讓機械人 7x24 小時自動開發票,除了機器學習,還需要什麼?

.. 雷鋒網按:隨着人工智能和機器學習技術的發展,許多公司也在考慮通過機械人來實現業務自動化的問題。對此,擁有 22 年從業經驗的技術專家 Rajesh Kumar 撰文探討了 RPA 技術對提升生產力的重要意義。雷鋒網對這篇文章進行了不改變原意的編譯:

對於那些正在考慮如何實現業務流程自動化以提高生產力的公司而言,機械人過程自動化(Robotic Process Automation,簡稱 RPA)將是他們首先考慮的技術之一。

為什麼是 RPA?

目前一些實現業務自動化的最快速、最容易的方法將來自 RPA 技術。這是近年來最明智的技術革新之一,它帶來了降低成本、提升生產力、甚至提高效率和準確性的方法。

然而,對於 RPA 技術究竟能夠實現什麼以及它的局限性方面,許多企業仍存在着很大的困惑。在考慮實施 RPA 技術時,企業最好有明確的期望,以便最大程度地利用它來獲得戰略優勢。

了解 RPA 技術周遭所蘊含機會的最好方法,就是想像一個員工在日常工作中做着幾十個平淡無奇、重複的任務。隨着時間的推移,這些任務變得沉悶累贅,人類員工生產力會下降或着出錯。

然而 RPA 技術卻可以更快、更準確地執行這些任務,而且不會感到疲勞。人類員工便被解放出來,專註於那些需要更多批判性思維、創造力和更高層次與客戶接觸的任務。

一個很好的利用基於 RPA 技術的自動化流程的例子就是發票驗證流程。

這個過程中可能涉及到一位員工需從三個不同的供應商門戶網站下載發票,並上傳到一個 ERP 系統,並用相應的採購訂單驗證核准價值金額,最終批准或拒絕相關發票信息錄入系統。通過編寫一定量的腳本程序,這個流程可以很容易地結合到一個 RPA 軟件中處理。

RPA 技術實際是一種運用相關技術來配置機械人或計算機,使用和解釋現有應用程序,來處理事務,操作數據或觸發響應以及同其他數字系統通信的方式。

進一步簡化來說,RPA 技術是一種「記錄和回放」技術,機械人(實際上是安裝在機器上的軟件)被教會了如何使用軟件來執行某些任務,之後機械人就會周而復始地執行,這就是一種使其變得簡單有效的自動化方法。

一般來講,同一發票驗證過程的自動化將涉及到三個不同供應商系統的集成,這些供應商系統必須與一些具有邏輯驗證功能的 ERP 系統集成。雖然這兩個過程的結果是一致的,但是傳統的自動化路線方案會給軟件開發人員帶來額外的工作量,如與 IT 團隊合作打開防火牆端口,購買專門用於運行軟件的服務器以及一些維護類工作。

RPA 技術則會讓過程變得更簡單。該軟件還可以自動執行許多其他流程,同時每周它可以運行 24 x 7 小時,然而對發票驗證的流程很可能每個星期只有需要處理幾個小時的工作量。

限制 RPA 技術的障礙

雖然 RPA 技術提供了非常快速,非侵入性的自動化手段,但它也有其局限性。為了最大限度地提高 RPA 的實用性,自動化流程需要基於明確的標準操作程序(SOP),其中決策規則具有非常明確的參數。

在任何基於 RPA 技術的自動化策略中,將較大的流程劃分為「可自動化」和「人為干預」的部分,並更新流程以實現最大程度的自動化非常重要。

然而,要將每個流程完全自動化可能並不現實。這是因為一些流程是相當程序化的,而另一些流程可能需要用到人類員工的經驗知識並作出判斷。因為大量的知識並不能被有效地編入算法,在這樣的情況下,RPA 技術則不能把那些需要人類經驗知識參與的過程自動化。對於需要運用人為判斷的領域,RPA 技術變得無效。

流程中可被自動化的部分由 RPA 技術驅動,由此變成了完全的規則和算法驅動,並且很難使這部分變的「聰明」或「智能」。在某些情況下,這也會將流程的可自動化部分縮小到不可行的程度,因為產生的回報結果甚微,無法為 RPA 技術投資的合理性帶來有利證明。

這樣的一個例子如,自動將問題票據分配到適當的組。如果分配規則是基於票證類別和發行票據的某些字段,那麼 RPA 肯定能夠解決自動化問題。然而另一方面,如果涉及到讀取票據描述的內容並運用人類知識來決定哪個團隊應該處理該票據,那麼突然之間,該過程的自動化變成了不可行。

機器學習起到何種幫助作用?

機器學習(Machine Learning,簡稱 ML)是一項新興技術,但卻成熟到可以應用於解決現實生活中的問題。ML 的工作原理是將大量的數據(或知識)捕獲后形成某種形式的數學模型。該模型可以利用知識來解決問題。

例如,如果我們開發一個包含有一年票值描述及其相應分配路徑信息的機器學習模型,則可以用它來預測新票據的路徑信息。機器學習技術有能力根據先前的行為進行學習,並運用這些知識對當前的行為做出決定。

機器學習技術可以應用於許多可以獲得大量歷史數據的問題,利用這些歷史數據在特定領域可以預測或決定。這不像是開發一個算法,因為它是建立在知識基礎上的。如果我們考慮之前的票務路徑問題,那麼為過去一年中每張票的信息開發算法都是非常困難的。不過,利用機器學習的方法可以非常有效地解決這種情況。

強大的組合

ML 技術與 RPA 技術的結合有助於克服 RPA 的局限性,因為它可以從歷史數據建立知識庫,並將其用於行為決策和預測。

如果我們再次考慮這個票據路徑分配流程的例子,現在看起來則變的完全可行,在 RPA 流程中提取票據描述信息,並調用 ML 預測服務來獲取路徑信息以繼續自動化流程。這就像是引入一個聰明的代理進入了 RPA 的流程。而且通過定期重新訓練並保持最新知識,不斷豐富 ML 模型也是可行的。

機械人過程自動化技術本身或與機器學習結合,是一項令人興奮的技術,對於能源節省和效率提高的可能性是無上限的。雖然這些技術的組合構成了一個強大的自動化解決方案,但要使終端客戶能夠應用,還需要完成一些工作。

但是,憑藉結合專業的經驗技能,企業完全可以實現真正的自動化解決方案,從而獲得他們一直想要的結果。

Via business2community,雷鋒網編譯


想在手機閱讀更多Apple資訊?下載【香港矽谷】Android應用
分享到Facebook
技術平台: Nasthon Systems