Салют, хабровчане! В марте OTUS запускает новый курс «Разработчик программных роботов (RPA) на базе UiPath и PIX». В преддверии старта курса мы перевели для вас полезный материал о том, что будет, если интегрировать RPA в машинное обучение.
Роботизированная автоматизация процессов (RPA) подняла шумиху во многих отраслях промышленности. Поскольку бизнес сосредоточен на цифровых инновациях, автоматизация выполнения повторяющихся задач в целях повышения эффективности и снижения ошибок по вине человеческого фактора является приоритетным направлением.
Роботы не устанут, не заскучают и будут четко выполнять задания, чтобы помочь своим коллегам-людям повысить производительность и освободить время для выполнения более высокоуровневых задач.
Помимо простого RPA, интеллектуальная автоматизация может быть достигнута путем интеграции машинного обучения и искусственного интеллекта в роботизированную автоматизацию процессов для автоматизации повторяющихся задач с дополнительным слоем человекоподобного восприятия и прогнозирования.
Согласно основной идее RPA не предназначена для подражания человеческому интеллекту. Как правило она просто подражает примитивной человеческой деятельности. Другими словами, RPA не имитирует человеческое поведение, она имитирует человеческие действия. Поведение подразумевает разумный выбор из спектра возможных вариантов, тогда как действие – это просто движение или выполнение процесса. Процессы RPA чаще всего управляются заранее определенными бизнес-правилами, которые могут быть строго определены, поэтому RPA обладает ограниченными возможностями для работы с неоднозначными или сложными средами.
Вы также можете прочитать о том, как объединять ИИ и RPA, чтобы создавать интеллектуальную автоматизацию.
С другой стороны, искусственный интеллект представляет собой имитацию машиной человеческого интеллекта, что подразумевает наличие более широкого спектра возможных выходных данных и результатов. ИИ – это одновременно и механизм интеллектуального принятия решений, и имитация человеческого поведения. В то же время машинное обучение – это необходимая ступень на пути к созданию искусственного интеллекта. Оно способствует появлению дедуктивной аналитики и прогностических решений, которые все ближе приближаются к результатам, которые можно было бы ожидать от человека.
Ассоциация IEEE Standards в июне 2017 года опубликовала свое руководство IEEE по правилам и концепциям в области интеллектуальной автоматизации. В нем роботизированная автоматизация процессов определяется как «предварительно сконфигурированный экземпляр программного обеспечения, который использует бизнес-логику и предопределённую хореографию действий для полноценного автономного выполнения комбинации процессов, действий, транзакций и задач в одной или нескольких несвязанных программных системах для предоставления результата или услуги с возможностью управления человеком в исключительных случаях.»
Другими словами, RPA – это просто система, которая может многократно и без сбоев выполнять определенный набор задач, поскольку ее можно запрограммировать для выполнения такого вида работы. Однако RPA не может применять функцию обучения, чтобы модифицировать себя или адаптировать свои навыки к другому набору условий, и именно тут машинное обучение и искусственный интеллект наиболее интенсивно способствуют созданию более интеллектуальных систем.
Интеллектуальная автоматизация – это термин, который может быть применен к более сложной области континуума автоматизации рабочих процессов, состоящего из роботизированной автоматизации рабочего места, роботизированной автоматизации процессов, машинного обучения и искусственного интеллекта. В зависимости от типа бизнеса компании часто используют один или несколько типов автоматизации для повышения эффективности или результативности. По мере перехода от автоматизации, управляемой процессами, к более гибкой автоматизации, управляемой данными, возникают дополнительные затраты в виде обучающих наборов данных, технического развития, инфраструктуры и специальных знаний. Но потенциальные выгоды с точки зрения новых идей и финансового развития могут значительно возрасти.
Теперь компании должны рассмотреть возможность интеграции машинного обучения и искусственного интеллекта с традиционными RP для достижения интеллектуальной автоматизации, чтобы оставаться конкурентоспособными и работать эффективно.
В рамках интеллектуальной автоматизации обучающие данные являются центральным компонентом, от которого зависит все остальное. В таких отраслях, как автономное вождение и здравоохранение, где решения принимаемые ИИ/ML, могут иметь серьезные последствия, точность тренировочных данных, которые информируют об этих типах решений, имеет решающее значение. Поскольку точность современных моделей искусственного интеллекта и машинного обучения, которые используют нейронные сети и глубокое обучение, приближается к 100%, эти механизмы работают автономнее, чем когда-либо, и могут принимать решения без вмешательства человека. Небольшие отклонения или неточности в тренировочных данных могут иметь фатальные и непредвиденные последствия. Таким образом, целостность и точность данных становится все более важным аспектом, поскольку люди начинают больше полагаться на решения, принимаемые умными машинами для сложных задач.
Целостность данных включает в себя наличие репрезентативных исходных данных, точную разметку этих данных перед этапом обучения, тестирование и развертывание модели машинного обучения. Итеративный рабочий процесс подготовки данных, инженерии признаков, моделирования и валидации это стандартный план работы при обработке данных.
Любой специалист по Data Science скажет вам, что наличие хорошо размеченных обучающих данных, возможно, самый важный ингредиент в приготовлении модели. Примерами «грязных» данных могут быть отсутствующие, необъективные данные, выбросы или просто наборы данных, которые не являются репрезентативными для данных, с которыми будет вестись работа на продакшене. Инженерия признаков также является важным этапом в процессе машинного обучения, т.е. выбор характеристик данных, которые вероятно окажутся наиболее важными для обеспечения точности прогнозирования данной модели. В нейронной сети, где параметры накладываются один на другой, правильное определение ключевых признаков в каждой итерации имеет решающее значение для успешного построения модели. Плохие тренировочные данные могут привести к неправильному выбору или взвешиванию признаков, что в свою очередь приведет к формированию моделей, которые не могут быть использованы для более широкой совокупности данных с продакшена.
Например, для модели, которая обнаруживает отдельные органы на МРТ, нужно сделать выборку репрезентативных обучающих изображений с определенного аппарата МРТ, а затем точно выделить интересующие конкретные области каждого органа, что приведет к улучшению результата распознавания, вместо простого использования фотографий этих органов из общедоступных источников. Еще одним примером может служить система расчетов с поставщиками, которая использует оптическое распознавание символов (OCR) для программного извлечения соответствующей информации из счетов-фактур. Ключевые поля в каждом счете-фактуре, такие как «Адрес», «Имя» и «Итог» должны быть четко отделены от тела различных типов счетов-фактур, чтобы модель могла работать точно и эффективно. Если эти элементы размечены не полностью или неверно, то точность полученной модели будет страдать.
Современные модели искусственного интеллекта и машинного обучения отличаются от человеческого интеллекта тем, что они полностью зависят от исходных данных и обычно не имеют автоматического рекурсивного механизма получения и обработки новых данных для коррекции курса, то есть непрерывного переобучения. Это значит, что плохо сбалансированные данные, полученные во время обучения, могут со временем привести к непредвиденному уклону и к неожиданным (а порой оскорбительным) результатам. Когда в системе появляется значительное количество предубеждений, становится трудно полагаться на принимаемые этой системой решения.
Точные обучающие данные лежат в основе большинства успешных проектов в области Data Science. С точной аннотацией данных модели машинного обучения и модели искусственного интеллекта могут принимать более точные решения, а в сочетании с фундаментальными процессами RPA компании могут достичь по-настоящему интеллектуальной автоматизации.
На этом все. Если вы дочитали статью до конца, приглашаем на бесплатный урок, в рамках которого вы научитесь писать робота на UiPath, который считает данные из csv и xlsx и автоматизируете отправку результатов по электронной почте.
Роботизированная автоматизация процессов (RPA) подняла шумиху во многих отраслях промышленности. Поскольку бизнес сосредоточен на цифровых инновациях, автоматизация выполнения повторяющихся задач в целях повышения эффективности и снижения ошибок по вине человеческого фактора является приоритетным направлением.
Роботы не устанут, не заскучают и будут четко выполнять задания, чтобы помочь своим коллегам-людям повысить производительность и освободить время для выполнения более высокоуровневых задач.
Помимо простого RPA, интеллектуальная автоматизация может быть достигнута путем интеграции машинного обучения и искусственного интеллекта в роботизированную автоматизацию процессов для автоматизации повторяющихся задач с дополнительным слоем человекоподобного восприятия и прогнозирования.
Разница между RPA и Искусственным Интеллектом
Согласно основной идее RPA не предназначена для подражания человеческому интеллекту. Как правило она просто подражает примитивной человеческой деятельности. Другими словами, RPA не имитирует человеческое поведение, она имитирует человеческие действия. Поведение подразумевает разумный выбор из спектра возможных вариантов, тогда как действие – это просто движение или выполнение процесса. Процессы RPA чаще всего управляются заранее определенными бизнес-правилами, которые могут быть строго определены, поэтому RPA обладает ограниченными возможностями для работы с неоднозначными или сложными средами.
Вы также можете прочитать о том, как объединять ИИ и RPA, чтобы создавать интеллектуальную автоматизацию.
С другой стороны, искусственный интеллект представляет собой имитацию машиной человеческого интеллекта, что подразумевает наличие более широкого спектра возможных выходных данных и результатов. ИИ – это одновременно и механизм интеллектуального принятия решений, и имитация человеческого поведения. В то же время машинное обучение – это необходимая ступень на пути к созданию искусственного интеллекта. Оно способствует появлению дедуктивной аналитики и прогностических решений, которые все ближе приближаются к результатам, которые можно было бы ожидать от человека.
Ассоциация IEEE Standards в июне 2017 года опубликовала свое руководство IEEE по правилам и концепциям в области интеллектуальной автоматизации. В нем роботизированная автоматизация процессов определяется как «предварительно сконфигурированный экземпляр программного обеспечения, который использует бизнес-логику и предопределённую хореографию действий для полноценного автономного выполнения комбинации процессов, действий, транзакций и задач в одной или нескольких несвязанных программных системах для предоставления результата или услуги с возможностью управления человеком в исключительных случаях.»
Другими словами, RPA – это просто система, которая может многократно и без сбоев выполнять определенный набор задач, поскольку ее можно запрограммировать для выполнения такого вида работы. Однако RPA не может применять функцию обучения, чтобы модифицировать себя или адаптировать свои навыки к другому набору условий, и именно тут машинное обучение и искусственный интеллект наиболее интенсивно способствуют созданию более интеллектуальных систем.
Управление процессом или управление данными?
Интеллектуальная автоматизация – это термин, который может быть применен к более сложной области континуума автоматизации рабочих процессов, состоящего из роботизированной автоматизации рабочего места, роботизированной автоматизации процессов, машинного обучения и искусственного интеллекта. В зависимости от типа бизнеса компании часто используют один или несколько типов автоматизации для повышения эффективности или результативности. По мере перехода от автоматизации, управляемой процессами, к более гибкой автоматизации, управляемой данными, возникают дополнительные затраты в виде обучающих наборов данных, технического развития, инфраструктуры и специальных знаний. Но потенциальные выгоды с точки зрения новых идей и финансового развития могут значительно возрасти.
Теперь компании должны рассмотреть возможность интеграции машинного обучения и искусственного интеллекта с традиционными RP для достижения интеллектуальной автоматизации, чтобы оставаться конкурентоспособными и работать эффективно.
Интеллектуальная автоматизация
Интеллектуальная автоматизация полагается на целостность данных
В рамках интеллектуальной автоматизации обучающие данные являются центральным компонентом, от которого зависит все остальное. В таких отраслях, как автономное вождение и здравоохранение, где решения принимаемые ИИ/ML, могут иметь серьезные последствия, точность тренировочных данных, которые информируют об этих типах решений, имеет решающее значение. Поскольку точность современных моделей искусственного интеллекта и машинного обучения, которые используют нейронные сети и глубокое обучение, приближается к 100%, эти механизмы работают автономнее, чем когда-либо, и могут принимать решения без вмешательства человека. Небольшие отклонения или неточности в тренировочных данных могут иметь фатальные и непредвиденные последствия. Таким образом, целостность и точность данных становится все более важным аспектом, поскольку люди начинают больше полагаться на решения, принимаемые умными машинами для сложных задач.
Точные модели машинного обучения требуют точных обучающих данных
Целостность данных включает в себя наличие репрезентативных исходных данных, точную разметку этих данных перед этапом обучения, тестирование и развертывание модели машинного обучения. Итеративный рабочий процесс подготовки данных, инженерии признаков, моделирования и валидации это стандартный план работы при обработке данных.
Любой специалист по Data Science скажет вам, что наличие хорошо размеченных обучающих данных, возможно, самый важный ингредиент в приготовлении модели. Примерами «грязных» данных могут быть отсутствующие, необъективные данные, выбросы или просто наборы данных, которые не являются репрезентативными для данных, с которыми будет вестись работа на продакшене. Инженерия признаков также является важным этапом в процессе машинного обучения, т.е. выбор характеристик данных, которые вероятно окажутся наиболее важными для обеспечения точности прогнозирования данной модели. В нейронной сети, где параметры накладываются один на другой, правильное определение ключевых признаков в каждой итерации имеет решающее значение для успешного построения модели. Плохие тренировочные данные могут привести к неправильному выбору или взвешиванию признаков, что в свою очередь приведет к формированию моделей, которые не могут быть использованы для более широкой совокупности данных с продакшена.
Например, для модели, которая обнаруживает отдельные органы на МРТ, нужно сделать выборку репрезентативных обучающих изображений с определенного аппарата МРТ, а затем точно выделить интересующие конкретные области каждого органа, что приведет к улучшению результата распознавания, вместо простого использования фотографий этих органов из общедоступных источников. Еще одним примером может служить система расчетов с поставщиками, которая использует оптическое распознавание символов (OCR) для программного извлечения соответствующей информации из счетов-фактур. Ключевые поля в каждом счете-фактуре, такие как «Адрес», «Имя» и «Итог» должны быть четко отделены от тела различных типов счетов-фактур, чтобы модель могла работать точно и эффективно. Если эти элементы размечены не полностью или неверно, то точность полученной модели будет страдать.
Проблема с объективностью
Современные модели искусственного интеллекта и машинного обучения отличаются от человеческого интеллекта тем, что они полностью зависят от исходных данных и обычно не имеют автоматического рекурсивного механизма получения и обработки новых данных для коррекции курса, то есть непрерывного переобучения. Это значит, что плохо сбалансированные данные, полученные во время обучения, могут со временем привести к непредвиденному уклону и к неожиданным (а порой оскорбительным) результатам. Когда в системе появляется значительное количество предубеждений, становится трудно полагаться на принимаемые этой системой решения.
Хорошая аннотация данных приводит к высококачественному интеллектуальному RPA
Точные обучающие данные лежат в основе большинства успешных проектов в области Data Science. С точной аннотацией данных модели машинного обучения и модели искусственного интеллекта могут принимать более точные решения, а в сочетании с фундаментальными процессами RPA компании могут достичь по-настоящему интеллектуальной автоматизации.
На этом все. Если вы дочитали статью до конца, приглашаем на бесплатный урок, в рамках которого вы научитесь писать робота на UiPath, который считает данные из csv и xlsx и автоматизируете отправку результатов по электронной почте.
