AI赋能的流程挖掘 | 艺赛旗首席科学家、南京大学人工智能学院副院长黎铭教授出席iS-RPM流程挖掘产品发布会演讲分享

　　《AI赋能的流程挖掘》

 

　　内容回顾

 

　　分享嘉宾：黎铭

 

　　2022年4月22日，艺赛旗联合RPA中国共同举办的《透视全业务 精进全流程—艺赛旗iS-RPM产品（流程挖掘）产品发布会》在线上顺利举行。作为艺赛旗首席科学家、南京大学人工智能学院副院长黎铭教授在iS-RPM发布会上为我们带来哪些精彩内容呢？欢迎大家阅读。

 

　　内容主要围绕以下六个部分展开：

 

　　一、超自动化；二、流程挖掘的现状及痛点；三、解决方案：关键技术——机器学习；四、产学研合作——发力AI赋能业务及场景；五、面对全业务全流程时iS-RPM五个关键举措；六、愿景。

 

　　一、超自动化

 

　　黎铭教授首先为我们介绍了超自动化的概念：随着各种业务的不断深入，RPA将面临一个全业务全流程的场景，也就是说我们的应用不仅仅针对某一个具体的业务环节，而是渗透到整个企业的全业务流程中去。

 

　　在这样的情况下，现有的RPA技术就显得比较具体化，难以满足整个全流程的需求。随着业务需求的不断扩大，自动化要往更上一个台阶去迈进，这也就是我们提出的所谓的超自动化的概念。

 

　　大致总结下来，有这样几个方面比较关键：首先要有很好的平台支撑，要有一个强大的云平台作为算力和资源的支撑；其次，要有标准化的API接口及一系列标准化的软件模块支撑；另外还必须要有一个强大的AI能力来赋能整个流程，在整个超自动化的愿景当中，AI能力在其中是非常关键的，它是贯穿整个自动化过程中最核心的能力。

 

　　

 

　　二、流程挖掘的现状与痛点

 

　　接着黎教授从宏观上为我们解读了流程挖掘的现状及痛点。他介绍：如果把现有的RPA作为全业务全流程的支撑的时候，将面临以下两大痛点：首先在解决单一流程问题时，我们可能很容易去定义清楚到底需要什么，数据及操作都可以被固化下来，然后再通过RPA自动化的方式把它写出来。而一旦涉及整个行业的整体业务和流程的时候，一个公司可能会涉及很多不同的业务系统。比如京东就涉及业务、电商、物流及各种人员管理等系统。它可能是异构的，数据的定义方式是不同的，而且数据是分布存储的，那么在这样的情况下，我们就很难给出一个统一的高质量的日志文件用来帮我们厘清到底有哪些业务，主业务是什么，业务流之间的相互交错关系是什么，以及每一个业务流当中又存在哪些具象化的分支等等。在这样的情况下如果我们仍按照原有的方式直接上RPA的话将会给我们带来巨大的困难。

 

　　另一方面，我们在配置RPA的时候，需要和用户进行频繁的沟通，去了解他在做业务流程时的真正诉求是什么，哪些流程是相对固定的，然后再通过配置把它写好并进行自动化流程工作。这就面临一个问题，每个人都从不同的视角出发，比如高管和中层及下面的业务员总结出来的流程可能就因为视角不同而有所差异。在这样的情况下总结出来的流程可能会面临覆盖面窄、灵活性差等问题。基于以上问题，如果我们还按照现有的技术去进行RPA配置和应用的话，将会带来大量的沟通成本，以至于到最后这个项目很难再往下推进，在这样的情况下，怎样去破这个局，就变成了非常棘手的问题。

 

　　

 

　　三、解决方案：关键技术——机器学习

 

　　基于以上问题黎教授为我们介绍了相应的解决方案：可以利用现有业务系统当中所产生的原始数据，从业务数据中自动发现、配置并运行流程，并根据业务条件与变化对自身进行适时调整。那么怎样才能从这种裸的数据里面把那些具有内在规律及一定逻辑性的流程找出来呢？这里需要运用的关键的技术就是机器学习。

 

　　那机器学习到底是什么呢？黎教授这样进行定义：它是人工智能的核心研究领域，是实现智能化的关键。机器学习一个经典的定义，就是利用经验改善系统自身的性能。现如今机器学习已经成为主要的智能数据分析的手段，它也给我们提供了大量可用的一些技术，正因为它的重要性在不断的凸显，所以计算机领域的最高奖励——图灵奖就连续授予了这方面的学者。

 

　　事实上在科学界机器学习早就引起了大家的关注，有很多重要的学者，纷纷在science这样经典的期刊上去撰文指出机器学习的重要性，更值得一提的是，各国政府都把机器学习看成非常重要的资源和一种战略性的技术，比如近期国务院发布的《新一代人工智能发展规划》，就将机器学习列为需要重点研究的关键基础理论之一，另外白宫也有类似的人工智能的白皮书，里面也提到了机器学习是人工智能的重要技术。除了国家对这方面非常重视以外，工业界更是真金白银的投入，积极进行机器学习方面的研究，并且有大量机器学习的技术，已经应用在相应的产品当中。

 

　　

 

　　四、产学研合作，发力AI赋能产品及场景

 

　　在机器学习方面，南京大学拥有非常好的研究基础，南京大学是我国开展机器学习研究最早的单位，在这方面积累了很丰富的经验。目前南京大学已经形成了以机器学习为特色的重要的学科增长点。为了应对国家对人工智能在人才培养和科学研究方面的需求，2018年南京大学在C9高校里边率先成立了人工智能学院，是我国C9高校中首个人工智能学院，致力于建设人工智能领域国际一流学术重镇和拔尖创新人才培养基地，并且面向产业的需求来进行一些应用的创新。在这过程当中，南京大学也和很多企业保持了良好的合作关系，其中之一就是和艺赛旗公司开展了长期的富有成效的合作。

 

　　

 

　　五、面对全业务全流程时实施iS-RPM五个关键举措

 

　　在和艺赛旗的合作过程中，黎教授通过不断的分析总结从五个方面展开为我们分享了在面对全业务全流程时实施iS-RPM的五个关键举措：

 

　　1、理解客户操作意图：面向全流程全业务时，首先一步需要在不同的业务场景下面，去理解用户操作的意图，做这件事到底是什么意思？做这样的操作到底为了完成什么样的业务？如果这一步能够完成，那我们就可以一定程度上大大降低和用户之间的沟通成本。

 

　　2、建模核心业务流程：有了对这些意图的了解以后，就能够根据用户的意图、目标去建模整个核心的业务流程，然后再将核心业务流程提取出来，在这样的基础上形成自己的一些解决方案。

 

　　3、场景化的流程推荐：现有的很多方法，实际上在这个过程当中，仅是形成了一个可视化的业务流程给你看。事实上在这个过程当中很多人忽略了流程所存在的场景，不同的场景对流程的需求可能是不同的，因此在建立了核心业务之后，我们提出了一个叫做场景化的流程，并且可以给相应的用户提供合适的业务流程的推荐。

 

　　4、RPA流程自动生成：提取到核心业务流程之后，可以先使用机器学习算法来自动识别其中的自动化机会，然后将其中重复性高且机械的操作序列应用代码生成技术，直接生成RPA工程，使用机器人来代替员工操作，进一步提高工作效率。

 

　　5、RPA流程自适演进：既然我们面向的是全业务全流程，那这个业务和流程也需要根据用户及企业的需求不断进行演进和调整，有些流程可能在一年前、两年前它是合理的，但是随着业务的更迭，这个流程就不太合适了。当发现了不合适之后怎么去做？这就需要RPA根据整个行业的业务变化进行自适的演进。

 

　　

 

　　关于理解用户操作意图，黎铭教授给出的主要解决方案就是要让RPM能够自动去观察用户的流程，然后我们再去理解分析建模的操作意图。并列举了金蝶财务软件及高等数学的例子来说明同一事物的多义性,基于此黎教授介绍，南京大学原创研究了面向多义性对象的MIML学习范式，这项技术应用与iS-RPM正可以解决多义性对象的学习问题。

 

　　

 

　　接下来黎铭教授讲了核心业务流程建模。这里黎教授强调我们要摒弃以频繁项为基础的模式发现方法，对业务流程的上下文、业务间因果关系进行精确建模，获得更加贴合实际的模型和分析结果。基于上述情况我们提出了一种新型的深度学习模型cFlow来解决这样的问题，cFlow可以深度挖掘关键业务逻辑关系，然后根据整个流程业务的上下文进行合理统一的建模。黎教授紧接着分享到，在前面两步完成后我们应该根据场景来进行相应的流程的推荐在这个过程当中需要根据场景自身的特性完成建模。

 

　　另外iS-RPM产品核心技术就是RPA流程自动生成技术，这项基于机器学习的代码自动生成的技术，能够对整个的RPA流程进行相应的自动生成和配置。企业对流程的改进不是一次就能成功的，需要一个可持续的监控改进，这里黎教授提到了基于研究团队提出的面向开放动态环境的机器学习技术，可以自动感知、自动适应流程自动化及业务变化。

 

　　

 

　　六、愿景

 

　　演讲最后，黎教授呼吁大家共同努力，通过对各种关键的机器学习算法技术的攻关和突破，使得RPM这样一种应用能够实现对整个企业的全业务、全流程的相应的建模，以及自动化的服务。这也是我们共同的愿景。