❄️ 👩🏼‍🤝‍👩🏻 🏢 RPA + Maschinelles Lernen = Intelligente Automatisierung 🎧 🤹🏽 ♻️

Gruß, Chabrowiten! Im März startet OTUS einen neuen Kurs , Software Robot Developer (RPA), der auf UiPath und PIX basiert . Im Vorfeld des Kursbeginns haben wir für Sie nützliches Material übersetzt, was passieren wird, wenn Sie RPA in maschinelles Lernen integrieren.

Die Roboter-Prozessautomatisierung (RPA) hat in vielen Branchen für Aufsehen gesorgt. Da sich das Unternehmen auf digitale Innovation konzentriert, hat die Automatisierung sich wiederholender Aufgaben zur Steigerung der Effizienz und zur Reduzierung von Fehlern, die durch den menschlichen Faktor verursacht werden, Priorität.

Roboter werden nicht müde, langweilen sich nicht und erledigen Aufgaben eindeutig, um ihren menschlichen Kollegen zu helfen, die Produktivität zu steigern und Zeit für die Ausführung übergeordneter Aufgaben zu gewinnen.

Zusätzlich zu einem einfachen RPA kann eine intelligente Automatisierung erreicht werden, indem maschinelles Lernen und künstliche Intelligenz in die Automatisierung von Roboterprozessen integriert werden, um sich wiederholende Aufgaben mit einer zusätzlichen Ebene menschlicher Wahrnehmung und Prognose zu automatisieren.

RPA

Nach der Grundidee soll RPA nicht die menschliche Intelligenz imitieren. In der Regel ahmt sie einfach primitive menschliche Aktivitäten nach. Mit anderen Worten, der RPA ahmt menschliches Verhalten nicht nach, er ahmt menschliches Handeln nach. Verhalten impliziert eine vernünftige Auswahl aus einer Reihe möglicher Optionen, während eine Aktion einfach eine Bewegung oder ein Prozess ist. RPA-Prozesse werden meistens von vordefinierten Geschäftsregeln gesteuert, die streng definiert werden können, sodass RPAs nur eingeschränkt in der Lage sind, mit mehrdeutigen oder komplexen Umgebungen zu arbeiten.

Sie können auch lesen, wie Sie AI und RPA kombinieren, um eine intelligente Automatisierung zu erstellen .

Andererseits ist künstliche Intelligenz eine Simulation einer Maschinemenschliche Intelligenz , was das Vorhandensein eines breiteren Spektrums möglicher Ergebnisse und Ergebnisse impliziert. KI ist sowohl ein intelligenter Entscheidungsmechanismus als auch eine Nachahmung menschlichen Verhaltens. Gleichzeitig ist maschinelles Lernen ein notwendiger Schritt zur Schaffung künstlicher Intelligenz. Es trägt zur Entstehung deduktiver Analysen und prädiktiver Entscheidungen bei, die den von einer Person zu erwartenden Ergebnissen immer näher kommen.

Die IEEE Standards Association hat im Juni 2017 ihren IEEE-Leitfaden zu Regeln und Konzepten für intelligente Automatisierung veröffentlicht. Darin wird die Roboter-Prozessautomatisierung definiert als „eine vorkonfigurierte Instanz von Software, die Geschäftslogik und eine vordefinierte Choreografie von Aktionen verwendet, um eine Kombination von Prozessen, Aktionen, Transaktionen und Aufgaben in einem oder mehreren nicht verwandten Softwaresystemen vollständig autonom auszuführen und ein Ergebnis oder einen Dienst mit der Fähigkeit zur Steuerung bereitzustellen Person in Ausnahmefällen. "

Mit anderen Worten, ein RPA ist einfach ein System, das wiederholt und fehlerfrei eine bestimmte Reihe von Aufgaben ausführen kann, da es für diese Art von Arbeit programmiert werden kann. Der RPA kann die Lernfunktion jedoch nicht verwenden, um sich selbst zu modifizieren oder seine Fähigkeiten an andere Bedingungen anzupassen, und hier tragen maschinelles Lernen und künstliche Intelligenz am intensivsten zur Schaffung intelligenterer Systeme bei.

Prozesskontrolle oder Datenmanagement?

Intelligente Automatisierung ist ein Begriff, der auf den komplexeren Bereich des Kontinuums der Workflow-Automatisierung angewendet werden kann, der aus Roboter-Workstation-Automatisierung, Roboter-Prozessautomatisierung, maschinellem Lernen und künstlicher Intelligenz besteht. Je nach Art des Geschäfts verwenden Unternehmen häufig eine oder mehrere Arten der Automatisierung, um die Effizienz oder Effektivität zu steigern. Beim Übergang von der prozessgesteuerten Automatisierung zu einer flexibleren datengesteuerten Automatisierung entstehen zusätzliche Kosten in Form von Schulungsdatensätzen, technischer Entwicklung, Infrastruktur und Fachwissen. Der potenzielle Nutzen in Bezug auf neue Ideen und finanzielle Entwicklung kann jedoch erheblich zunehmen.

Unternehmen sollten jetzt in Betracht ziehen, maschinelles Lernen und künstliche Intelligenz in herkömmliche RPs zu integrieren, um eine intelligente Automatisierung zu erreichen, um wettbewerbsfähig zu bleiben und effizient zu arbeiten.

Intelligente Automatisierung

Intelligente Automatisierung beruht auf Datenintegrität

Trainingsdaten sind im Rahmen der intelligenten Automatisierung eine zentrale Komponente, von der alles andere abhängt. In Branchen wie dem autonomen Fahren und dem Gesundheitswesen, in denen Entscheidungen von AI / ML schwerwiegende Folgen haben können, ist die Genauigkeit der Trainingsdaten, die über diese Art von Entscheidungen informieren, von entscheidender Bedeutung. Da sich die Genauigkeit moderner Modelle der künstlichen Intelligenz und des maschinellen Lernens, die neuronale Netze und Deep Learning verwenden, zu 100% nähert, arbeiten diese Mechanismen autonomer als je zuvor und können Entscheidungen ohne menschliches Eingreifen treffen. Kleine Abweichungen oder Ungenauigkeiten in den Trainingsdaten können fatale und unvorhergesehene Folgen haben. Datenintegrität und -genauigkeit werden daher zu einem immer wichtigeren Aspekt.Wenn Menschen sich bei komplexen Aufgaben mehr auf Entscheidungen von intelligenten Maschinen verlassen.

Genaue Modelle für maschinelles Lernen erfordern genaue Trainingsdaten

Die Integrität der Daten umfasst das Vorhandensein repräsentativer Quelldaten, das genaue Markup dieser Daten vor der Trainingsphase, das Testen und die Bereitstellung des maschinellen Lernmodells. Der iterative Workflow aus Datenaufbereitung, Feature-Engineering, Modellierung und Validierung ist der Standardarbeitsplan für die Datenverarbeitung.

Jeder Data Science-Experte wird Ihnen sagen, dass gut beschriftete Trainingsdaten wahrscheinlich der wichtigste Bestandteil bei der Erstellung eines Modells sind. Beispiele für „schmutzige“ Daten können fehlende, voreingenommene Daten, Ausreißer oder einfach Datensätze sein, die nicht repräsentativ für die Daten sind, an denen in der Produktion gearbeitet wird. Die Zeichenentwicklung ist auch ein wichtiger Schritt beim maschinellen Lernen, d.h. Auswahl von Datenmerkmalen, die wahrscheinlich am wichtigsten sind, um die Genauigkeit der Prognose dieses Modells sicherzustellen. In einem neuronalen Netzwerk, in dem sich Parameter überlagern, ist die korrekte Definition der Schlüsselmerkmale in jeder Iteration entscheidend für die erfolgreiche Erstellung des Modells. Schlechte Trainingsdaten können zu falscher Auswahl oder Gewichtung von Zeichen führen.Dies wiederum wird zur Bildung von Modellen führen, die nicht für einen größeren Datensatz aus der Produktion verwendet werden können.

Für ein Modell, das einzelne Organe in einer MRT erkennt, müssen Sie beispielsweise repräsentative Trainingsbilder von einem bestimmten MRT-Gerät auswählen und dann bestimmte interessierende Bereiche für jedes Organ genau identifizieren, was zu einer Verbesserung der Erkennungsergebnisse führt, anstatt einfach Fotos dieser Organe aus öffentlichen Quellen zu verwenden. Ein weiteres Beispiel ist ein Lieferantenabrechnungssystem, das die optische Zeichenerkennung (OCR) verwendet, um relevante Informationen programmgesteuert aus Rechnungen zu extrahieren. Schlüsselfelder in jeder Rechnung, wie Adresse, Name und Zusammenfassung, müssen klar vom Hauptteil der verschiedenen Rechnungstypen getrennt sein, damit das Modell genau und effizient arbeiten kann. Wenn diese Elemente nicht vollständig oder falsch markiert sind, leidet die Genauigkeit des resultierenden Modells.

Das Problem mit der Objektivität

Moderne Modelle der künstlichen Intelligenz und des maschinellen Lernens unterscheiden sich von der menschlichen Intelligenz darin, dass sie vollständig von den Quelldaten abhängig sind und normalerweise keinen automatischen rekursiven Mechanismus zum Erhalten und Verarbeiten neuer Daten zur Kurskorrektur, dh zur kontinuierlichen Umschulung, haben. Dies bedeutet, dass während des Trainings schlecht ausgewogene Daten zu unvorhergesehenen Verzerrungen und unerwarteten (und manchmal anstößigen) Ergebnissen führen können. Wenn im System eine erhebliche Verzerrung auftritt, wird es schwierig, sich auf die von diesem System getroffenen Entscheidungen zu verlassen.

Eine gute Datenanmerkung führt zu einem qualitativ hochwertigen intelligenten RPA

Genaue Trainingsdaten stehen im Mittelpunkt der erfolgreichsten Data Science-Projekte. Mit präzisen Datenanmerkungen können Modelle für maschinelles Lernen und Modelle für künstliche Intelligenz genauere Entscheidungen treffen, und in Kombination mit grundlegenden RPA-Prozessen können Unternehmen eine wirklich intelligente Automatisierung erreichen.

Das ist alles. Wenn Sie den Artikel bis zum Ende gelesen haben, laden wir Sie zu einer kostenlosen Lektion ein, in der Sie lernen, wie man einen Roboter in UiPath schreibt, der Daten aus csv und xlsx liest und das Senden von Ergebnissen per E-Mail automatisiert.

RPA + Maschinelles Lernen = Intelligente Automatisierung