🐨 💳 🔩 RPA +机器学习=智能自动化 🧣 🗿 🚴🏾

敬礼，哈布里沃派！OTUS在三月推出了基于UiPath和PIX的新课程，软件机器人开发人员（RPA）。预期本课程的开始，我们已为您翻译了有用的材料，内容涉及将RPA集成到机器学习中将会发生的情况。

机器人过程自动化（RPA）在许多行业都引起了轰动。由于业务专注于数字创新，因此自动化重复任务以提高效率并减少人为因素引起的错误是当务之急。

机器人不会感到疲劳，不会感到无聊，并且会清楚地完成任务，以帮助他们的同事提高生产率并腾出时间来执行更高级别的任务。

除了简单的RPA之外，还可以通过将机器学习和人工智能集成到机器人流程自动化中来实现智能自动化，从而通过重复的，类似于人类的感知和预测层来自动化重复性任务。

RPA

根据基本思想，RPA并非旨在模仿人类的智力。通常，她只是模仿原始的人类活动。换句话说，RPA不模仿人类行为；它模仿人类行为。行为意味着从一系列可能的选择中进行合理的选择，而动作只是运动或过程。 RPA流程通常由可严格定义的预定义业务规则驱动，因此RPA在模棱两可或复杂环境中的工作能力有限。

您还可以阅读有关如何结合使用AI和RPA来创建智能自动化的信息。

另一方面，人工智能是对机器的模拟人的智力，这意味着存在更多可能的输出结果。人工智能既是一种智能的决策机制，又是对人类行为的模仿。同时，机器学习是迈向创建人工智能的必要步骤。它促进了演绎分析和预测性决策的出现，它们越来越接近人的预期结果。

IEEE标准协会于2017年6月发布了《 IEEE 智能自动化规则和概念指南》。其中，机器人流程自动化被定义为“使用业务逻辑和预定义的动作编排在一个或多个不相关的软件系统中完全自主地执行流程，动作，交易和任务的组合的软件的预配置实例，以提供具有控制能力的结果或服务。在特殊情况下的人。”

换句话说，RPA只是一个可以重复执行且不会失败的特定系统，因为可以对其进行编程以执行此类工作。但是，RPA无法使用学习功能来修改自身或使其技能适应不同的条件，而这正是机器学习和人工智能为创建更智能的系统做出最大贡献的地方。

过程控制还是数据管理？

智能自动化是一个可以应用于工作流自动化连续性的更复杂领域的术语，包括机器人工作站自动化，机器人过程自动化，机器学习和人工智能。根据业务类型，公司通常使用一种或多种自动化类型来提高效率或效力。当您从流程驱动的自动化转向更灵活的数据驱动的自动化时，以培训数据集，技术开发，基础架构和专业知识的形式会产生额外的费用。但是，在新思想和金融发展方面的潜在利益会大大增加。

公司现在应该考虑将机器学习和人工智能与传统RP集成在一起，以实现智能自动化，以保持竞争力并高效地工作。

智能自动化

智能自动化依赖于数据完整性

作为智能自动化的一部分，训练数据是其他所有要素所依赖的中心组件。在自动驾驶和医疗保健等行业中，由AI / ML做出的决策可能会产生严重后果，因此告知这些决策类型的培训数据的准确性至关重要。由于使用神经网络和深度学习的现代人工智能和机器学习模型的准确性接近100％，因此这些机制比以往更加自主地工作，无需人工干预即可做出决策。训练数据中的微小偏差或不正确可能会导致致命的和不可预见的后果。因此，数据完整性和准确性正变得越来越重要。随着人们开始更多地依靠智能机做出的决定来执行复杂的任务。

准确的机器学习模型需要准确的训练数据

数据的完整性包括代表性源数据的存在，训练阶段之前该数据的确切标记，机器学习模型的测试和部署。数据准备，功能工程，建模和验证的迭代工作流是数据处理的标准工作计划。

任何数据科学专业人士都会告诉您，具有良好标签的训练数据可能是建立模型的最重要要素。 “脏”数据的示例可能会丢失，有偏见的数据，离群值，或者仅仅是不能代表将在生产中使用的数据的数据集。角色工程也是机器学习中的重要一步，即选择对确保此模型的预测准确性最重要的数据特征。在一个神经网络中，参数相互叠加，每次迭代中关键特征的正确定义对于模型的成功构建至关重要。训练数据不正确会导致标志选择不正确或权重过大，反过来，这将导致无法用于生产中的更多数据集的模型的形成。

例如，对于在MRI上检测单个器官的模型，您需要从特定的MRI设备中选择具有代表性的训练图像，然后为每个器官精确地确定感兴趣的特定区域，这将导致识别结果的改善，而不是简单地使用公共来源的这些器官的照片。另一个示例是使用光学字符识别（OCR）来以编程方式从发票中提取相关信息的供应商计费系统。必须将每个发票中的关键字段（例如“地址”，“名称”和“摘要”）与各种类型的发票的主体明确分开，以便模型可以准确有效地工作。如果未完全或错误地标记出这些元素，则结果模型的准确性将受到影响。

客观性问题

人工智能和机器学习的现代模型与人类智能的不同之处在于，它们完全依赖于源数据，并且通常没有自动递归机制来获取和处理用于课程校正的新数据，即连续再训练。这意味着在训练过程中获得的平衡性差的数据最终会导致无法预料的偏见和意想不到的（有时甚至是令人反感的）结果。当系统中出现大量偏差时，很难依靠该系统做出的决策。

良好的数据注释可带来高质量的智能RPA

准确的培训数据是大多数成功的数据科学项目的核心。借助精确的数据注释，机器学习模型和人工智能模型可以做出更准确的决策，并且结合基本的RPA流程，公司可以实现真正的智能自动化。

就这样。如果您已阅读完本文，我们邀请您参加一个免费的课程，在该课程中，您将学习如何在UiPath中编写机器人，该机器人从csv和xlsx读取数据并自动通过电子邮件发送结果。

RPA +机器学习=智能自动化