全文共1632字，預計學習時長6分鐘
圖源：unsplash
隨着機器人流程自動化（RPA）企業軟件的迅速發展，很多大型企業都將人工操作任務進行自動化，避免更新遺留系統所帶來的昂貴成本。
今天的主流RPA仍然主要涵蓋簡單的任務，而非流程。操作簡便，不用投入大量的開發成本就能達到爲公司節省開支的目的，這正是許多公司看重RPA的首要一點。
與此同時，很多RPA團隊正在思考的是“接下來會發生什麼”。在現實生活中，流程有基於判斷的決策點，它們可以處理非結構化數據，有例外但也在不斷髮展。這些複雜性是RPA的致命弱點。
使用基於規則的邏輯能走多遠是有限制的，直到遇到了不可能的障礙，然後意識到這個東西挑戰性太大，以至於它抵消了自動化帶來的好處。
AI解決了這個問題。但是如果所有的話題都是關於OCR和文檔理解的話，我們就無法在這方面走的更遠，這似乎會搶走RPA平臺提供商AI計劃的大部分注意力。
它還有很多功能。例如，驗證和修復輸入數據，在缺少共享標識符的系統之間匹配數據集，檢測異常防止錯誤，並自動執行有人干預的機器人做出的重複性或“認知”性決策。
RPA領域的領軍人物怎麼說?
雖然我與RPA領導人的討論樣本在統計上很難具有代表性，但我認爲說其中存在問題是一個公平的假設。一些RPA團隊領導這樣說：
“我們已經在RPAbacklog上實現了自動化一年多了，嘗試了一些東西，但是機器學習部分沒有完成。”
“很難將數據科學項目融入我們的敏捷3周機器人開發衝刺中。”
“我們的數據科學團隊就像一個黑洞。你提出了一個想法，六個月後你就建立了一個數據管道。”
不可否認，當RPA程序變得越來越複雜時，機器學習是必不可少的。然而，很多人都認爲數據科學不能滿足RPA的需要。可用性低，工具使項目變得冗長，引入更多的技術專家增加了溝通的挑戰。
圖源：unsplash
數據科學家的思維傾向於探索性的項目，而RPA工程師需要快速的解決方案來處理待辦事項。因此，對於許多RPA用例來說，成本太高了。在“AI與RPA的契合度”方面，二者存在着10 - 100倍的差距。
我相信數據科學作爲一種技能集是非常需要的，永遠有一個地方適合它，但在不把科學引入每個項目的情況下，我們還有很多事情可以做。不要讓這種不匹配毀了自動化項目。
現有的解決方案
在最近的社交廣告峯會RPA 2020會議上，愛立信自動化與人工智能改造總監Kanda Kumar提出了“用民主化擴展能力”的想法，這令人興奮。實際上，如果從當前現狀要到充分發揮潛力，目前還有兩種方法:
· 藉助AutoML和MLops平臺等工具強化數據科學家，幫助他們實現更多目標。
· 領域內專家配備了相關工具，他們不必爲“ML部件”分離出一個單獨的項目就可以達到他們的目標。
手繪還原的2020年5月20日沙發峯會上Kanda的幻燈片
我相信目前仍然存在巨大的機遇，尤其是第二點。一個領域專家有能力解決問題，這作爲其日常工作流程的一部分是有不可否認的好處。
除了允許更復雜的自動化工作流程的成本效益開發之外，它還支持敏捷開發，這種開發不受外部團隊、他們的工作方式和積壓的約束。
與其把你的自動化項目扔進數據科學的黑洞，還不如先看看你自己能做什麼。你會發現。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慮的六個特性：
· 其成本不會減少RPA預算
· 它爲用戶減輕了數據爭論和特性工程的負擔。
· 無需用戶明確選擇算法，尤其是優化算法，即可工作。
· 預測準確性清晰透明，讓機器人有信心確定下一步。
· 擴展過去的初始數據集:在生產中對新數據攝入進行自動化和更新預測。
· 用戶體驗爲目標用戶提供服務：爲開發人員和RPA平臺集成提供強大的API，或爲公民開發人員提供無代碼體驗。
圖源：pexels
你的首選工具是什麼，可否滿足上面的部分或全部需求?或者你認爲還有哪些特性可以放入這個特性列表當中呢？
一起分享AI學習與發展的乾貨
歡迎關注全平臺AI垂類自媒體 “讀芯術”
（添加小編微信：dxsxbb，加入讀者圈，一起討論最新鮮的人工智能科技哦～）