数据科学家莫挨我的RPA项目，你的方式很可能毁了它

全文共1632字，预计学习时长6分钟

 

图源：unsplash

 

随着机器人流程自动化（RPA）企业软件的迅速发展，很多大型企业都将人工操作任务进行自动化，避免更新遗留系统所带来的昂贵成本。

 

今天的主流RPA仍然主要涵盖简单的任务，而非流程。操作简便，不用投入大量的开发成本就能达到为公司节省开支的目的，这正是许多公司看重RPA的首要一点。

 

与此同时，很多RPA团队正在思考的是“接下来会发生什么”。在现实生活中，流程有基于判断的决策点，它们可以处理非结构化数据，有例外但也在不断发展。这些复杂性是RPA的致命弱点。

 

使用基于规则的逻辑能走多远是有限制的，直到遇到了不可能的障碍，然后意识到这个东西挑战性太大，以至于它抵消了自动化带来的好处。

 

AI解决了这个问题。但是如果所有的话题都是关于OCR和文档理解的话，我们就无法在这方面走的更远，这似乎会抢走RPA平台提供商AI计划的大部分注意力。

 

它还有很多功能。例如，验证和修复输入数据，在缺少共享标识符的系统之间匹配数据集，检测异常防止错误，并自动执行有人干预的机器人做出的重复性或“认知”性决策。

 

 

RPA领域的领军人物怎么说?

 

虽然我与RPA领导人的讨论样本在统计上很难具有代表性，但我认为说其中存在问题是一个公平的假设。一些RPA团队领导这样说：

 

“我们已经在RPAbacklog上实现了自动化一年多了，尝试了一些东西，但是机器学习部分没有完成。”

 

“很难将数据科学项目融入我们的敏捷3周机器人开发冲刺中。”

 

“我们的数据科学团队就像一个黑洞。你提出了一个想法，六个月后你就建立了一个数据管道。”

 

不可否认，当RPA程序变得越来越复杂时，机器学习是必不可少的。然而，很多人都认为数据科学不能满足RPA的需要。可用性低，工具使项目变得冗长，引入更多的技术专家增加了沟通的挑战。

 

图源：unsplash

 

数据科学家的思维倾向于探索性的项目，而RPA工程师需要快速的解决方案来处理待办事项。因此，对于许多RPA用例来说，成本太高了。在“AI与RPA的契合度”方面，二者存在着10 - 100倍的差距。

 

我相信数据科学作为一种技能集是非常需要的，永远有一个地方适合它，但在不把科学引入每个项目的情况下，我们还有很多事情可以做。不要让这种不匹配毁了自动化项目。

 

 

现有的解决方案

 

在最近的社交广告峰会RPA 2020会议上，爱立信自动化与人工智能改造总监Kanda Kumar提出了“用民主化扩展能力”的想法，这令人兴奋。实际上，如果从当前现状要到充分发挥潜力，目前还有两种方法:

 

· 借助AutoML和MLops平台等工具强化数据科学家，帮助他们实现更多目标。

 

· 领域内专家配备了相关工具，他们不必为“ML部件”分离出一个单独的项目就可以达到他们的目标。

 

手绘还原的2020年5月20日沙发峰会上Kanda的幻灯片

 

我相信目前仍然存在巨大的机遇，尤其是第二点。一个领域专家有能力解决问题，这作为其日常工作流程的一部分是有不可否认的好处。

 

除了允许更复杂的自动化工作流程的成本效益开发之外，它还支持敏捷开发，这种开发不受外部团队、他们的工作方式和积压的约束。

 

与其把你的自动化项目扔进数据科学的黑洞，还不如先看看你自己能做什么。你会发现。你可以使用高效和容易使用的工具。以下是我列出的需要考虑的六个特性：

 

· 其成本不会减少RPA预算

· 它为用户减轻了数据争论和特性工程的负担。

· 无需用户明确选择算法，尤其是优化算法，即可工作。

· 预测准确性清晰透明，让机器人有信心确定下一步。

· 扩展过去的初始数据集:在生产中对新数据摄入进行自动化和更新预测。

· 用户体验为目标用户提供服务：为开发人员和RPA平台集成提供强大的API，或为公民开发人员提供无代码体验。

 

图源：pexels

 

你的首选工具是什么，可否满足上面的部分或全部需求?或者你认为还有哪些特性可以放入这个特性列表当中呢？

 

一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”

（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）