, может быть извлечена с помощью таких библиотек, как duckling.
Когда намерение и объекты данных извлекаются, они проходят следующий уровень, которым является интерфейс «машина-машина». На этом этапе можно подключить программного робота для управления аспектами оркестрации и (в основном) автоматизации. Например, «Создать и отправить отчет», «подключить или настроить сетевое устройство» или «использовать учетную запись PayPal для покупки билетов в кино».
Здесь я сокращаю детали, которые требуются каждой подсистеме, однако вы можете оценить, как разные части могут быть склеены вместе с определенной степенью точности для создания единой системы.
Политики и передовой опыт
Рисунок выше может чрезмерно упростить усилия, связанные с реализацией этой архитектуры. Здесь есть несколько движущихся частей, и каждый компонент (подсистема) требует значительных усилий и надлежащих знаний предметной области для эффективной реализации и координации. На этапе проектирования целесообразно тщательно изучить все аспекты, такие как протоколы, структура данных, требования к доступу, производительность и эффективность, доступность, ведение журналов и мониторинг, обработка исключений, а также использование технологий.
Там, где это возможно, экстернализация и разделение логики управления может дать преимущества с точки зрения гибкого проектирования и обновления системы.
Как обрабатывать исключения?
Будут случаи, когда возникнут разовые условия, такие как «недостаточный баланс для покупки продуктов», «недействительный адрес доставки», «неудовлетворительные или отсутствующие данные», «неблагоприятные (погодные) условия» и т. Д. Чтобы правильно обрабатывать такие условия, несколько политик могут быть составлены и введены в систему через отдельный механизм управления исключениями.
Совмещение корректирующих действий с сообщением об ошибке повышает удобство работы пользователя. Скрывая мелкие детали, ваше сообщение об ошибке, представленное пользователю, должно отражать точное описание проблемы и предложения по дальнейшим действиям. Это дает еще одну возможность для машинного обучения, при котором обученная модель может предсказывать последующие действия на основе переменных и контекстных данных.
4. Пример из практики - Здравоохранение
Давайте посмотрим на пример. Распространяются новости о том, что секторы здравоохранения все чаще применяют искусственный интеллект для улучшения ухода за пациентами и эффективности процессов. Итак, давайте посмотрим, чем здесь может быть полезен RPA.
Эффективная RPA может привести к улучшению управления медицинским обслуживанием со значительным улучшением качества координирующего ухода, благополучия населения, удаленного мониторинга и управления использованием. Когда медицинские работники больше не увязнут в выполнении многих своих повседневных задач, они могут свободно сосредоточиться на более важных делах, таких как общение с пациентами один на один.
Так какое же здесь отношение к RPA? Существуют ручные операции, в которых организации увязли, и их можно облегчить, переложив рабочую нагрузку на роботов. Подумайте, например, о кодировании или выставлении счетов. Правильно определенный процесс может быть дополнен автоматизацией, когда можно оценивать несколько записей из одной или нескольких форм, а окончательный счет составляется и представляется в кассу без какого-либо вмешательства человека. Получение оплаты от пациента будет еще одним шагом. Кроме того, закодированный отчет / претензию можно без особых усилий отправить страховщику (плательщику).
Точно так же случаи, когда распознавание изображений с помощью ИИ используется для поиска злокачественных следов, могут быть интегрированы с системой предупреждений и уведомлений, чтобы такие чувствительные вопросы, как рак, опухоль, могли быть окончательно рассмотрены экспертами в предметной области, прежде чем их объявить.
Помимо аспектов экономии затрат, поставщики могут внедрить адаптируемую систему, поведение которой можно быстро изменять по мере необходимости, максимизируя операционную эффективность.
Подход «Дизайн на основе данных» - что от этого для нас?
Определите области, в которых ИИ может превзойти традиционную логическую реализацию с точки зрения масштаба, адаптируемости и квалификации. Могут быть ситуации, когда процесс должен принять решение о следующем лучшем действии на основе сотен факторов. Учет всех этих переменных (размеров) на этапе проектирования и сборки может стать сложной задачей. Кроме того, логика программы должна изменяться для каждого нового добавления параметров, тогда как при подходе на основе машинного обучения необходимо повторно обучать только модель, тогда как основная бизнес-логика остается нетронутой.
В случаях, когда датчики или инструменты мониторинга генерируют тонны данных, анализ и извлечение соответствующей информации становится довольно сложной задачей.
Собираем все вместе
В этом блоге я кратко описал RPA и разговорный AI, в основном с точки зрения конвергенции. Мы рассмотрели важные факторы, которые играют центральную роль во влиянии на дизайн и стратегию. Помимо извлечения ценностей из отраслевых стандартов, необходимо иметь в виду экономическое обоснование (я), чтобы разработать изысканную схему реализации на всем протяжении от изложения фундаментальной сути до мельчайших деталей.
Базовое понимание разговорного ИИ необходимо для улучшения качества дизайна и тщательного повышения функциональной точности. Конвейеры машинного обучения служат фундаментальным строительным блоком для получения точных результатов.
Многие считают роботизированную автоматизацию процессов необходимым элементом цифровой трансформации. Когда программные роботы используются вместе с ИИ и руководствуются политиками и историческими данными, можно добиться повышения эффективности, используя преимущества автоматизации, ИИ / машинного обучения и создавая возможности для идиллического взаимодействия с пользователем, повышения уровня доверия пользователей, повышения операционной эффективности и повышения рентабельности инвестиций. .
