按：随着人工智能和机器学习技术的发展，许多公司也在考虑到通过机器人来构建业务自动化的问题。回应，享有 22 年从业经验的技术专家 Rajesh Kumar 撰文探究了 RPA 技术对提高生产力的最重要意义。(公众号：)对这篇文章展开了不转变本意的编译器：对于那些正在考虑到如何构建业务流程自动化以提升生产力的公司而言，机器人过程自动化（Robotic Process Automation，全称 RPA）将是他们首先考虑到的技术之一。

为什么是 RPA？目前一些构建业务自动化的最较慢、最更容易的方法将来自 RPA 技术。这是近年来最明智的技术革新之一，它带给了降低成本、提高生产力、甚至提高效率和准确性的方法。

然而，对于 RPA 技术到底需要构建什么以及它的局限性方面，许多企业仍不存在着相当大的疑惑。在考虑到实行 RPA 技术时，企业最差有具体的希望，以便仅次于程度地利用它来取得战略优势。

理解 RPA 技术周遭所蕴藏机会的最差方法，就是想象一个员工在日常工作中做到着几十个平淡无奇、反复的任务。随着时间的流逝，这些任务显得无趣毫无意义，人类员工生产力不会上升或着错误。然而 RPA 技术却可以更加慢、更加精确地继续执行这些任务，而且会深感疲惫。人类员工之后被解放出来，专心于那些必须更加多批判性思维、创造力和更加高层次与客户认识的任务。

一个很好的利用基于 RPA 技术的自动化流程的例子就是发票检验流程。这个过程中有可能牵涉到到一位员工需从三个有所不同的供应商门户网站iTunes发票，并上传遍一个 ERP 系统，后用适当的订购订单检验核准价值金额，最后批准后或拒绝接受涉及发票信息载入系统。通过撰写一定量的脚本程序，这个流程可以很更容易地融合到一个 RPA 软件中处置。RPA 技术实际是一种运用涉及技术来配备机器人或计算机，用于和说明现有应用程序，来处理事务，操作者数据或启动时号召以及同其他数字系统通信的方式。

更进一步修改来说，RPA 技术是一种“记录和音频”技术，机器人（实质上是加装在机器上的软件）被教会了如何用于软件来继续执行某些任务，之后机器人就不会周而复始地继续执行，这就是一种使其显得非常简单有效地的自动化方法。一般来讲，同一发票检验过程的自动化将牵涉到到三个有所不同供应商系统的构建，这些供应商系统必需与一些具备逻辑检验功能的 ERP 系统集成。

虽然这两个过程的结果是完全一致的，但是传统的自动化路线方案不会给软件开发人员带给额外的工作量，如与 IT 团队合作关上防火墙端口，出售专门用作运营软件的服务器以及一些确保类工作。RPA 技术则不会让过程显得更加非常简单。该软件还可以自动继续执行许多其他流程，同时每周它可以运营 24 x 7 小时，然而对发票检验的流程很有可能每个星期只有必须处置几个小时的工作量。

容许 RPA 技术的障碍虽然 RPA 技术获取了十分较慢，非侵入性的自动化手段，但它也有其局限性。为了最大限度地提升 RPA 的实用性，自动化流程必须基于具体的标准操作程序（SOP），其中决策规则具备十分具体的参数。在任何基于 RPA 技术的自动化策略中，将较小的流程区分为“可自动化”和“人为介入”的部分，并改版流程以构建仅次于程度的自动化十分最重要。然而，要将每个流程几乎自动化有可能并不现实。

这是因为一些流程是非常程序化的，而另一些流程有可能必须中用人类员工的经验科学知识并做出辨别。因为大量的科学知识并无法被有效地编为算法，在这样的情况下，RPA 技术则无法把那些必须人类经验科学知识参予的过程自动化。对于必须运用人为辨别的领域，RPA 技术显得违宪。

流程中可被自动化的部分由 RPA 技术驱动，由此变为了几乎的规则和算法驱动，并且很难使这部分逆的“聪慧”或“智能”。在某些情况下，这也不会将流程的可自动化部分增大到不不切实际的程度，因为产生的报酬结果不大，无法为 RPA 技术投资的合理性带给不利证明。

这样的一个例子如，自动将问题票据分配到必要的两组。如果分配规则是基于票证类别和发售票据的某些字段，那么 RPA 认同需要解决问题自动化问题。然而另一方面，如果牵涉到到加载票据叙述的内容并运用人类科学知识来要求哪个团队应当处置该票据，那么忽然之间，该过程的自动化变为了不不切实际。机器学习起着何种协助起到？机器学习（Machine Learning，全称 ML）是一项新兴技术，但却成熟期到可以应用于解决问题现实生活中的问题。

ML 的工作原理是将大量的数据（或科学知识）捕捉后构成某种形式的数学模型。该模型可以利用科学知识来解决问题。

例如，如果我们研发一个包括有一年票值叙述及其适当分配路径信息的机器学习模型，则可以用它来预测新的票据的路径信息。机器学习技术有能力根据先前的不道德展开自学，并运用这些科学知识对当前的不道德作出要求。机器学习技术可以应用于许多可以取得大量历史数据的问题，利用这些历史数据在特定领域可以预测或要求。这不看起来研发一个算法，因为它是创建在科学知识基础上的。

如果我们考虑到之前的票务路径问题，那么为过去一年中每张票的信息研发算法都是十分艰难的。不过，利用机器学习的方法可以十分有效地解决问题这种情况。强劲的人组ML 技术与 RPA 技术的融合有助解决 RPA 的局限性，因为它可以从历史数据创建知识库，并将其用作不道德决策和预测。

如果我们再度考虑到这个票据路径分配流程的例子，现在看上去则逆的几乎不切实际，在 RPA 流程中萃取票据叙述信息，并调用 ML 预测服务来提供路径信息以之后自动化流程。这就看起来引进一个聪慧的代理转入了 RPA 的流程。

而且通过定期新的训练并维持近期科学知识，不断丰富 ML 模型也是不切实际的。机器人过程自动化技术本身或与机器学习融合，是一项令人兴奋的技术，对于能源节省和效率提升的可能性是无下限的。

虽然这些技术的人组包含了一个强劲的自动化解决方案，但要使终端客户需要应用于，还必须已完成一些工作。但是，凭借融合专业的经验技能，企业几乎可以构建确实的自动化解决方案，从而取得他们仍然想的结果。

本文来源：新蒲京娱乐场官网-www.clover-happy.net