🕺🏿 🥞 💪🏿 RPA + Machine Learning = Automação Inteligente 🎐 👨🏿 👅

Saudação, Khabrovites! Em março, a OTUS lança um novo curso , o Software Robot Developer (RPA), baseado no UiPath e PIX . Antecipando o início do curso, traduzimos para você material útil sobre o que acontecerá se você integrar o RPA ao aprendizado de máquina.

A automação de processo robótico (RPA) causou alvoroço em muitos setores. Como o negócio está focado na inovação digital, a automação de tarefas repetitivas para aumentar a eficiência e reduzir os erros causados pelo fator humano é uma prioridade.

Os robôs não se cansam, não se cansam e concluem claramente as tarefas para ajudar seus colegas humanos a aumentar a produtividade e liberar tempo para executar tarefas de nível superior.

Além de um RPA simples, a automação inteligente pode ser alcançada através da integração de aprendizado de máquina e inteligência artificial na automação de processos robóticos para automatizar tarefas repetitivas com uma camada adicional de percepção e previsão do tipo humano.

RPA

De acordo com a idéia básica, o RPA não se destina a imitar a inteligência humana. Como regra, ela simplesmente imita a atividade humana primitiva. Em outras palavras, o RPA não imita o comportamento humano, mas sim ações humanas. O comportamento implica uma escolha razoável entre uma variedade de opções possíveis, enquanto uma ação é simplesmente um movimento ou um processo. Os processos de RPA geralmente são conduzidos por regras de negócios predefinidas que podem ser estritamente definidas, portanto, os RPAs têm capacidade limitada de trabalhar com ambientes ambíguos ou complexos.

Você também pode ler sobre como combinar AI e RPA para criar automação inteligente .

Por outro lado, a inteligência artificial é uma simulação de uma máquinainteligência humana , o que implica a presença de uma gama mais ampla de possíveis produtos e resultados. A IA é um mecanismo inteligente de tomada de decisão e uma imitação do comportamento humano. Ao mesmo tempo, o aprendizado de máquina é um passo necessário para a criação de inteligência artificial. Contribui para o surgimento de análises dedutivas e decisões preditivas, que estão se aproximando cada vez mais dos resultados que se poderia esperar de uma pessoa.

A IEEE Standards Association publicou seu Guia IEEE para regras e conceitos de automação inteligente em junho de 2017. Nele, a automação de processos robóticos é definida como “uma instância pré-configurada de software que usa lógica de negócios e uma coreografia predefinida de ações para executar de forma totalmente autônoma uma combinação de processos, ações, transações e tarefas em um ou mais sistemas de software não relacionados, para fornecer um resultado ou serviço com a capacidade de controlar pessoa em casos excepcionais. ”

Em outras palavras, um RPA é simplesmente um sistema que pode repetidamente e sem falhas executar um conjunto específico de tarefas, porque pode ser programado para executar esse tipo de trabalho. No entanto, o RPA não pode usar a função de aprendizado para se modificar ou adaptar suas habilidades a um conjunto diferente de condições, e é aqui que o aprendizado de máquina e a inteligência artificial contribuem mais intensamente para a criação de sistemas mais inteligentes.

Controle de processo ou gerenciamento de dados?

Automação inteligente é um termo que pode ser aplicado à área mais complexa do continuum de automação de fluxo de trabalho, consistindo em automação de estação de trabalho robótica, automação de processos robóticos, aprendizado de máquina e inteligência artificial. Dependendo do tipo de negócio, as empresas costumam usar um ou mais tipos de automação para aumentar a eficiência ou a eficácia. À medida que você passa da automação orientada a processos para uma automação orientada a dados mais flexível, surgem custos adicionais na forma de conjuntos de dados de treinamento, desenvolvimento técnico, infraestrutura e conhecimento especializado. Mas os benefícios potenciais em termos de novas idéias e desenvolvimento financeiro podem aumentar significativamente.

As empresas agora devem considerar a integração de aprendizado de máquina e inteligência artificial com os RPs tradicionais para obter automação inteligente, a fim de permanecerem competitivos e trabalharem eficientemente.

Automação Inteligente

A automação inteligente depende da integridade dos dados

Como parte da automação inteligente, os dados de treinamento são um componente central do qual tudo depende. Em setores como direção autônoma e assistência médica, onde as decisões tomadas pela IA / ML podem ter sérias conseqüências, a precisão dos dados de treinamento que informa sobre esses tipos de decisões é crucial. Como a precisão dos modelos modernos de inteligência artificial e aprendizado de máquina que usam redes neurais e aprendizado profundo se aproxima de 100%, esses mecanismos funcionam de forma mais autônoma do que nunca e podem tomar decisões sem intervenção humana. Pequenos desvios ou imprecisões nos dados de treinamento podem ter conseqüências fatais e imprevistas. Assim, a integridade e a precisão dos dados estão se tornando um aspecto cada vez mais importante.à medida que as pessoas começam a confiar mais nas decisões tomadas pelas máquinas inteligentes para tarefas complexas.

Modelos precisos de aprendizado de máquina requerem dados de treinamento precisos

A integridade dos dados inclui a presença de dados de origem representativos, a marcação exata desses dados antes da fase de treinamento, teste e implantação do modelo de aprendizado de máquina. O fluxo de trabalho iterativo de preparação de dados, engenharia de recursos, modelagem e validação é o plano de trabalho padrão para processamento de dados.

Qualquer profissional de ciência de dados dirá que ter dados de treinamento bem rotulados é provavelmente o ingrediente mais importante na criação de um modelo. Exemplos de dados "sujos" podem estar ausentes, dados tendenciosos, outliers ou simplesmente conjuntos de dados que não são representativos dos dados que serão trabalhados na produção. A engenharia de caracteres também é um passo importante no aprendizado de máquina, ou seja, seleção de características de dados que provavelmente são as mais importantes para garantir a precisão das previsões para esse modelo. Em uma rede neural, onde os parâmetros são sobrepostos, a definição correta dos principais recursos em cada iteração é crucial para a construção bem-sucedida do modelo. Dados de treinamento ruins podem levar à seleção ou ponderação incorreta dos sinais,o que, por sua vez, levará à formação de modelos que não podem ser usados para um conjunto mais amplo de dados da produção.

Por exemplo, para um modelo que detecta órgãos individuais em uma ressonância magnética, é necessário selecionar imagens de treinamento representativas de um dispositivo de ressonância magnética específico e depois identificar com precisão áreas específicas de interesse de cada órgão, o que levará a uma melhoria nos resultados de reconhecimento, em vez de simplesmente usar fotografias desses órgãos em fontes públicas. Outro exemplo é um sistema de cobrança de fornecedores que usa o reconhecimento óptico de caracteres (OCR) para extrair programaticamente informações relevantes das faturas. Os campos-chave em cada fatura, como Endereço, Nome e Resumo, devem ser claramente separados do corpo dos vários tipos de faturas, para que o modelo possa funcionar com precisão e eficiência. Se esses elementos não estiverem marcados completa ou incorretamente, a precisão do modelo resultante sofrerá.

O problema com a objetividade

Os modelos modernos de inteligência artificial e aprendizado de máquina diferem da inteligência humana, pois são completamente dependentes dos dados de origem e geralmente não possuem um mecanismo recursivo automático para obter e processar novos dados para correção de curso, ou seja, reciclagem contínua. Isso significa que dados mal balanceados obtidos durante o treinamento podem eventualmente levar a tendências imprevistas e resultados inesperados (e às vezes ofensivos). Quando uma quantidade significativa de preconceitos aparece no sistema, torna-se difícil confiar nas decisões tomadas por esse sistema.

Uma boa anotação de dados leva a RPA inteligente de alta qualidade

Dados de treinamento precisos estão no centro dos projetos de ciência de dados mais bem-sucedidos. Com anotações de dados precisas, modelos de aprendizado de máquina e modelos de inteligência artificial podem tomar decisões mais precisas e, em combinação com processos RPA fundamentais, as empresas podem obter uma automação verdadeiramente inteligente.

Isso é tudo. Se você leu o artigo até o final, convidamos você para uma lição gratuita na qual aprenderá a escrever um robô no UiPath, que lê dados de csv e xlsx e automatiza o envio de resultados por email.

RPA + Machine Learning = Automação Inteligente