fbpx

Get your 6-month No-Cost Opt-Out offer for Unlimited Software Automation?

机器人流程自动化是一列失控的列车。 德勤认为,该技术将实现 到 2025 年几乎实现普及。 然而,RPA 在商业世界中占据主导地位并不意味着它将停止发展。

我们正站在一个激动人心的技术关口。 近年来,人工智能取得了惊人的进步。 ChatGPT 和其他形式的生成式人工智能已经俘获了公众的心。 然而,这项令人兴奋的技术只是人工智能潜力的一种表现形式。

RPA 是一种简单而有效的工具。 然而,RPA 和人工智能的融合为创新提供了无限机遇。 对话式人工智能驱动的客户服务、分析驱动的决策以及知识工作的自动化只是 RPA 中人工智能的一些例子。

随着技术的进步,认知型机器人流程自动化将以我们难以想象的方式改变工作的性质。 在考虑人工智能与 RPA 的未来影响之前,让我们先来探讨一下人工智能与 RPA 是如何推动自动化发展的。

 

RPA 的局限性

人工智能与 RPA

RPA 的广泛应用证明了它的实用性。 这项技术通过将曾经的人工任务自动化,帮助无数企业将生产、效率和准确性提高到新的水平。 不过,与任何技术一样,它也有上限。

 

1.事务性自动化难以管理

 

虽然 RPA 机器人会忠实地处理各种流程,但它们需要一定的管理和维护。 例如,当输入或输出发生变化时,机器人必须重新配置,以应对这些略有变化的情况。 在动态的工作环境中,这会耗费资源和时间。

 

2.RPA 难以处理非结构化数据

 

RPA 工具使用 if/then/else 逻辑来执行任务。 因此,它们依赖于可预测的数据结构。 输入数据的任何变化都会导致错误或异常,因为它们超出了机器人期望接收的定义值。

 

3.RPA 带来的扩展挑战

 

部分原因如上所述,扩展 RPA 流程可能很困难。 每个流程都必须明确定义、管理和维护,而 RPA 缺乏适应性也会带来问题。

RPA 的局限性并不值得担心。 人工智能辅助 RPA 可以克服上述限制,同时开辟新的令人兴奋的自动化可能性。

 

人工智能 RPA 如何改变自动化?

 

机器人流程自动化和人工智能:

天作之合

RPA 生命周期与流程 - 实施机器人流程自动化的 10 个步骤

 

从设计上讲,RPA 是一种简单明了的工具,至少在用户层面是如此。 它的设计使非技术团队也能使用。 因此,它能以受控的方式执行所下达的指令。 人类需要识别这些流程,并指挥 RPA 执行命令。

当然,如果情况足够复杂,详细说明一步一步的指令是不可能的,这就是为什么将 RPA 与人工智能相结合是自动化的未来。

 

1.带有光学字符识别功能的 RPA

 


利用人工智能和 OCR 实现机器人流程自动化,改进业务流程
(Shidaganti, 2021),作者概述了 RPA 的局限性,提出 “自动化流程中的任何更改都需要直接更改 RPA 应用程序”。 Shidaganti 提议将人工智能作为这一过程的解决方案,并提出将光学字符识别 (OCR) 作为 RPA 的基本增强功能的论点。

事实上,OCR 通过向非结构化数据开放 RPA 对企业产生了影响。 人工智能驱动的 RPA OCR 工具可以从印刷文件甚至书面文本中读取信息。 OCR 集成为 RPA 提供了三个主要机会。

  • OCR 对结构化数据进行编码,使 RPA 能够处理不可预测的输入数据
  • RPA 可通过解读远程机器各自屏幕上的内容实现自动化
  • OCR 与机器学习相结合,可通过扫描文件帮助了解客户 (KYC)、反洗钱 (AML) 和欺诈检测。 技术的学习和决策可以与 RPA 相结合,从而更快地完成开户、入职、贷款决策等工作。

 

2.机器学习和 RPA

 

机器人流程自动化和机器学习是利用人工智能克服 RPA 固有局限性的另一个例子。 早在 2016 年,保险行业的自动化专家就已经发现 认知机器人流程自动化 (RPA) 的可能性。 在该论文中,作者讨论了 “自我优化的客户服务、贷款定价、金融建议或索赔或投诉处理 “等可能的前景。

机器人流程自动化机器学习工具在短短时间内就变得非常普遍,这无疑是一种进步,也是一种有趣的现象。

机器学习无处不在。 它描述了通过明确的编程指令教机器执行任务的过程。 大家可能都知道,这涉及到机器使用算法来分析数据集并找出其中的模式。 一旦经过训练,机器就能处理其他数据,并提出见解和预测。

RPA 和机器学习是绝配,因为这意味着 RPA 变得更智能、更直观,并且能够处理非结构化数据。

 

3.使用深度学习的 RPA

 

机器学习是人工智能的一个子集,而深度学习则是机器学习的一个子集。 对某些人来说,深度学习和机器学习之间的区别可能很微妙,但这一点值得探讨。 机器学习通过数据训练来帮助决策和预测。

然而,随着时间的推移,这种技术通常缺乏自我改进的能力。 相比之下,深度学习涉及使用神经网络来学习和提高性能。 换句话说,得益于深度学习技术,RPA 和 ML 可结合起来构建自动化,并通过体验变得更好。

IS YOUR COMPANY IN NEED OF

ENTERPRISE LEVEL

TASK-AGNOSTIC SOFTWARE AUTOMATION?

当然,深度学习需要大量数据才能实现这一功能。 在人工智能与 RPA 深度共生的另一个例子中,机器人非常适合帮助完成收集这些训练数据的繁琐过程。 RPA 工具可以访问各种网站和其他信息库来收集这些信息,从而确保深度学习算法有大量数据可供改进。

深度学习还能让机器人利用预测分析的优势。 当 RPA 遇到异常情况时,它可以将其与预期或意外模式相匹配,从而消除对人工干预的依赖。

当智能机器人能够做出数据驱动的决策时,它们就能以最佳方式响应客户。 RPA 应用中的一个例子是情感分析工具,它使用自然语言处理 (NLP) 来解码消费者的情绪。 反过来,机器人也可以调节自己的反应,以达到合适的效果。 这种活力可以极大地克服感同身受的人工客户服务与机械化客户服务之间的差距。

 

4.RPA 和图像识别

 

将 RPA 与图像识别软件搭配使用是利用人工智能克服 RPA 无法处理杂乱或非结构化数据的另一个例子。 在文件中
人工智能技术在 RPA 软件机器人自动化业务流程领域的分析和适用性
(卡纳科夫,2022 年)中,作者概述了 RPA 和图像识别在自动化招聘背景调查或协助欺诈检测方面的一些令人着迷的用途。

卡纳科夫提出的其他用例还包括将人脸识别技术用于建筑安全,RPA 工具与摄像头相连。 应用真是无穷无尽。 例如,无人机或摄像机可以扫描各种环境,查找异常情况。 一旦发现问题,RPA 系统就会向有关方面报告,确保迅速采取补救措施。

 

5.采用生成式人工智能的 RPA

 


福布斯》的一篇文章中
在比较 RPA 和生成式人工智能时,戴尔公司的 Clint Boulton 使用了一个绝妙的比喻。 他建议说:”在晚会上,RPA 可以检查来宾名单、清点门票并监控房间容量、供暖和照明等情况。 然后,他说:”与此同时,生成式人工智能正在为活动制作广告,为获奖者撰写贺词,并与每位来宾进行对话”。

这个比喻的强大之处在于,它完美地捕捉到了我们在过去一年多时间里观察到的一些现象。 生成式人工智能是如此有趣和强大,以至于我们不禁对它的产出感到惊叹。 然而,如果没有人(RPA)在后台辛苦地执行琐碎的任务,就不可能有活动,至少不可能有功能性的活动。

根据 Gartner 的说法,生成式人工智能提供了很多选择。 它可以快速生成书面内容、图片、视频、音乐甚至代码。 有些可能性是显而易见的,例如对话式客户服务。

但是,增强型聊天机器人只是一个开始;RPA 和生成式人工智能的其他用例包括帮助 RPA 理解多种形式的非结构化数据,甚至增强 RPA 的决策、数据分析等功能。

 

6.参加自动化

 

您可以将自动化分为两类:有人值守和无人值守。 正如您所想的那样,无人值守自动化意味着机器人无需任何人工输入即可执行程序。 与此相反,”有人员参与的自动化 “描述的是至少在一个步骤中需要人工互动的任务。

有几种可行的方法。 例如,自动流程可能需要手动触发。 另外,其中一个步骤可能在过程中需要安全证书。 不过,由于有了机器人桌面自动化(RDA),在这里可以进行更复杂的协调。

机器人桌面自动化(RDA)是一种参与式自动化。 不过,由于采用了人工智能工具(如 ML 和光学字符识别),这些机器人可以动态地将多个工作流程拼接在一起,不断为单个用户自动执行各种任务。 在这种情况下,RDA 机器人就像一个虚拟助理,在人类操作员与客户交谈时检索数据、发送文件和生成报告。

 

7.自愈机器人

 

A
2022 年 RPA 状况调查
揭示了影响一些采用 RPA 解决方案的企业的一个问题。 超过 69% 的受访者表示,他们每周都会遇到一个坏掉的 RPA 机器人。 更糟糕的是,超过 40% 的受访者表示修复机器人需要 5 小时以上,其他受访者则表示修复时间可能超过一天。

这些数字高得令人无法接受。 不过,调查并没有涉及问题的具体细节。 RPA 失败的常见原因包括输入更改、机器人遇到异常情况、数据不完整、测试不完善或缺乏维护等等。

自愈式 RPA 是指无需人工输入就能自我修复的系统。

通过人工智能算法监控自动化任务的执行情况,自修复 RPA 机器人成为可能。 一旦出现问题,这些有用的工具就会立即发挥作用,找出根本原因并进行修复。 这样做的好处是提高了性能,增加了正常运行时间。

 

8.智能加工采矿

 

RPA 背景下的流程挖掘包括发现企业可以自动化的任务。 通过使用人工智能的高级分析功能,团队可以挖掘业务工作流程,找到可以自动化的任务,并对自动化的影响进行预测。

流程挖掘使用 ML 和数据分析。 例如,它使用屏幕录制软件捕捉工作流程数据,并将其分解为多个步骤。 然后,ML 或分析工具运行这些任务的模型,并找到可转化为自动化流程的领域。 人工智能工具能让企业更好地监督和了解任务,使其能够识别依赖关系、瓶颈和低效。

将 RPA 和流程挖掘结合在一起非常强大,因为它可以帮助企业发掘他们可能无法发现的流程。 这意味着您可以从 RPA 投资中获得更多价值,并进一步增强 RPA 的其他优势,如降低成本和提高生产力。

您可能会注意到的另一点是,流程挖掘可以缩短发现适当 RPA 流程的时间。 这意味着您可以更快地开始实施。

 

9.软件测试自动化

 

在过去几十年里,软件开发商和出版商提供了一些最具颠覆性的技术。 然而,他们的行业本身也经历了一场革命。 DevOps 和敏捷方法有助于开发人员满足对快速、持续改进产品的需求,而 CI/CD 管道也有助于加快产品上市时间。

对于特定类型的软件测试而言,RPA 是一种绝佳的工具。 麦肯锡认为,下一代软件开发在以下方面仅次于人工智能 2023 年最大的技术趋势. 由 RPA 和人工智能驱动的软件测试自动化将走在这一趋势的前列,生成式人工智能将编写代码,而无代码工具也欢迎非技术团队加入。

正如该咨询公司的合伙人圣地亚哥-科梅拉-多尔达(Santiago Comella-Dorda)所说:”开发人员或许是现代数字企业最宝贵的资产之一,但他们却将 40% 以上的时间花在重复性、低价值的任务上,而这些任务本可以通过一套现代工具轻松实现自动化。

 

10.RPA 智能自动化

 

人工智能 机器人流程自动化(Robotic Process Automation),又称智能流程自动化(Intelligent Process Automation,IPA),被认为是自动化的下一个阶段。 它采用了 RPA 技术,并通过人工智能增加了认知能力。 它可以将 RPA 与上述所有或部分其他人工智能技术结合起来。


IBM对C-Suite高管的一项调查显示
90%的受访者认为,智能自动化帮助他们 “在管理组织变革以应对新兴业务趋势方面的表现高于平均水平”。 这种看法说明,RPA 和人工智能有能力创建灵活、强大的解决方案,从而提供真正的竞争优势。

企业界对 COVID-19 大流行病的反应就证明了 RPA 和人工智能带来组织变革的力量。 采用机器人流程自动化技术确保 COVID-19 大流行期间的业务流程 (Siderska,2021 年)显示,在所研究的波兰企业中,有 60% 的企业借助 RPA 工具实现了业务连续性。 根据研究,人工智能和分析技术是主要的贡献者。

在最近的一项
调查
有 80% 的高管认为,自动化可以应用于任何业务流程。 这一统计数字充分证明了 RPA 与人工智能结合使用的威力。 如果没有人工智能对 RPA 的增强,无法想象这一数字会如此之高。

至于未来,对
神经形态处理
– 这是一种基于大脑结构的信息处理系统,可以提高认知能力和机器智能。 令人兴奋的是,这些智能模型所需的训练数据要少得多,这意味着它们可以为企业所用。

 

人工智能驱动的 RPA 将如何改变未来

工作与社会

智能流程自动化与 RPA - 差异、共性、工具与交叉/重叠

人工智能流程自动化工具才刚刚热身。 以下是人工智能将进一步影响自动化的一些领域。

 

1.工业 4.0

 

第一次工业革命以蒸汽为动力,第二次工业革命以电力为动力。 20 世纪 70 年代,数字技术促成了第三次工业革命。 说到第四次工业革命(又称工业 4.0),有几种候选技术,如数字双胞胎、虚拟现实、物联网(IoT)、人工智能和 ML,甚至 3D 打印。

然而
IMD 全球供应链调查
从 2022 年的数据中可以看出一个令人担忧的事实。 在受访的 200 多名制造业高管中,只有极少数人将工业 4.0 相关技术列为重中之重。 这与 2019 年的情况大相径庭,当时 在麦肯锡的一项调查中,68% 的受访者认为工业 4.0 是最重要的战略优先事项。

在研究论文中 机器人流程自动化和人工智能在工业中的应用 4.0 – 文献综述 (Riberio, 2021),作者指出,”鉴于人工智能的适用范围,RPA 在其自动化功能中逐渐增加了在某些情况下(如企业资源规划、会计、人力资源)应用的算法或人工智能技术的实现,以进行分类、识别、归类等”。

随着技术的不断发展,新的工具和可能性将帮助工业 4.0 成为人工智能驱动的现实。

 

2.超自动化

 

超自动化是自动化的自然发展。 不过,它不是实现某项任务或业务流程的自动化,而是力求在整个组织内扩展自动化能力。 最终版本将是一个完全互联、基本自主的企业,其工作流程和决策将变得精简、敏捷和灵活。

 

超自动化涉及多种技术的组合。 这包括:

  • 机器人流程自动化
  • 人工智能
  • 业务流程自动化(BPA)
  • ML
  • 智能文件处理(IDP)
  • 工作流程协调
  • 工艺采矿
  • 自然语言处理(NLP)
  • 组织的数字孪生 (DTO)
  • 对话式 RPA
  • 计算机视觉 RPA

 

正如论文中提出的 超自动化技术提高工业自动化水平 (Haleem, 2021),”通过混合自动化技术,超自动化可以克服单一自动化设备方法的一些限制。这使企业能够超越每个流程的限制,实现几乎所有艰巨和可扩展操作的自动化”。

 

3.减少对专家的依赖

 

近年来软件开发的蓬勃发展暴露出一个问题。 虽然对应用程序和移动技术的需求不断增长,但供应却难以跟上。 软件开发人员供不应求,这意味着许多职位连续数月无人问津。

由于六位数的高薪职位正等待着合格的求职者,你可能会认为人们只需进行再培训就能获得回报。 学校和大学也受到了审查,政府认为它们在鼓励学生学习 STEM 课程方面做得不够。 然而,现实情况是,编码很难。 只有一小部分人具备从事这项工作的能力。

随着我们的世界日益数字化,编码员短缺很可能被视为我们没有注意到的一个警告。 值得庆幸的是,人工智能驱动的自动化可以为这一问题提供解药。

领导职位要求兼具管理技能和深厚的学科知识。 阅读和学习只是高管和高级团队成员对组织有价值的一部分。 然而,随着越来越多的行业拥抱技术,这一人才库将逐渐枯竭。

人工智能分析可以利用海量历史数据,找到洞察力和潜在关系,并进行预测。 这些工具将有助于缩小经验差距。 它还可以使精明的决策民主化,而这种决策以前是拥有巨额预算的企业的专利。

虽然经验丰富的决策者和战略家永远不会过时,但由机器学习(ML)和数据分析驱动的超自动化业务将日以继夜地运行,根据人类无法有意识考虑的因素做出选择。

麦肯锡认为,知识工作自动化已指日可待. 法律、经济、教育、艺术和技术都将经历颠覆,而这些颠覆以前被认为只会危及技术含量较低的工作。 不过,这对普通劳动力意味着什么还有待确定。

 

4.提高政府效率

 

政府支出是一个常年备受争议的问题。 在全世界范围内,民主政府都以机构臃肿和开支不当而著称。 每
根据知名的布鲁金斯学会的研究
美国政府机构正在拥抱人工智能和 RPA。

食品药品管理局、社会保障部、国防后勤局和财政部等不同部门都采用了人工智能和 RPA 来提高生产率,降低基本服务成本。 此外
美国技术委员会和行业咨询委员会(ACT-IAC)的调查报告
展示了十几个政府组织的使用案例。

一个更高效、更具成本效益的政府可以对整个社会产生变革性影响。 服务可以变得更加高效和有效,税收可以被用于改变数百万人生活的计划。 然而,这种广泛的采用凸显了消除以下现象的重要性
人工智能中的偏见、
尤其是当世界各国政府利用这项技术来推动政策决策时。

 

最后的想法

澄清软件测试自动化中的一些困惑

人工智能对 RPA 技术产生了深远的影响。 早期的自动化工具能够处理工作场所中大量繁琐的日常工作。 然而,随着人们对自动化的集体需求不断增长,RPA 也遇到了限制。 人工智能正在打破这些障碍。

将 RPA 与人工智能相结合,可以拓展这两种工具的潜力。 企业已经从智能自动化中获得了回报,如改善客户服务、提高组织效率和降低运营成本。 人工智能开辟了 RPA 的发展空间,而这在十年前似乎是不可能的。

然而,机器人流程自动化和人工智能的故事还不止于此。 在迈向超自动化时代的过程中,我们还将取得更多成果。 这将是一次狂野的旅程,所以千万别落在后面。

Download post as PDF

Alex Zap Chernyak

Alex Zap Chernyak

Founder and CEO of ZAPTEST, with 20 years of experience in Software Automation for Testing + RPA processes, and application development. Read Alex Zap Chernyak's full executive profile on Forbes.

Get PDF-file of this post