🤷🏽 👬 🏂🏾 RPA + Machine Learning = Automatización inteligente 🎙️ 📂 👨🏽‍🎤

Saludo, Khabrovites! En marzo, OTUS lanza un nuevo curso , Software Robot Developer (RPA), basado en UiPath y PIX . En previsión del comienzo del curso, hemos traducido para usted material útil sobre lo que sucederá si integra RPA en el aprendizaje automático.

La automatización robótica de procesos (RPA) ha hecho ruido en muchas industrias. Dado que el negocio se centra en la innovación digital, la automatización de tareas repetitivas para aumentar la eficiencia y reducir los errores causados por el factor humano es una prioridad.

Los robots no se cansarán, no se aburrirán y completarán claramente las tareas para ayudar a sus colegas humanos a aumentar la productividad y liberar tiempo para realizar tareas de alto nivel.

Además de un RPA simple, se puede lograr una automatización inteligente integrando el aprendizaje automático y la inteligencia artificial en la automatización de procesos robóticos para automatizar tareas repetitivas con una capa adicional de percepción y pronóstico similar a los humanos.

RPA

Según la idea básica, RPA no pretende imitar la inteligencia humana. Como regla, ella simplemente imita la actividad humana primitiva. En otras palabras, el RPA no imita el comportamiento humano; imita las acciones humanas. El comportamiento implica una elección razonable de una gama de posibles opciones, mientras que una acción es simplemente un movimiento o un proceso. Los procesos RPA suelen estar impulsados por reglas comerciales predefinidas que pueden definirse estrictamente, por lo que las RPA tienen una capacidad limitada para trabajar en entornos ambiguos o complejos.

También puede leer sobre cómo combinar AI y RPA para crear automatización inteligente .

Por otro lado, la inteligencia artificial es una simulación de una máquina.inteligencia humana , lo que implica la presencia de una gama más amplia de resultados y resultados posibles. La IA es a la vez un mecanismo inteligente de toma de decisiones y una imitación del comportamiento humano. Al mismo tiempo, el aprendizaje automático es un paso necesario hacia la creación de inteligencia artificial. Contribuye a la aparición de análisis deductivos y decisiones predictivas, que se acercan cada vez más a los resultados que se pueden esperar de una persona.

La Asociación de Estándares IEEE publicó su Guía IEEE de Reglas y Conceptos de Automatización Inteligente en junio de 2017. En él, la automatización de procesos robóticos se define como "una instancia de software preconfigurada que utiliza la lógica empresarial y una coreografía predefinida de acciones para realizar de forma totalmente autónoma una combinación de procesos, acciones, transacciones y tareas en uno o más sistemas de software no relacionados para proporcionar un resultado o servicio con la posibilidad de control persona en casos excepcionales ".

En otras palabras, un RPA es simplemente un sistema que puede realizar repetidamente y sin fallas un conjunto específico de tareas, porque puede programarse para realizar este tipo de trabajo. Sin embargo, el RPA no puede usar la función de aprendizaje para modificarse o adaptar sus habilidades a un conjunto diferente de condiciones, y es aquí donde el aprendizaje automático y la inteligencia artificial contribuyen más intensamente a la creación de sistemas más inteligentes.

¿Control de procesos o gestión de datos?

La automatización inteligente es un término que se puede aplicar al área más compleja del continuo de la automatización del flujo de trabajo, que consiste en la automatización robótica de estaciones de trabajo, la automatización robótica de procesos, el aprendizaje automático y la inteligencia artificial. Dependiendo del tipo de negocio, las compañías a menudo usan uno o más tipos de automatización para aumentar la eficiencia o efectividad. A medida que pasa de la automatización basada en procesos a una automatización más flexible basada en datos, surgen costos adicionales en forma de conjuntos de datos de capacitación, desarrollo técnico, infraestructura y conocimiento especializado. Pero los beneficios potenciales en términos de nuevas ideas y desarrollo financiero pueden aumentar significativamente.

Las empresas ahora deberían considerar la integración del aprendizaje automático y la inteligencia artificial con los RP tradicionales para lograr la automatización inteligente para mantenerse competitivos y trabajar de manera eficiente.

Automatización inteligente

La automatización inteligente se basa en la integridad de los datos.

Como parte de la automatización inteligente, los datos de entrenamiento son un componente central del que depende todo lo demás. En industrias como la conducción autónoma y la atención médica, donde las decisiones tomadas por AI / ML pueden tener serias consecuencias, la precisión de los datos de capacitación que informan sobre este tipo de decisiones es crítica. Dado que la precisión de los modelos modernos de inteligencia artificial y aprendizaje automático que utilizan redes neuronales y enfoques de aprendizaje profundo 100%, estos mecanismos funcionan de manera más autónoma que nunca y pueden tomar decisiones sin intervención humana. Pequeñas desviaciones o inexactitudes en los datos de capacitación pueden tener consecuencias fatales e imprevistas. Por lo tanto, la integridad y precisión de los datos se está convirtiendo en un aspecto cada vez más importante.A medida que las personas comienzan a confiar más en las decisiones tomadas por las máquinas inteligentes para tareas complejas.

Los modelos de aprendizaje automático precisos requieren datos de entrenamiento precisos

La integridad de los datos incluye la presencia de datos fuente representativos, el marcado exacto de estos datos antes de la fase de capacitación, las pruebas y el despliegue del modelo de aprendizaje automático. El flujo de trabajo iterativo de preparación de datos, ingeniería de características, modelado y validación es el plan de trabajo estándar para el procesamiento de datos.

Cualquier profesional de Data Science le dirá que tener datos de entrenamiento bien etiquetados es probablemente el ingrediente más importante para hacer un modelo. Pueden faltar ejemplos de datos "sucios", datos sesgados, valores atípicos o simplemente conjuntos de datos que no son representativos de los datos que se trabajarán en la producción. La ingeniería de personajes también es un paso importante en el aprendizaje automático, es decir selección de características de datos que probablemente sean las más importantes para garantizar la precisión de la predicción de este modelo. En una red neuronal, donde los parámetros se superponen entre sí, la definición correcta de las características clave en cada iteración es crucial para la construcción exitosa del modelo. Los datos de entrenamiento deficientes pueden conducir a una selección o ponderación incorrecta de los signos,lo que a su vez conducirá a la formación de modelos que no pueden usarse para un conjunto más amplio de datos de producción.

Por ejemplo, para un modelo que detecta órganos individuales en una resonancia magnética, debe seleccionar imágenes de entrenamiento representativas de un dispositivo de resonancia magnética específico, y luego identificar con precisión áreas específicas de interés para cada órgano, lo que conducirá a una mejora en los resultados de reconocimiento, en lugar de simplemente usar fotografías de estos órganos de fuentes públicas. Otro ejemplo es un sistema de facturación del proveedor que utiliza el reconocimiento óptico de caracteres (OCR) para extraer mediante programación información relevante de las facturas. Los campos clave en cada factura, como Dirección, Nombre y Resumen, deben estar claramente separados del cuerpo de los distintos tipos de facturas para que el modelo pueda funcionar de manera precisa y eficiente. Si estos elementos no están marcados completa o incorrectamente, la precisión del modelo resultante se verá afectada.

El problema con la objetividad.

Los modelos modernos de inteligencia artificial y aprendizaje automático difieren de la inteligencia humana en que dependen completamente de los datos de origen y generalmente no tienen un mecanismo recursivo automático para obtener y procesar nuevos datos para la corrección del curso, es decir, el reentrenamiento continuo. Esto significa que los datos mal equilibrados obtenidos durante el entrenamiento pueden conducir a un sesgo imprevisto y resultados inesperados (y a veces ofensivos). Cuando aparece una cantidad significativa de sesgo en el sistema, se hace difícil confiar en las decisiones tomadas por este sistema.

Una buena anotación de datos conduce a un RPA inteligente de alta calidad.

Los datos precisos de capacitación son la base de los proyectos de Data Science más exitosos. Con una anotación de datos precisa, los modelos de aprendizaje automático y los modelos de inteligencia artificial pueden tomar decisiones más precisas, y en combinación con procesos fundamentales de RPA, las empresas pueden lograr una automatización verdaderamente inteligente.

Eso es todo. Si ha leído el artículo hasta el final, lo invitamos a una lección gratuita en la que aprenderá a escribir un robot en UiPath, que lee datos de csv y xlsx y automatiza el envío de resultados por correo electrónico.

RPA + Machine Learning = Automatización inteligente