Dans cet article, jetez un œil à l'automatisation des processus robotiques, à l'apprentissage automatique, à l'automatisation intelligente et à la façon dont ils sont liés les uns aux autres.
L'automatisation robotisée des processus a généré beaucoup de buzz dans de nombreuses industries différentes. Alors que les entreprises se concentrent sur l'innovation numérique, l'automatisation des tâches répétitives pour augmenter l'efficacité tout en réduisant les erreurs humaines est une proposition intéressante.
_________________________________________________________________________________
Les robots ne se lasseront pas, ne s'ennuieront pas et effectueront des tâches avec précision pour aider leurs homologues humains à améliorer leur productivité et les libérer pour se concentrer sur des tâches de niveau supérieur.
_________________________________________________________________________________
Au-delà du simple RPA, l'automatisation intelligente peut être obtenue en intégrant l'apprentissage automatique et l'intelligence artificielle à l'automatisation des processus robotiques pour réaliser l'automatisation des tâches répétitives avec une couche supplémentaire de perception et de prédiction de type humain.
La différence entre le RPA et l'intelligence artificielle
De par sa conception, le RPA n'est pas destiné à reproduire une intelligence humaine. Il est généralement conçu simplement pour imiter les activités humaines rudimentaires. En d'autres termes, il n'imite pas le comportement humain , il imite les actions humaines . Le comportement implique de faire des choix intelligents parmi un éventail d'options possibles, tandis que l'action est simplement un mouvement ou une exécution de processus. Les processus RPA sont le plus souvent régis par des règles métier prédéfinies qui peuvent être définies de manière étroite, de sorte que RPA a des capacités limitées pour faire face à des environnements ambigus ou complexes.
L'intelligence artificielle, quant à elle, est la simulation de l'intelligence humaine par des machines, qui nécessite un spectre plus large d'entrées et de résultats possibles. L'IA est à la fois un mécanisme de prise de décision intelligente et une simulation des comportements humains. Pendant ce temps, l'apprentissage automatique est un tremplin nécessaire vers l'intelligence artificielle, contribuant à l'analyse déductive et aux décisions prédictives qui se rapprochent de plus en plus des résultats que l'on peut attendre des humains.
Piloté par les processus vs piloté par les données
 |
| du RPA vers l'intelligence Artificielle |
L'automatisation intelligente est un terme qui peut être appliqué à la fin la plus sophistiquée du continuum de flux de travail assisté par automatisation comprenant l'automatisation de bureau robotique, l'automatisation de processus robotique, l'apprentissage automatique et l'intelligence artificielle. Selon le type d'entreprise, les entreprises utilisent souvent un ou plusieurs types d'automatisation pour améliorer leur efficacité et leur efficience. Au fur et à mesure que vous évoluez dans le spectre allant de l'automatisation basée sur les processus à l'automatisation plus adaptable basée sur les données, il y a des coûts supplémentaires sous la forme de données de formation, de développement technique, d'infrastructure et d'expertise spécialisée. Mais les avantages potentiels en termes d'informations supplémentaires et d'impact financier peuvent être considérablement amplifiés.
Pour rester compétitives et efficaces, les entreprises doivent désormais envisager d'ajouter l'apprentissage automatique et l'intelligence artificielle aux RP traditionnels afin de réaliser une automatisation intelligente.
L'automatisation Intelligente s'appuie sur l'intégrité des données
Dans le cadre de l'Intelligent Automation, les données de formation sont un composant central dont tout le reste dépend. Dans des secteurs tels que la conduite autonome et les soins de santé, où les décisions prises par l'IA / ML peuvent avoir de graves répercussions, la précision des données de formation qui informent ces types de décisions est critique. Alors que la précision de l'IA moderne et des modèles d'apprentissage automatique utilisant des réseaux de neurones et un apprentissage en profondeur progresse vers 100%, ces moteurs travaillent de manière plus autonome que jamais pour prendre des décisions sans intervention humaine. De petites variations ou inexactitudes dans les données d'entraînement peuvent avoir des effets dramatiques et involontaires. L'intégrité et la précision des données deviennent donc de plus en plus importantes à mesure que les humains dépendent des décisions prises par des machines intelligentes pour des tâches complexes.
Des modèles de Machine Learning précis nécessitent des
données de formation précises
L'intégrité des données implique de commencer par des données sources représentatives, puis d'étiqueter avec précision ces données avant la formation, les tests et le déploiement de modèles d'apprentissage automatique. Un workflow itératif de préparation des données, d'ingénierie des fonctionnalités, de modélisation et de validation est le playbook standard de Data Science.
Tout scientifique des données expliquera que la disponibilité de données de formation correctement étiquetées est peut-être l'ingrédient le plus important de leurs recettes. Des exemples de données «sales» incluent des données manquantes, biaisées et aberrantes ou simplement des ensembles de données qui ne sont pas représentatifs des futures données à traiter en production. L'ingénierie des fonctionnalités est également une étape importante dans le processus d'apprentissage automatique, c'est-à-dire la sélection des fonctionnalités de données qui sont susceptibles d'être les plus critiques pour informer la précision prédictive d'un modèle donné. Dans un réseau de neurones, où les paramètres sont empilés les uns sur les autres, l'identification correcte des caractéristiques clés à chaque itération est essentielle au succès de l'exercice de construction de modèle. De mauvaises données d'entraînement peuvent entraîner la sélection ou la pondération de caractéristiques incorrectes, conduisant ainsi à des modèles qui ne peuvent pas être généralisés à une population plus large de données de production.
Par exemple, pour un modèle qui détecte des organes spécifiques dans des images d'IRM, choisir des images d'entraînement représentatives à partir d'un appareil d'IRM particulier, puis isoler avec précision les limites pertinentes des régions d'intérêt spécifiques pour chaque organe conduira à de meilleurs résultats de détection que d'utiliser simplement des photos de ces organes de sources publiques. Un autre exemple peut être vu dans les systèmes de comptes fournisseurs utilisant la reconnaissance optique de caractères (OCR) pour extraire par programme les informations pertinentes des factures. Les champs clés de chaque facture tels que «Adresse», «Nom» et «Total» doivent être distingués avec précision du corps des différents types de factures afin de créer un modèle efficace et précis. Si ces éléments sont étiquetés de manière incomplète ou incorrecte, la précision du modèle résultant en souffrira.
La question du parti pris
Les modèles actuels d'IA et d'apprentissage automatique diffèrent de l'intelligence humaine en partie parce qu'ils dépendent entièrement de leurs données de formation initiales et ne disposent généralement pas d'un mécanisme automatique et récursif pour absorber et traiter les nouvelles données pour la correction de cours, c'est-à-dire le recyclage continu. Cela signifie que des données mal équilibrées introduites pendant la formation peuvent avoir le potentiel de provoquer des biais inattendus au fil du temps et peuvent produire des résultats inattendus (et parfois offensants). Lorsqu'une part importante de biais est introduite dans un système, il devient difficile de s'appuyer sur les décisions prises par ces systèmes.
Une bonne annotation des données conduit à un RPA intelligent de haute qualité
Des données de formation précises sont à la base des projets de science des données les plus réussis. Avec une annotation précise des données, les modèles d'apprentissage automatique et les modèles d'IA peuvent prendre des décisions de plus en plus précises, et lorsqu'ils sont combinés avec les processus fondamentaux de la RPA, les entreprises peuvent réaliser une automatisation vraiment intelligente.
Dans le cadre de l'Intelligent Automation, les données de formation sont un composant central dont tout le reste dépend. Dans des secteurs tels que la conduite autonome et les soins de santé, où les décisions prises par l'IA / ML peuvent avoir de graves répercussions, la précision des données de formation qui informent ces types de décisions est critique. Alors que la précision de l'IA moderne et des modèles d'apprentissage automatique utilisant des réseaux de neurones et un apprentissage en profondeur progresse vers 100%, ces moteurs travaillent de manière plus autonome que jamais pour prendre des décisions sans intervention humaine. De petites variations ou inexactitudes dans les données d'entraînement peuvent avoir des effets dramatiques et involontaires. L'intégrité et la précision des données deviennent donc de plus en plus importantes à mesure que les humains dépendent des décisions prises par des machines intelligentes pour des tâches complexes.
Des modèles de Machine Learning précis nécessitent des
données de formation précises
L'intégrité des données implique de commencer par des données sources représentatives, puis d'étiqueter avec précision ces données avant la formation, les tests et le déploiement de modèles d'apprentissage automatique. Un workflow itératif de préparation des données, d'ingénierie des fonctionnalités, de modélisation et de validation est le playbook standard de Data Science.
Tout scientifique des données expliquera que la disponibilité de données de formation correctement étiquetées est peut-être l'ingrédient le plus important de leurs recettes. Des exemples de données «sales» incluent des données manquantes, biaisées et aberrantes ou simplement des ensembles de données qui ne sont pas représentatifs des futures données à traiter en production. L'ingénierie des fonctionnalités est également une étape importante dans le processus d'apprentissage automatique, c'est-à-dire la sélection des fonctionnalités de données qui sont susceptibles d'être les plus critiques pour informer la précision prédictive d'un modèle donné. Dans un réseau de neurones, où les paramètres sont empilés les uns sur les autres, l'identification correcte des caractéristiques clés à chaque itération est essentielle au succès de l'exercice de construction de modèle. De mauvaises données d'entraînement peuvent entraîner la sélection ou la pondération de caractéristiques incorrectes, conduisant ainsi à des modèles qui ne peuvent pas être généralisés à une population plus large de données de production.
Par exemple, pour un modèle qui détecte des organes spécifiques dans des images d'IRM, choisir des images d'entraînement représentatives à partir d'un appareil d'IRM particulier, puis isoler avec précision les limites pertinentes des régions d'intérêt spécifiques pour chaque organe conduira à de meilleurs résultats de détection que d'utiliser simplement des photos de ces organes de sources publiques. Un autre exemple peut être vu dans les systèmes de comptes fournisseurs utilisant la reconnaissance optique de caractères (OCR) pour extraire par programme les informations pertinentes des factures. Les champs clés de chaque facture tels que «Adresse», «Nom» et «Total» doivent être distingués avec précision du corps des différents types de factures afin de créer un modèle efficace et précis. Si ces éléments sont étiquetés de manière incomplète ou incorrecte, la précision du modèle résultant en souffrira.
La question du parti pris
Les modèles actuels d'IA et d'apprentissage automatique diffèrent de l'intelligence humaine en partie parce qu'ils dépendent entièrement de leurs données de formation initiales et ne disposent généralement pas d'un mécanisme automatique et récursif pour absorber et traiter les nouvelles données pour la correction de cours, c'est-à-dire le recyclage continu. Cela signifie que des données mal équilibrées introduites pendant la formation peuvent avoir le potentiel de provoquer des biais inattendus au fil du temps et peuvent produire des résultats inattendus (et parfois offensants). Lorsqu'une part importante de biais est introduite dans un système, il devient difficile de s'appuyer sur les décisions prises par ces systèmes.
Une bonne annotation des données conduit à un RPA intelligent de haute qualité
Des données de formation précises sont à la base des projets de science des données les plus réussis. Avec une annotation précise des données, les modèles d'apprentissage automatique et les modèles d'IA peuvent prendre des décisions de plus en plus précises, et lorsqu'ils sont combinés avec les processus fondamentaux de la RPA, les entreprises peuvent réaliser une automatisation vraiment intelligente.
