🚚 🚴 👨🏾‍🔬 RPA + Machine Learning = Otomasi Cerdas 🌠 👵🏿 🙍🏻

Salut, orang Khabrovit! Pada bulan Maret, OTUS meluncurkan kursus baru , Software Robot Developer (RPA), berdasarkan UiPath dan PIX . Untuk mengantisipasi dimulainya kursus, kami telah menerjemahkan untuk Anda materi yang bermanfaat tentang apa yang akan terjadi jika Anda mengintegrasikan RPA ke dalam pembelajaran mesin.

Otomatisasi proses robot (RPA) telah membuat gebrakan di banyak industri. Karena bisnis ini berfokus pada inovasi digital, mengotomatiskan tugas yang berulang untuk meningkatkan efisiensi dan mengurangi kesalahan yang disebabkan oleh faktor manusia adalah prioritas.

Robot tidak akan lelah, tidak akan bosan dan jelas akan menyelesaikan tugas untuk membantu kolega manusia mereka untuk meningkatkan produktivitas dan meluangkan waktu untuk melakukan tugas tingkat yang lebih tinggi.

Selain RPA sederhana, otomatisasi cerdas dapat dicapai dengan mengintegrasikan pembelajaran mesin dan kecerdasan buatan ke dalam otomatisasi proses robot untuk mengotomatisasi tugas berulang dengan lapisan tambahan persepsi dan perkiraan seperti manusia.

RPA

Menurut ide dasar, RPA tidak dimaksudkan untuk meniru kecerdasan manusia. Sebagai aturan, ia hanya meniru aktivitas manusia primitif. Dengan kata lain, RPA tidak meniru perilaku manusia, melainkan meniru tindakan manusia. Perilaku menyiratkan pilihan yang masuk akal dari berbagai pilihan yang mungkin, sementara tindakan hanyalah gerakan atau proses. Proses RPA paling sering didorong oleh aturan bisnis yang telah ditentukan yang dapat didefinisikan secara ketat, sehingga RPA memiliki kemampuan terbatas untuk bekerja dengan lingkungan yang ambigu atau kompleks.

Anda juga dapat membaca tentang cara menggabungkan AI dan RPA untuk membuat otomatisasi cerdas .

Di sisi lain, kecerdasan buatan adalah simulasi mesinkecerdasan manusia , yang menyiratkan adanya berbagai kemungkinan keluaran dan hasil. AI adalah mekanisme pengambilan keputusan yang cerdas dan meniru perilaku manusia. Pada saat yang sama, pembelajaran mesin adalah langkah penting menuju penciptaan kecerdasan buatan. Ini berkontribusi pada munculnya analitik deduktif dan keputusan prediktif, yang semakin dekat dan dekat dengan hasil yang bisa diharapkan dari seseorang.

Asosiasi Standar IEEE menerbitkan Panduan IEEE untuk Aturan dan Konsep Otomatisasi Cerdas pada Juni 2017. Di dalamnya, otomatisasi proses robot didefinisikan sebagai “contoh perangkat lunak yang telah dikonfigurasikan sebelumnya yang menggunakan logika bisnis dan koreografi tindakan yang telah ditentukan untuk sepenuhnya melakukan kombinasi proses, tindakan, transaksi, dan tugas secara mandiri dalam satu atau lebih sistem perangkat lunak yang tidak terkait untuk memberikan hasil atau layanan dengan kemungkinan kontrol. orang dalam kasus luar biasa. "

Dengan kata lain, RPA hanyalah sebuah sistem yang dapat berulang kali dan tanpa kegagalan melakukan serangkaian tugas tertentu, karena dapat diprogram untuk melakukan jenis pekerjaan ini. Namun, RPA tidak dapat menggunakan fungsi pembelajaran untuk memodifikasi dirinya sendiri atau mengadaptasi keterampilannya untuk serangkaian kondisi yang berbeda, dan di sinilah pembelajaran mesin dan kecerdasan buatan berkontribusi paling intensif untuk penciptaan sistem yang lebih cerdas.

Kontrol proses atau manajemen data?

Otomatisasi cerdas adalah istilah yang dapat diterapkan ke area yang lebih kompleks dari kontinum otomatisasi alur kerja, yang terdiri dari otomatisasi workstation robot, otomatisasi proses robot, pembelajaran mesin, dan kecerdasan buatan. Tergantung pada jenis bisnisnya, perusahaan sering menggunakan satu atau lebih jenis otomatisasi untuk meningkatkan efisiensi atau efektivitas. Saat Anda beralih dari otomatisasi yang digerakkan oleh proses ke otomasi yang digerakkan oleh data yang lebih fleksibel, biaya tambahan muncul dalam bentuk rangkaian data pelatihan, pengembangan teknis, infrastruktur, dan pengetahuan khusus. Tetapi potensi manfaat dalam hal ide-ide baru dan pengembangan keuangan dapat meningkat secara signifikan.

Perusahaan sekarang harus mempertimbangkan mengintegrasikan pembelajaran mesin dan kecerdasan buatan dengan RP tradisional untuk mencapai otomatisasi cerdas agar tetap kompetitif dan bekerja secara efisien.

Otomasi Cerdas

Otomatisasi cerdas bergantung pada integritas data

Sebagai bagian dari otomatisasi cerdas, data pelatihan adalah komponen utama yang menjadi sandaran segalanya. Dalam industri seperti mengemudi mandiri dan layanan kesehatan, di mana keputusan yang dibuat oleh AI / ML dapat memiliki konsekuensi serius, keakuratan data pelatihan yang menginformasikan tentang jenis keputusan ini sangat penting. Karena akurasi model modern kecerdasan buatan dan pembelajaran mesin yang menggunakan jaringan saraf dan pendekatan pembelajaran yang dalam 100%, mekanisme ini bekerja lebih mandiri daripada sebelumnya dan dapat membuat keputusan tanpa campur tangan manusia. Penyimpangan kecil atau ketidakakuratan dalam data pelatihan dapat memiliki konsekuensi yang fatal dan tidak terduga. Dengan demikian, integritas dan akurasi data menjadi aspek yang semakin penting.ketika orang mulai lebih mengandalkan keputusan yang dibuat oleh mesin pintar untuk tugas-tugas kompleks.

Model pembelajaran mesin yang akurat membutuhkan data pelatihan yang akurat

Integritas data mencakup keberadaan data sumber yang representatif, markup yang tepat dari data ini sebelum fase pelatihan, pengujian dan penyebaran model pembelajaran mesin. Alur kerja berulang persiapan data, rekayasa fitur, pemodelan dan validasi adalah rencana kerja standar untuk pemrosesan data.

Profesional Ilmu Data apa pun akan memberi tahu Anda bahwa memiliki data pelatihan yang diberi label dengan baik mungkin merupakan unsur terpenting dalam membuat model. Contoh data "kotor" dapat hilang, data bias, outlier, atau hanya kumpulan data yang tidak mewakili data yang akan dikerjakan dalam produksi. Rekayasa karakter juga merupakan langkah penting dalam pembelajaran mesin, mis. pemilihan karakteristik data yang cenderung paling penting untuk memastikan keakuratan peramalan model ini. Dalam jaringan saraf, di mana parameter ditumpangkan satu sama lain, definisi fitur kunci yang benar dalam setiap iterasi sangat penting untuk keberhasilan pembangunan model. Data pelatihan yang buruk dapat menyebabkan pemilihan atau penandaan tanda yang salah,yang pada gilirannya akan mengarah pada pembentukan model yang tidak dapat digunakan untuk set data yang lebih luas dari produksi.

Misalnya, untuk model yang mendeteksi masing-masing organ pada MRI, Anda perlu memilih gambar pelatihan yang representatif dari perangkat MRI tertentu, dan kemudian secara tepat mengidentifikasi bidang minat tertentu untuk masing-masing organ, yang akan mengarah pada peningkatan hasil pengenalan, alih-alih hanya menggunakan foto organ-organ ini dari sumber publik. Contoh lain adalah sistem penagihan vendor yang menggunakan optical character recognition (OCR) untuk secara terprogram mengekstrak informasi yang relevan dari faktur. Bidang kunci dalam setiap faktur, seperti "Alamat", "Nama" dan "Ringkasan", harus dipisahkan dengan jelas dari badan berbagai jenis faktur sehingga model dapat bekerja secara akurat dan efisien. Jika elemen-elemen ini tidak ditandai sepenuhnya atau salah, maka keakuratan model yang dihasilkan akan menurun.

Masalah dengan objektivitas

Model modern dari kecerdasan buatan dan pembelajaran mesin berbeda dari kecerdasan manusia dalam hal mereka sepenuhnya tergantung pada data sumber dan biasanya tidak memiliki mekanisme rekursif otomatis untuk mendapatkan dan memproses data baru untuk koreksi kursus, yaitu pelatihan ulang terus menerus. Ini berarti bahwa data yang kurang seimbang diperoleh selama pelatihan pada akhirnya dapat menyebabkan bias yang tidak terduga dan hasil yang tidak terduga (dan kadang-kadang ofensif). Ketika sejumlah besar bias muncul dalam sistem, menjadi sulit untuk mengandalkan keputusan yang dibuat oleh sistem ini.

Anotasi data yang baik mengarah ke RPA cerdas berkualitas tinggi

Data pelatihan yang akurat adalah jantung dari sebagian besar proyek Sains Data. Dengan anotasi data yang akurat, model pembelajaran mesin dan model kecerdasan buatan dapat membuat keputusan yang lebih akurat, dan dalam kombinasi dengan proses RPA yang mendasar, perusahaan dapat mencapai otomatisasi yang benar-benar cerdas.

Itu saja. Jika Anda telah membaca artikel sampai akhir, kami mengundang Anda ke pelajaran gratis di mana Anda akan belajar cara menulis robot di UiPath, yang membaca data dari csv dan xlsx dan mengotomatiskan pengiriman hasil melalui email.

RPA + Machine Learning = Otomasi Cerdas