🐊 🎟️ 👩🏾‍🚀 RPA + Machine Learning = automatisation intelligente 👧🏾 ⛑️ 🖕🏿

Salut, Khabrovites! En mars, OTUS lance le nouveau cours UiPath et PIX Software Robot Developer (RPA) . En prévision du début du cours, nous avons traduit pour vous des informations utiles sur ce qui se passera si vous intégrez RPA dans l'apprentissage automatique.

L'automatisation robotisée des processus (RPA) a fait le buzz dans de nombreuses industries. Comme l'entreprise se concentre sur l'innovation numérique, l'automatisation des tâches répétitives afin d'augmenter l'efficacité et de réduire les erreurs dues aux facteurs humains est une priorité.

Les robots ne se fatigueront pas, ne s'ennuieront pas et accompliront clairement les tâches afin d'aider leurs collègues humains à augmenter la productivité et à libérer du temps pour effectuer des tâches de niveau supérieur.

En plus d'un RPA simple, une automatisation intelligente peut être obtenue en intégrant l'apprentissage automatique et l'intelligence artificielle dans l'automatisation des processus robotiques pour automatiser les tâches répétitives avec une couche supplémentaire de perception et de prédiction de type humain.

RPA

Selon l'idée de base, le RPA n'est pas destiné à imiter l'intelligence humaine. En règle générale, elle imite simplement l'activité humaine primitive. En d'autres termes, l'APR n'imite pas le comportement humain, elle imite les actions humaines. Le comportement implique un choix raisonnable parmi une gamme d'options possibles, tandis qu'une action est simplement un mouvement ou un processus. Les processus RPA sont le plus souvent régis par des règles métier prédéfinies qui peuvent être strictement définies, de sorte que les RPA ont une capacité limitée à travailler avec des environnements ambigus ou complexes.

Vous pouvez également lire comment combiner l'IA et le RPA pour créer une automatisation intelligente .

D'autre part, l'intelligence artificielle est une simulation d'une machinel'intelligence humaine , ce qui implique la présence d'une gamme plus large de produits et de résultats possibles. L'IA est à la fois un mécanisme de prise de décision intelligent et une imitation du comportement humain. Dans le même temps, l'apprentissage automatique est une étape nécessaire vers la création de l'intelligence artificielle. Elle contribue à l'émergence de l'analyse déductive et des décisions prédictives, qui se rapprochent de plus en plus des résultats que l'on pourrait attendre d'une personne.

L'IEEE Standards Association a publié son guide IEEE des règles et concepts d' automatisation intelligente en juin 2017. Dans ce document, l'automatisation robotisée des processus est définie comme «une instance préconfigurée de logiciels qui utilise la logique métier et une chorégraphie prédéfinie d'actions pour effectuer de manière totalement autonome une combinaison de processus, actions, transactions et tâches dans un ou plusieurs systèmes logiciels non liés pour fournir un résultat ou un service avec la capacité de contrôler personne dans des cas exceptionnels. "

En d'autres termes, un RPA est simplement un système qui peut à plusieurs reprises et sans échecs effectuer un ensemble spécifique de tâches, car il peut être programmé pour effectuer ce type de travail. Cependant, l'APR ne peut pas utiliser la fonction d'apprentissage pour se modifier ou adapter ses compétences à un ensemble de conditions différentes, et c'est là que l'apprentissage automatique et l'intelligence artificielle contribuent le plus intensément à la création de systèmes plus intelligents.

Contrôle de processus ou gestion des données?

L'automatisation intelligente est un terme qui peut être appliqué au domaine le plus complexe du continuum de l'automatisation des flux de travail, comprenant l'automatisation robotique des postes de travail, l'automatisation des processus robotiques, l'apprentissage automatique et l'intelligence artificielle. Selon le type d'entreprise, les entreprises utilisent souvent un ou plusieurs types d'automatisation pour augmenter leur efficience ou leur efficacité. Au fur et à mesure que vous passez d'une automatisation basée sur les processus à une automatisation plus flexible basée sur les données, des coûts supplémentaires surviennent sous la forme d'ensembles de données de formation, de développement technique, d'infrastructure et de connaissances spécialisées. Mais les avantages potentiels en termes de nouvelles idées et de développement financier peuvent augmenter considérablement.

Les entreprises devraient désormais envisager d'intégrer l'apprentissage automatique et l'intelligence artificielle aux RP traditionnels pour réaliser une automatisation intelligente afin de rester compétitifs et de travailler efficacement.

Automatisation intelligente

L'automatisation intelligente repose sur l'intégrité des données

Dans le cadre de l'automatisation intelligente, les données d'entraînement sont un composant central dont tout le reste dépend. Dans des secteurs tels que la conduite autonome et les soins de santé, où les décisions prises par l'IA / ML peuvent avoir de graves conséquences, l'exactitude des données de formation qui informent sur ces types de décisions est critique. Étant donné que la précision des modèles modernes d'intelligence artificielle et d'apprentissage automatique qui utilisent les réseaux de neurones et l'apprentissage profond approche à 100%, ces mécanismes fonctionnent de manière plus autonome que jamais et peuvent prendre des décisions sans intervention humaine. De petites déviations ou inexactitudes dans les données d'entraînement peuvent avoir des conséquences fatales et imprévues. Ainsi, l'intégrité et la précision des données deviennent un aspect de plus en plus important.alors que les gens commencent à se fier davantage aux décisions prises par les machines intelligentes pour des tâches complexes.

Les modèles d'apprentissage automatique précis nécessitent des données d'entraînement précises

L'intégrité des données comprend la présence de données sources représentatives, le balisage exact de ces données avant la phase de formation, les tests et le déploiement du modèle d'apprentissage automatique. Le flux de travail itératif de préparation des données, d'ingénierie des fonctionnalités, de modélisation et de validation est le plan de travail standard pour le traitement des données.

Tout professionnel de la science des données vous dira que disposer de données de formation bien étiquetées est probablement l'ingrédient le plus important pour créer un modèle. Des exemples de données «sales» peuvent être manquants, des données biaisées, des valeurs aberrantes ou simplement des ensembles de données qui ne sont pas représentatifs des données qui seront traitées en production. L'ingénierie des caractères est également une étape importante dans l'apprentissage automatique, c'est-à-dire sélection des caractéristiques des données susceptibles d'être les plus importantes pour garantir l'exactitude des prévisions de ce modèle. Dans un réseau de neurones, où les paramètres se superposent, la définition correcte des caractéristiques clés à chaque itération est cruciale pour la réussite de la construction du modèle. De mauvaises données d'entraînement peuvent entraîner une sélection ou une pondération incorrectes des signes,ce qui à son tour conduira à la formation de modèles qui ne peuvent pas être utilisés pour un ensemble plus large de données de production.

Par exemple, pour un modèle qui détecte des organes individuels sur une IRM, vous devez sélectionner des images d'entraînement représentatives à partir d'un appareil d'IRM spécifique, puis identifier précisément les domaines d'intérêt spécifiques pour chaque organe, ce qui conduira à une amélioration des résultats de reconnaissance, au lieu d'utiliser simplement des photographies de ces organes provenant de sources publiques. Un autre exemple est un système de facturation fournisseur qui utilise la reconnaissance optique de caractères (OCR) pour extraire par programme les informations pertinentes des factures. Les champs clés de chaque facture, tels que «Adresse», «Nom» et «Résumé», doivent être clairement séparés du corps des différents types de factures afin que le modèle puisse fonctionner avec précision et efficacité. Si ces éléments ne sont pas marqués complètement ou incorrectement, la précision du modèle résultant en souffrira.

Le problème de l'objectivité

Les modèles modernes d'intelligence artificielle et d'apprentissage automatique diffèrent de l'intelligence humaine en ce qu'ils dépendent complètement des données source et ne disposent généralement pas d'un mécanisme récursif automatique pour obtenir et traiter de nouvelles données pour la correction de cap, c'est-à-dire un recyclage continu. Cela signifie que des données mal équilibrées obtenues pendant la formation peuvent éventuellement conduire à des biais imprévus et à des résultats inattendus (et parfois offensants). Lorsqu'une part importante de biais apparaît dans le système, il devient difficile de se fier aux décisions prises par ce système.

Une bonne annotation des données conduit à un RPA intelligent de haute qualité

Des données de formation précises sont au cœur des projets de science des données les plus réussis. Avec une annotation précise des données, les modèles d'apprentissage automatique et les modèles d'intelligence artificielle peuvent prendre des décisions plus précises, et en combinaison avec les processus RPA fondamentaux, les entreprises peuvent réaliser une automatisation vraiment intelligente.

C'est tout. Si vous avez lu l'article à la fin, nous vous invitons à une leçon gratuite dans laquelle vous apprendrez à écrire un robot dans UiPath, qui lit les données de csv et xlsx et automatise l'envoi des résultats par e-mail.

RPA + Machine Learning = automatisation intelligente