将机器学习模型无缝集成到业务流程中,助力企业加速自动化

在过去的十年里,人工智能(AI)已经在教科概念中逐渐形成,同时在各行各业已得到应用。不论是初创公司还是各大企业,许多公司现在都认识到了数据的价值,以及了解到如何使用数据去实现流程自动化、降低成本和增加收入。

但尽管如此,近90%的机器学习(ML)模型依然无法投入生产,并被企业所合理利用。这不仅是个别公司会遇到的技术问题,而是我们立足于整个行业以及人工智能社区,所得到的反馈。

在本文中,UiPath首席产品经理Shivaraman Shankar将带我们了解如何真正地使用ML模型,以及如何利用UiPath业务自动化平台功能促进智能业务解决方案的产品化。

使用ML模型推动业务流程

通常,为了构建ML模型,数据科学家会收集或合成数据,设计特征,训练ML模型,部署它进行推理。当然,这些复杂的流程这并不意味着ML模型整体流程的结束。

现在,许多人工智能平台能够构建最先进的ML模型,却很少有人能够具有战略性思维并将该模型应用于解决业务需求的解决方案中。因为ML模型本身可以检测异常、理解文本或推荐产品,所以为了应用这种智能技术,我们应当使ML模型与能够处理认知并触发下游流程(如停止生产、发送发票或发布线上内容)的系统连接起来。

以下是可以将ML模型从停滞推向生产的方法:

01

通常没有单一的模型来完成一个解决方案。ML是关于工作流程(数据流)的。即使简单的用例通常也需要至少几个ML模型一起工作。在某些情况下,添加额外的分类器模型有助于优化下游模型的性能。

02

整合是关键。ML模型应该无缝地适应你现有的商业环境。业务规则充当模型预测的超控装置或阈值,而业务应用程序使用模型预测来触发衍生操作。

03

了解何时部署。如果与人工审查和反馈流程相结合,有可接受性能的模型仍然可以节省大量的时间和资源。这保留了首次部署时的人工控制,支持生产中的验证,并随着时间的推移优化模型性能。

让我们举一个简单的电子邮件分类用例。目标是解析来自客户的电子邮件,并在要表示感谢时回复对方一封“感谢”电子邮件。或者,如果该电子邮件是一封投诉邮件,则可以提交一份包含适当信息的服务单。 

为了建立这一点,我们从收集电子邮件、清理和标记数据、训练情感分类器和命名实体识别(NER)模型开始。在循环过程中人工检查低置信度预测可以减少工作流错误并随着时间的推移优化模型预测。但还不止于此。

将该解决方案产品化的过程中还需要将ML模型相互连接,通过最小量的流程重新设计与业务规则和应用程序连接。并且,在这种情况下,业务规则可覆盖战略客户的优先级,业务操作即可发送电子邮件和创建服务票据。

目前,完整的工作流程(包括最后一英里的连接)是我们认为UiPath业务自动化平台最适合解决的问题。

现在,在UiPath平台上,已有三个产品功能可以解决上述讨论的所有挑战。

1、UiPath AI Center

AI Center以最快的速度打包了从原始文本、文档或图像数据到ML模型所需的一切。数据管理和标记、预建模型和人工智能解决方案模板都可以在一个无代码的界面中使用。即使您不是数据科学家,该界面也可以快速轻松地构建自然语言处理(NLP)或计算机视觉模型。无论您选择现成的(预训练的)模型还是导入您自己的模型,训练、部署和重新训练模型所需的所有资源都在一个简单直观的界面之下为您处理。

2、UiPath Studio

UiPath Studio是机器人流程自动化(RPA)构建器画布,包含条件、循环、与业务应用程序的集成,现在拥有人工智能的超强能力。在Studio中,可以拖拽用AI中心构建的ML技能。或者加入自己在其他AI平台上训练和部署的模型。

Studio中提供的灵活性、连接器和定制使您能够立即将智能添加到现有的工作流中,而不必重新设计业务流程来与AI集成。

3、UiPath Action Center 

而Action Center与AI Center和Studio相连,则能够促进人与机器人的协调。可以将Action Center设置为接收队列中的任务(低置信度预测)以供审查,还具有自动暂停和恢复、工作量管理等功能。并且人类的反馈也有助于重新训练模型、提高预测的准确性。

利用UiPath平台加速企业自动化

利用UiPath AI Center、Studio和Action Center即可减少接触点和摩擦,使强大的自动化无缝运行。从简单的工作流到最复杂的工作流,UiPath所提供的技术将快速扩展以满足您的业务需求和规模,从而为您的企业创造更多价值。

声明:
1.本内容作为作者独立观点,不代表RPA学习天地立场,RPA学习天地仅提供信息存储空间服务。
2.未经允许不得转载,如需转载和授权,请联系工作客服微信号。
3.如果对本稿件有异议或投诉,请联系邮箱或工作客服微信号。
作者:RPA学习天地,如若转载,请注明出处:https://www.rpa-learning.com/rpa-learning/5974

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注