CN114416888A - 结合rpa和ai的数据处理方法、装置、电子设备及存储介质 - Google Patents

结合rpa和ai的数据处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114416888A
CN114416888A CN202111619018.6A CN202111619018A CN114416888A CN 114416888 A CN114416888 A CN 114416888A CN 202111619018 A CN202111619018 A CN 202111619018A CN 114416888 A CN114416888 A CN 114416888A
Authority
CN
China
Prior art keywords
data
rpa
processing
processed
processing method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111619018.6A
Other languages
English (en)
Inventor
王国栋
张勇
汪冠春
胡一川
褚瑞
李玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Laiye Network Technology Co Ltd
Laiye Technology Beijing Co Ltd
Original Assignee
Beijing Laiye Network Technology Co Ltd
Laiye Technology Beijing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Laiye Network Technology Co Ltd, Laiye Technology Beijing Co Ltd filed Critical Beijing Laiye Network Technology Co Ltd
Priority to CN202111619018.6A priority Critical patent/CN114416888A/zh
Publication of CN114416888A publication Critical patent/CN114416888A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28Databases characterised by their database models, e.g. relational or object models
    • G06F16/284Relational databases
    • G06F16/288Entity relationship models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00Arrangements for software engineering
    • G06F8/30Creation or generation of source code
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/10Office automation; Time management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提出一种结合RPA和AI的数据处理方法、装置、电子设备及存储介质,应用于自然语言处理(Natural Language Processing,NLP),该方法包括:采用机器人流程自动化RPA方法接收处理请求,处理请求包括:实体框架中待处理数据的标识;采用RPA方法根据标识,获取数据处理方法;以及采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,其中,待处理数据和关联数据之间具有实体框架中的边缘关联关系。在利用人工智能AI结合机器人流程自动化RPA进行数据处理时,实现数据的自动化的关联处理,有效降低数据关联处理过程中所消耗的成本,当基于实体框架中待处理数据的标识确定对应数据处理方法时,能够有效兼顾数据关联处理的自动化程度和关联处理的可靠性。

Description

结合RPA和AI的数据处理方法、装置、电子设备及存储介质
技术领域
本公开涉及计算机技术领域,应用于自然语言处理(Natural LanguageProcessing,NLP),尤其涉及一种结合RPA(Robotic Process Automation,机器人流程自动化)和AI(Artificial Intelligence,人工智能)的数据处理方法、装置、电子设备及存储介质。
背景技术
机器人流程自动化(Robotic Process Automation)简称RPA,是通过特定的“机器人软件”,模拟人在计算机上的操作,按规则自动执行流程任务。
人工智能(Artificial Intelligence,AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。
相关技术中,在对计算机技术领域中业务的相关联数据进行处理时,通常需要人为定义数据处理方法,在人工干预基础上对每个关联数据进行处理。
这种方式下,需要消耗大量人力成本,且无法保证数据处理结果的可靠性。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本公开的目的在于提出一种结合RPA和AI的数据处理方法、装置、电子设备及存储介质,在利用人工智能AI结合机器人流程自动化RPA进行数据处理时,实现数据的自动化的关联处理,有效降低数据关联处理过程中所消耗的成本,当基于实体框架中待处理数据的标识确定对应数据处理方法时,能够有效兼顾数据关联处理的自动化程度和关联处理的可靠性。
本公开第一方面实施例提出的结合RPA和AI的数据处理方法,应用于自然语言处理(Natural Language Processing,NLP),包括:采用机器人流程自动化RPA方法接收处理请求,其中,处理请求包括:实体框架中待处理数据的标识;采用RPA方法根据标识,获取数据处理方法;以及采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,其中,待处理数据和关联数据之间具有实体框架中的边缘关联关系。
本公开第一方面实施例提出的结合RPA和AI的数据处理方法,通过采用机器人流程自动化RPA方法接收处理请求,采用RPA方法根据标识,获取数据处理方法,以及采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,在利用人工智能AI结合机器人流程自动化RPA进行数据处理时,实现数据的自动化的关联处理,有效降低数据关联处理过程中所消耗的成本,当基于实体框架中待处理数据的标识确定对应数据处理方法时,能够有效兼顾数据关联处理的自动化程度和关联处理的可靠性。
本公开第二方面实施例提出的结合RPA和AI的数据处理装置,应用于自然语言处理(Natural Language Processing,NLP),包括:接收模块,用于采用机器人流程自动化RPA方法接收处理请求,其中,处理请求包括:实体框架中待处理数据的标识;获取模块,用于采用RPA方法根据标识,获取数据处理方法;以及处理模块,用于采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,其中,待处理数据和关联数据之间具有实体框架中的边缘关联关系。
本公开第二方面实施例提出的结合RPA和AI的数据处理装置,通过采用机器人流程自动化RPA方法接收处理请求,采用RPA方法根据标识,获取数据处理方法,以及采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,在利用人工智能AI结合机器人流程自动化RPA进行数据处理时,实现数据的自动化的关联处理,有效降低数据关联处理过程中所消耗的成本,当基于实体框架中待处理数据的标识确定对应数据处理方法时,能够有效兼顾数据关联处理的自动化程度和关联处理的可靠性。
本公开第三方面实施例提出的电子设备,包括:至少一个处理器和存储器;存储器存储计算机执行指令;至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行本公开第一方面实施例提出的结合RPA和AI的数据处理方法。
本公开第三方面实施例提出的电子设备,通过采用机器人流程自动化RPA方法接收处理请求,采用RPA方法根据标识,获取数据处理方法,以及采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,在利用人工智能AI结合机器人流程自动化RPA进行数据处理时,实现数据的自动化的关联处理,有效降低数据关联处理过程中所消耗的成本,当基于实体框架中待处理数据的标识确定对应数据处理方法时,能够有效兼顾数据关联处理的自动化程度和关联处理的可靠性。
本公开第四方面实施例提出的计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现本公开第一方面实施例提出的结合RPA和AI的数据处理方法。
本公开第四方面实施例提出的计算机可读存储介质,通过采用机器人流程自动化RPA方法接收处理请求,采用RPA方法根据标识,获取数据处理方法,以及采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,在利用人工智能AI结合机器人流程自动化RPA进行数据处理时,实现数据的自动化的关联处理,有效降低数据关联处理过程中所消耗的成本,当基于实体框架中待处理数据的标识确定对应数据处理方法时,能够有效兼顾数据关联处理的自动化程度和关联处理的可靠性。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本申请进一步的方面、实施方式和特征将会是容易明白的。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是本公开一实施例提出的结合RPA和AI的数据处理方法的流程示意图;
图2是本公开另一实施例提出的结合RPA和AI的数据处理方法的流程示意图;
图3是本公开另一实施例提出的结合RPA和AI的数据处理方法的流程示意图;
图4是本公开一实施例提出的结合RPA和AI的数据处理装置的结构示意图;
图5是本公开另一实施例提出的结合RPA和AI的数据处理装置的结构示意图;
图6示出根据本公开一实施例的电子设备的结构框图。
具体实施方式
下面详细描述本公开的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本公开,而不能理解为对本公开的限制。相反,本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
图1是本公开一实施例提出的结合RPA和AI的数据处理方法的流程示意图。
本实施例以结合RPA和AI的数据处理方法被配置为结合RPA和AI的数据处理装置中来举例说明,本实施例中结合RPA和AI的数据处理方法可以被配置在结合RPA和AI的数据处理装置中,结合RPA和AI的数据处理装置可以设置在服务器中,或者也可以设置在电子设备中,本公开实施例对此不作限制。
本实施例以结合RPA和AI的数据处理方法被配置在电子设备中为例。其中,电子设备例如智能手机、平板电脑、个人数字助理、电子书等具有各种操作系统的硬件设备。
需要说明的是,本公开实施例的执行主体,在硬件上可以例如为服务器或者电子设备中的中央处理器(Central Processing Unit,CPU),在软件上可以例如为服务器或者电子设备中的相关的后台服务,对此不作限制。
另外,本公开中的“处理”,是指结合机器人流程自动化RPA和人工智能AI的数据处理的过程,也即是说,该数据处理的过程是一个全流程自动化的数据处理的过程,并且该数据处理的过程还与人工智能AI相结合,实现自动化地进行自然语言处理(NaturalLanguage Processing,NLP)之中的数据处理。
本公开可以具体应用于人工智能AI的自然语言处理(Natural LanguageProcessing,NLP),自然语言处理(Natural Language Processing,NLP),即计算机科学,人工智能,语言学关注计算机和人类(自然)语言之间的相互作用的领域。
举例而言,本公开中基于该全流程自动化的数据处理的过程,可以实现全流程自动化地执行采用机器人流程自动化RPA方法接收处理请求,采用RPA方法根据标识,获取数据处理方法,以及采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据。
参见图1,该结合RPA和AI的数据处理方法,包括:
S101:采用机器人流程自动化RPA方法接收处理请求,其中,处理请求包括:实体框架中待处理数据的标识。
其中,处理,是指对实体框架中的待处理数据进行相关处理操作,如删除、更新、增添等,对此不做限制,而处理请求,是指由本公开实施例的执行主体接收到的请求,可以用于触发对实体框架中的待处理数据进行数据关联处理,该处理请求可以依据于用户配置指令,根据用户配置指令触发相关数据关联处理操作,或者,还可以采用第三方控制装置根据预先配置的操作指令,生成处理请求,并发送至本公开实施例的执行主体,或者,也可以采用其他任意可能的方式生成处理请求,并传输至本公开实施例的执行主体,对此不做限制。
可选的,一些实施例中,实体框架可以是ent实体框架,当然,该实体框架还可以是其他任意可能的涉及业务相关数据关联处理的实体框架,对此不做限制。
其中,实体框架(Entity Framework,EF)是一个对象关系映射器(ObjectRelational Mapping,ORM),它是一种工具,可被用于简化软件中的对象与关系数据库的表和列之间的映射,而ent实体框架是一种基于Go语言的实体框架,它具备简单、功能强大、可扩展的特性,可以使用户轻松构建和维护具有大型数据模型的应用程序。
其中,待处理数据,是指实体框架中与处理请求对应的数据,该待处理数据可以具体例如实体框架中的数据组、数据表、数据表中的待处理字段等,对此不做限制。
其中,标识,是指处理请求中用于表征实体框架中待处理数据相关信息的数据,该标识可以被用于标识待处理数据,以辅助从实体框架中定位出待处理数据,还可以根据该标识确定待处理数据的处理需求、待处理数据与关联数据的边缘关联关系等,对此不做限制。
也即是说,本公开实施中,可以采用机器人流程自动化RPA方法获取ent实体框架中待处理数据的标识,而后根据该标识获取数据处理方法,根据所得数据处理方法对ent实体框架中的待处理数据进行数据处理,从而辅助提升该ent实体框架的数据关联处理效果。
本公开实施例中可以在结合RPA和AI的数据处理方法的执行主体中设置处理请求接收接口,经由该处理请求接收接口接收处理请求,对此不做限制。
S102:采用RPA方法根据标识,获取数据处理方法。
其中,数据处理方法,是指本公开实施例中执行主体根据所得待处理数据的标识所获取到的预先制定的适用于该待处理数据的处理方法,数据处理方法可以具体例如为,删除处理、添加处理、标记处理、补充处理、软删除处理等,对此不做限制。
本公开实施例中,采用RPA方法根据标识,获取数据处理方法,可以是将该标识输入至预训练的学习模型(该学习模型可以预先基于人工智能训练方法得到)中,以得到该标识对应的数据处理方法,并传输至本公开实施的执行主体,或者,还可以是根据配置的关系表,该关系表中可以记载适用于该标识的数据处理方法,并将该关系表中适用于该标识的数据处理方法传输至本公开实施例的执行主体,或者,也可以采用其他任意可能的方式获取对应的数据处理方法,对此不做限制。
由此,本公开实施例中,通过采用RPA方法根据标识,获取数据处理方法,可以使所得数据处理方法能够有效适配于数据处理过程中的实际应用场景,且能够有效地提升数据关联处理的效率,能够有效兼顾数据关联处理的自动化程度和关联处理的可靠性。
S103:采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,其中,待处理数据和关联数据之间具有实体框架中的边缘关联关系。
其中,关联,是指实体框架中待处理数据与其他数据之间存在的关联性,而关联数据,可以是指实体框架中与待处理数据存在关联性的数据,该关联数据可以具体例如是与待处理数据存在关联性的数据组、数据表、数据表中的待处理字段等,对此不做限制。
其中,边缘,是指由待处理数据相关特性延伸出的多条边,每条边可以与其他数据建立对应的关联关系,而边缘关联关系,是指待处理数据与关联数据之间存在的关联关系,该边缘关联关系可以具体例如一对多、多对一、一对一、多对多等,对此不做限制。
本公开实施在采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据时,可以是根据该边缘关联关系,将待处理数据和关联数据进行拼接组合,得到组合数据,而后采用数据处理方法对该组合数据进行数据处理,或者,还可以是将待处理数据和输入至预训练的数据处理模型(该数据处理模型可以预先基于人工智能方法得到)中,根据该数据处理方法进行数据处理,并将该处理结果传输至本公开实施例的执行主体,或者,也可以采用其他任意可能的方式处理待处理数据和关联数据,对此不做限制。
由此,本公开实施例中,通过采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,可以避免在处理关联数据过程中的重复性处理操作,在处理待处理数据时,即实现关联地处理关联数据,从而实现数据的自动化的关联处理,有效提升数据关联处理过程中所消耗的成本。
本公开实施中,通过采用机器人流程自动化RPA方法接收处理请求,采用RPA方法根据标识,获取数据处理方法,以及采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,在利用人工智能AI结合机器人流程自动化RPA进行数据处理时,实现数据的自动化的关联处理,有效降低数据关联处理过程中所消耗的成本,当基于实体框架中待处理数据的标识确定对应数据处理方法时,能够有效兼顾数据关联处理的自动化程度和关联处理的可靠性。
图2是本公开另一实施例提出的结合RPA和AI的数据处理方法的流程示意图。
参见图2,该结合RPA和AI的数据处理方法,包括:
S201:采用机器人流程自动化RPA方法接收处理请求,其中,处理请求包括:实体框架中待处理数据的标识。
S201的描述说明可以具体参见上述实施例,在此不再赘述。
S202:采用RPA方法获取实体框架中的模板内容。
其中,模板,是指将一个事物的结构规律予以固定化、标准化的成果,它体现的是结构形式的标准化,而模板内容,在本公开实施例中,可以是指在实体框架中预先配置的,用于辅助进行数据处理的参考模板,该模板内容可以具体描述数据之间可能存在的关联关系,以及对应的数据处理方法等,对此不做限制。
由此,本公开实施在采用机器人流程自动化RPA方法接收处理请求后,可以采用RPA方法获取实体框架中的模板内容,触发后续步骤,该模板内容可以作为确定数据处理方法的参考模板,当待处理数据和关联数据具有配置文件中定义的边缘关联关系时,可以根据待处理数据的标识从模板内容中确定对应的数据处理方法,能够有效提升数据处理过程的智能化程度和处理效率。
S203:采用RPA方法从模板内容中读取与标识匹配的目标配置文件,其中,目标配置文件中定义待处理数据与关联数据之间的边缘关联关系。
本公开实施例中可以预先定义待处理数据与关联数据之间的边缘关联关系,而后,将待处理数据与关联数据之间的边缘关联关系写入至目标配置文件中,还可以根据待处理数据的标识对目标配置文件进行标记,表征与标识匹配的目标配置文件中定义了该标识所属待处理数据相关的边缘关联关系。
上述的配置文件,可以是预先配置的,用于定义待处理数据与关联数据之间边缘关联关系的文件,而目标配置文件,是指在预先配置的多个配置文件中与该标识匹配(即定义该标识所属待处理数据相关的边缘关联关系)的配置文件。
举例而言,在ent实体框架中,本公开实施例可以通过数据库模式(Schema)中的边(Edges)定义多个数据表(table)之间的关联关系,并将所定义的边缘关联关系作为配置文件保存至模板内容中,而后在模板内容中根据该关联关系生成并保存对应的数据处理方法,由此,在实际的数据处理过程中可以根据待处理数据的标识,确定目标配置文件,并调用对应的数据处理方法。
本公开实施例采用RPA方法从模板内容中读取与标识匹配的目标配置文件,例如,可以将该标识和模板内容输入至预训练的学习模型(该学习模型可以预先基于人工智能方法得到)中,以确定取与标识匹配的目标配置文件,并将该目标配置文件传输至本公开实施例的执行主体,或者,也可以采用工程学的方法分析模板中的多个配置文件与该标识的匹配信息,根据匹配信息确定目标配置文件,或者,也可以采用其他任意可能的方式确定目标配置文件,对此不做限制。
可选的,一些实施例中,采用RPA方法从模板内容中读取与标识匹配的目标配置文件,可以是采用RPA方法确定标识所属的待处理数据的目标数据类型,其中,目标数据类型对应实体框架中的目标模式,而后采用RPA方法将模板内容中的目标模式下的配置文件作为目标配置文件,其中,目标配置文件中定义待处理数据与关联数据之间的基于目标模式的边缘关联关系,由此,当基于待处理数据的目标数据类型确定实体框架中的目标模式,而后根据该目标模式确定目标配置文件,较大程度地提升了采用RPA方法从模板内容中读取与标识匹配的目标配置文件的效率,同时可以保证所得目标配置文件中相关信息对待处理数据与关联数据之间边缘关联关系的表征准确性。
其中,数据类型,可以是指两组数据在具有边缘关联关系时,两组数据在该边缘关联关系中被配置的“角色”,而目标数据类型,是指在本次数据处理过程中,待处理数据在与关联数据的边缘关联关系中被配置的“角色”。
举例而言,在ent实体框架中,一个用户(User)实体可以与多个宠物(Pet)实体配置边缘关联关系,而一个Pet实体只能与一个User实体配置边缘关联关系,因此在定义边缘关联关系时,Pet边是一对多的关系,User边是多对一的关系。在数据处理过程中,可以根据该边缘关联关系确定目标数据类型,该目标数据类型可以是User类型、Pet类型等,对此不做限制。
其中,模式(Schema),可以在实体框架中预先配置,用于根据待处理数据的数据类型分类存储上述配置文件,可以理解的是,实体框架中模式的数量可以是多个,且多个模式间可能存在数据关联。
举例而言,在ent实体框架中,待处理数据的数据类型是User类型时,数据关联处理过程中,待处理数据在实体框架中对应的模式为User模式,在该User模式下,可以用edge.To语句建立待处理数据(User实体)与关联数据(Pet实体)之间的联系;在待处理数据的数据类型是Pet类型时,数据关联处理过程中,待处理数据在实体框架中对应的模式为Pet模式,在该Pet模式下,只存在对待处理数据(Pet实体)的反向引用,可以用edge.From语句和/或Ref(列与索引的比较,表示多个table之间的连接匹配条件,即哪些列或常量被用于查找索引列上的值)方法声明,其中,Ref方法描述了Pet模式下待处理数据引用的User模式的哪条边,因为从一个模式到另一个模式可以有多个引用,在该处理过程中,可以使用唯一(Unique)约束的方法控制边/关系的基数。
S204:采用RPA方法获取与边缘关联关系匹配的数据处理方法,其中,匹配的数据处理方法,是预先根据边缘关联关系构建得到。
可以理解的是,在数据处理过程中,不同的边缘关联关系对应的数据处理需求可能存在差异,因此根据该边缘关联关系确定不同的数据处理方法进行数据处理,由此,能够有效提升所得数据处理方法的合理性。
也即是说,本公开实施例在采用机器人流程自动化RPA方法接收处理请求后,可以采用RPA方法获取实体框架中的模板内容,并采用RPA方法从模板内容中读取与标识匹配的目标配置文件,其中,目标配置文件中定义待处理数据与关联数据之间的边缘关联关系,采用RPA方法获取与边缘关联关系匹配的数据处理方法,其中,匹配的数据处理方法,是预先根据边缘关联关系构建得到,由此,当基于待处理数据与关联数据之间的边缘关联关系构建数据处理方法,可以有效提升所得数据处理方法对于待处理数据和关联数据的适用性,且该数据处理方法是基于边缘关联关系构建的,因此还能够有效适配于数据处理过程中的实际应用场景,提升该结合RPA和AI的数据处理方法的实用性和灵活性。
S205:采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,其中,待处理数据和关联数据之间具有实体框架中的边缘关联关系。
S205的描述说明可以具体参见上述实施例,在此不再赘述。
本公开实施例中,采用机器人流程自动化RPA方法接收处理请求,采用RPA方法获取实体框架中的模板内容,采用RPA方法从模板内容中读取与标识匹配的目标配置文件,其中,目标配置文件中定义待处理数据与关联数据之间的边缘关联关系,采用RPA方法获取与边缘关联关系匹配的数据处理方法,其中,匹配的数据处理方法,是预先根据边缘关联关系构建得到,采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,其中,待处理数据和关联数据之间具有实体框架中的边缘关联关系,当基于待处理数据与关联数据之间的边缘关联关系构建数据处理方法,可以有效提升所得数据处理方法对于待处理数据和关联数据的适用性,且该数据处理方法是基于边缘关联关系构建的,因此还能够有效适配于数据处理过程中的实际应用场景,提升该结合RPA和AI的数据处理方法的实用性和灵活性,当基于待处理数据的目标数据类型确定实体框架中的目标模式,而后根据该目标模式确定目标配置文件,较大程度地提升了采用RPA方法从模板内容中读取与标识匹配的目标配置文件的效率,同时可以保证所得目标配置文件中相关信息对待处理数据与关联数据之间边缘关联关系的表征准确性。
图3是本公开另一实施例提出的结合RPA和AI的数据处理方法的流程示意图。
参见图3,该结合RPA和AI的数据处理方法,包括:
S301:采用机器人流程自动化RPA方法接收处理请求,其中,处理请求包括:实体框架中待处理数据的标识。
S301的描述说明可以具体参见上述实施例,在此不再赘述。
S302:采用RPA方法确定待处理数据与关联数据之间的边缘关联关系,并采用实体框架的模板内容中的目标配置文件定义边缘关联关系。
可以理解的是,待处理数据与关联数据之间的边缘关联关系存在多种可能,因此实体框架中的模板内容中可能不存在与标识匹配的目标配置文件。由此,本公开实施例在采用机器人流程自动化RPA方法接收处理请求后,可以采用RPA方法确定待处理数据与关联数据之间的边缘关联关系,并采用实体框架的模板内容中的目标配置文件定义该边缘关联关系,以此补充模板内容,能够保障该模板内容适用于具体应用场景,触发后续步骤,根据处理请求和模板内容确定数据处理方法。
举例而言,在ent实体框架中,可以使用edge.From语句和edge.To语句维护table之前的边缘关联关系,在User模式下添加新的边缘关联关系时,可以在待处理数据对应Schema中使用edge.To语句配置新的边缘关联关系,便于在之后的数据处理过程中调用该边缘关联关系,生成对应的修改语句。
S303:采用RPA方法结合人工智能AI生成与待处理数据对应的第一处理方法,其中,在响应于处理请求时,第一处理方法可被调用以处理待处理数据。
其中,第一处理方法,是指采用RPA方法结合人工智能AI生成的适用于待处理数据的数据处理方法。
可选的,一些实施例中,第一处理方法可以是软删除处理方法,当然,也可以是其他任意可能的能够适用于本公开实施例的处理方法,例如更新处理、查询处理等,对此不做限制。
其中,软删除,是指不删除数据库中的数据,数据是可以恢复的,只是在用户“视野”中屏蔽该软删除处理后的数据。
可以理解的是,数据本身可能存在实际价值或潜在价值,当用户采用直接删除数据的方法删除数据后发现该数据的潜在价值,此时可能会无法找回被删除的数据,给用户带来损失,而软删除可以很好地解决该问题。
S304:采用RPA方法结合人工智能AI根据边缘关联关系,生成与关联数据对应的第二处理方法,其中,第二处理方法用于在第一处理方法被调用时,联动处理关联数据。
其中,第二处理方法,是指采用RPA方法结合人工智能AI根据边缘关联关系,生成的适用于关联数据的数据处理方法。
可以理解的是,在数据处理过程中,数据处理的第一处理对象是待处理数据,第二处理对象是关联数据,且对关联数据的处理依赖于边缘关联关系,由此,当采用RPA方法结合人工智能AI根据边缘关联关系,生成与关联数据对应的第二处理方法,可以有效提升所得第二处理方法对于该关联数据的适用性,在第一处理方法被调用时,联动调用第二处理方法联动处理关联数据,可以有效提升数据处理的整体效率。
可选的,一些实施例中,第二处理方法可以是软删除处理方法,当然,也可以是其他任意可能的能够适用于本公开实施例的处理方法,对此不做限制。由此,当第一处理方法和第二处理方法是软删除处理方法时,可以在满足用户对于数据删除处理需求的同时,避免发生因为频繁进行数据删除操作而可能导致的性能问题,还可以依据用户配置指令,恢复已删除的数据,避免因为删除的数据无法找回而造成损失,有效提升了该结合RPA和AI的数据处理方法的鲁棒性。
由此,本公开实施例中,可以在实体框架的模板内容中不存在与标识匹配的目标配置文件时,采用RPA方法确定待处理数据与关联数据之间的边缘关联关系,并采用实体框架的模板内容中的目标配置文件定义边缘关联关系,而后采用RPA方法结合人工智能AI生成与待处理数据对应的第一处理方法,采用RPA方法结合人工智能AI根据边缘关联关系,生成与关联数据对应的第二处理方法,由此,采用RPA方法确定待处理数据与关联数据之间的边缘关联关系,并采用实体框架的模板内容中的目标配置文件定义边缘关联关系,可以保证该目标配置文件与数据处理过程中待处理数据的标识匹配,所得边缘关联关系和对应的第一处理方法以及第二处理方法,能够不断完善扩展实体框架中的模板内容,可被用于调用处理具有相同边缘关联关系的关联数据,能够有效提升该结合RPA和AI的数据处理方法的适用性和可扩展性。
举例而言,在ent实体框架中进行软删除操作,本公开实施例可以在模板内容中循环读取ent实体框架中图数据库(Graph)中的节点数据,并在循环体内根据具体应用场景,定义软删除的实施方法,使用UpdateName语句作为更新生成器,可以将待处理数据设为一个修改的状态,而后通过循环边获取待处理数据的关联数据,通过查询到的关联实体的所有ID,根据目标配置文件中定义的边缘关联关系生成对应的修改语句,由此,通过边缘关联关系实现关联删除操作。
S305:采用RPA方法获取实体框架中的模板内容。
S306:采用RPA方法从模板内容中读取与标识匹配的目标配置文件,其中,目标配置文件中定义待处理数据与关联数据之间的边缘关联关系。
S307:采用RPA方法获取与边缘关联关系匹配的数据处理方法,其中,匹配的数据处理方法,是预先根据边缘关联关系构建得到。
S305~S307的描述说明可以具体参见上述实施例,在此不再赘述。
S308:采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,其中,待处理数据和关联数据之间具有实体框架中的边缘关联关系。
可以理解的是,本公开实施例中,在获取第一处理方法和第二处理方法后,该第一处理方法和第二处理方法适用于本次数据处理过程。
由此,一些实施例中,采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据可以是采用RPA方法响应于处理请求时,调用第一处理方法联合人工智能AI处理待处理数据,在第一处理方法被调用时,采用RPA方法调用第二处理方法,并联合人工智能AI处理关联数据,由此,可以避免再次获取数据处理方法而带来的逻辑时延,能够有效提升数据处理效率,第一处理方法响应于处理请求,可以有效提升执行数据处理的及时性和合理性,在第一处理方法被调用时,采用RPA方法调用第二处理方法,并联合人工智能AI处理关联数据,可以代替用户对关联数据进行对应的数据处理操作,能够有效数据处理的便携性。
本公开实施例中,在实体框架的模板内容中不存在与标识匹配的目标配置文件时,采用RPA方法确定待处理数据与关联数据之间的边缘关联关系,而后采用RPA方法结合人工智能AI生成与待处理数据对应的第一处理方法,采用RPA方法结合人工智能AI根据边缘关联关系,生成与关联数据对应的第二处理方法,分别被用于后续处理待处理数据和关联数据,由此,采用RPA方法确定待处理数据与关联数据之间的边缘关联关系,并采用实体框架的模板内容中的目标配置文件定义边缘关联关系,可以保证该目标配置文件与数据处理过程中待处理数据的标识匹配,所得边缘关联关系和对应的第一处理方法以及第二处理方法,能够不断完善实体框架中的模板内容,可被用于调用处理具有相同边缘关联关系的关联数据,能够有效提升该结合RPA和AI的数据处理方法的适用性和可扩展性。采用RPA方法响应于处理请求时,调用第一处理方法联合人工智能AI处理待处理数据,在第一处理方法被调用时,采用RPA方法调用第二处理方法,并联合人工智能AI处理关联数据,可以避免再次获取数据处理方法而带来的逻辑时延,能够有效提升数据处理效率,第一处理方法响应于处理请求,可以有效提升执行数据处理的及时性和合理性,在第一处理方法被调用时,采用RPA方法联动调用第二处理方法,并联合人工智能AI处理关联数据,可以代替用户对关联数据进行对应的数据处理操作,能够有效数据处理的便携性。当第一处理方法和第二处理方法是软删除处理方法时,可以在满足用户对于数据删除处理需求的同时,避免发生因为频繁进行数据删除操作而可能导致的性能问题,还可以依据用户配置指令,恢复已删除的数据,避免因为删除的数据无法找回而造成损失,有效提升了该结合RPA和AI的数据处理方法的鲁棒性。
图4是本公开一实施例提出的结合RPA和AI的数据处理装置的结构示意图。
参见图4,该结合RPA和AI的数据处理装置400,包括:
接收模块401,用于采用机器人流程自动化RPA方法接收处理请求,其中,处理请求包括:实体框架中待处理数据的标识;
获取模块402,用于采用RPA方法根据标识,获取数据处理方法;以及
处理模块403,用于采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,其中,待处理数据和关联数据之间具有实体框架中的边缘关联关系。
可选地,一些实施例中,参见图5,图5是本公开另一实施例提出的结合RPA和AI的数据处理装置的结构示意图,获取模块402,包括:
第一获取子模块4021,用于采用RPA方法获取实体框架中的模板内容;
第二获取子模块4022,用于采用RPA方法从模板内容中读取与标识匹配的目标配置文件,其中,目标配置文件中定义待处理数据与关联数据之间的边缘关联关系;
第三获取子模块4023,用于采用RPA方法获取与边缘关联关系匹配的数据处理方法,其中,匹配的数据处理方法,是预先根据边缘关联关系构建得到。
可选地,一些实施例中,第二获取子模块4022,具体用于:
采用RPA方法确定标识所属的待处理数据的目标数据类型,其中,目标数据类型对应实体框架中的目标模式;
采用RPA方法将模板内容中的目标模式下的配置文件作为目标配置文件,其中,目标配置文件中定义待处理数据与关联数据之间的基于目标模式的边缘关联关系。
可选地,一些实施例中,获取模块402,还包括:
确定子模块4024,用于采用RPA方法确定待处理数据与关联数据之间的边缘关联关系;
第一生成子模块4025,用于采用RPA方法结合人工智能AI生成与待处理数据对应的第一处理方法,其中,在响应于处理请求时,第一处理方法可被调用以处理待处理数据;
第二生成子模块4026,用于采用RPA方法结合人工智能AI根据边缘关联关系,生成与关联数据对应的第二处理方法,其中,第二处理方法用于在第一处理方法被调用时,联动处理关联数据。
可选地,一些实施例中,处理模块403,具体用于:
采用RPA方法响应于处理请求时,调用第一处理方法联合人工智能AI处理待处理数据;
在第一处理方法被调用时,采用RPA方法调用第二处理方法,并联合人工智能AI处理关联数据。
可选地,一些实施例中,第一处理方法是软删除处理方法,第二处理方法是软删除处理方法。
可选地,一些实施例中,实体框架是ent实体框架。
本公开实施例各结合RPA和AI的数据处理装置中的各模块的功能可以参见上述结合RPA和AI的数据处理方法中的对应描述,在此不再赘述。
本公开实施中,通过采用机器人流程自动化RPA方法接收处理请求,采用RPA方法根据标识,获取数据处理方法,以及采用RPA方法结合人工智能AI,根据数据处理方法,处理待处理数据和关联数据,在利用人工智能AI结合机器人流程自动化RPA进行数据处理时,实现数据的自动化的关联处理,有效降低数据处理过程中所消耗的成本,当基于实体框架中待处理数据的标识确定对应数据处理方法时,能够有效兼顾数据关联处理的自动化程度和关联处理的可靠性。
图6示出根据本公开一实施例的电子设备的结构框图。如图6所示,该电子设备包括:存储器610和处理器620,存储器610内存储有可在处理器620上运行的计算机程序。处理器620执行该计算机程序时实现上述实施例中的结合RPA和AI的数据处理方法。存储器610和处理器620的数量可以为一个或多个。
该电子设备还包括:
通信接口630,用于与外界设备进行通信,进行数据交互传输。
如果存储器610、处理器620和通信接口630独立实现,则存储器610、处理器620和通信接口630可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器610、处理器620及通信接口630集成在一块芯片上,则存储器610、处理器620及通信接口630可以通过内部接口完成相互间的通信。
本公开实施例提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现本公开实施例中提供的结合RPA和AI的数据处理方法。
本公开实施例还提供了一种芯片,该芯片包括,包括处理器,用于从存储器中调用并运行存储器中存储的指令,使得安装有芯片的通信设备执行本公开实施例提供的结合RPA和AI的数据处理方法。
本公开实施例还提供了一种芯片,包括:输入接口、输出接口、处理器和存储器,输入接口、输出接口、处理器以及存储器之间通过内部连接通路相连,处理器用于执行存储器中的代码,当代码被执行时,处理器用于执行公开实施例提供的结合RPA和AI的数据处理方法。
应理解的是,上述处理器可以是中央处理器(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(digital signal processing,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(fieldprogrammablegate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是,处理器可以是支持进阶精简指令集机器(advanced RISC machines,ARM)架构的处理器。
进一步地,可选的,上述存储器可以包括只读存储器和随机存取存储器,还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以包括只读存储器(read-onlymemory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以包括随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用。例如,静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic random access memory,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本公开的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本公开的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
应理解的是,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本公开各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。

Claims (14)

1.一种结合RPA和AI的数据处理方法,其特征在于,应用于自然语言处理NLP,包括:
采用机器人流程自动化RPA方法接收处理请求,其中,所述处理请求包括:实体框架中待处理数据的标识;
采用所述RPA方法根据所述标识,获取数据处理方法;以及
采用所述RPA方法结合人工智能AI,根据所述数据处理方法,处理所述待处理数据和关联数据,其中,所述待处理数据和所述关联数据之间具有所述实体框架中的边缘关联关系。
2.如权利要求1所述的方法,其特征在于,所述采用所述RPA方法根据所述标识,获取数据处理方法,包括:
采用所述RPA方法获取所述实体框架中的模板内容;
采用所述RPA方法从所述模板内容中读取与所述标识匹配的目标配置文件,其中,所述目标配置文件中定义所述待处理数据与所述关联数据之间的所述边缘关联关系;
采用所述RPA方法获取与所述边缘关联关系匹配的所述数据处理方法,其中,所述匹配的数据处理方法,是预先根据所述边缘关联关系构建得到。
3.如权利要求2所述的方法,其特征在于,所述采用所述RPA方法从所述模板内容中读取与所述标识匹配的目标配置文件,其中,所述目标配置文件中定义所述待处理数据与所述关联数据之间的所述边缘关联关系,包括:
采用所述RPA方法确定所述标识所属的所述待处理数据的目标数据类型,其中,所述目标数据类型对应所述实体框架中的目标模式;
采用所述RPA方法将所述模板内容中的所述目标模式下的配置文件作为所述目标配置文件,其中,所述目标配置文件中定义所述待处理数据与所述关联数据之间的基于所述目标模式的边缘关联关系。
4.如权利要求2所述的方法,其特征在于,在所述采用所述RPA方法获取所述实体框架中的模板内容之前,还包括:
采用所述RPA方法确定所述待处理数据与所述关联数据之间的边缘关联关系,并采用所述实体框架的模板内容中的目标配置文件定义所述边缘关联关系;
采用所述RPA方法结合人工智能AI生成与所述待处理数据对应的第一处理方法,其中,在响应于所述处理请求时,所述第一处理方法可被调用以处理所述待处理数据;
采用所述RPA方法结合人工智能AI根据所述边缘关联关系,生成与所述关联数据对应的第二处理方法,其中,所述第二处理方法用于在所述第一处理方法被调用时,联动处理所述关联数据。
5.如权利要求4所述的方法,其特征在于,所述采用所述RPA方法结合人工智能AI,根据所述数据处理方法,处理所述待处理数据和关联数据,包括:
采用所述RPA方法响应于所述处理请求时,调用所述第一处理方法联合所述人工智能AI处理所述待处理数据;
在所述第一处理方法被调用时,采用所述RPA方法调用所述第二处理方法,并联合所述人工智能AI处理所述关联数据。
6.如权利要求1-5任一项所述的方法,其特征在于,所述第一处理方法是软删除处理方法,所述第二处理方法是所述软删除处理方法。
7.如权利要求1-5任一项所述的方法,其特征在于,所述实体框架是ent实体框架。
8.一种结合RPA和AI的数据处理装置,其特征在于,应用于自然语言处理NLP,包括:
接收模块,用于采用机器人流程自动化RPA方法接收处理请求,其中,所述处理请求包括:实体框架中待处理数据的标识;
获取模块,用于采用所述RPA方法根据所述标识,获取数据处理方法;以及
处理模块,用于采用所述RPA方法结合人工智能AI,根据所述数据处理方法,处理所述待处理数据和关联数据,其中,所述待处理数据和所述关联数据之间具有所述实体框架中的边缘关联关系。
9.如权利要求8所述的装置,其特征在于,所述获取模块,包括:
第一获取子模块,用于采用所述RPA方法获取所述实体框架中的模板内容;
第二获取子模块,用于采用所述RPA方法从所述模板内容中读取与所述标识匹配的目标配置文件,其中,所述目标配置文件中定义所述待处理数据与所述关联数据之间的所述边缘关联关系;
第三获取子模块,用于采用所述RPA方法获取与所述边缘关联关系匹配的所述数据处理方法,其中,所述匹配的数据处理方法,是预先根据所述边缘关联关系构建得到。
10.如权利要求9所述的装置,其特征在于,所述第二获取子模块,具体用于:
采用所述RPA方法确定所述标识所属的所述待处理数据的目标数据类型,其中,所述目标数据类型对应所述实体框架中的目标模式;
采用所述RPA方法将所述模板内容中的所述目标模式下的配置文件作为所述目标配置文件,其中,所述目标配置文件中定义所述待处理数据与所述关联数据之间的基于所述目标模式的边缘关联关系。
11.如权利要求9所述的装置,其特征在于,所述获取模块,还包括:
确定子模块,用于采用所述RPA方法确定所述待处理数据与所述关联数据之间的边缘关联关系;
第一生成子模块,用于采用所述RPA方法结合人工智能AI生成与所述待处理数据对应的第一处理方法,其中,在响应于所述处理请求时,所述第一处理方法可被调用以处理所述待处理数据;
第二生成子模块,用于采用所述RPA方法结合人工智能AI根据所述边缘关联关系,生成与所述关联数据对应的第二处理方法,其中,所述第二处理方法用于在所述第一处理方法被调用时,联动处理所述关联数据。
12.如权利要求11所述的装置,其特征在于,所述处理模块,具体用于:
采用所述RPA方法响应于所述处理请求时,调用所述第一处理方法联合所述人工智能AI处理所述待处理数据;
在所述第一处理方法被调用时,采用所述RPA方法调用所述第二处理方法,并联合所述人工智能AI处理所述关联数据。
13.一种电子设备,其特征在于,包括:
至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-7任一项所述的结合RPA和AI的数据处理方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-7任一项所述的结合RPA和AI的数据处理方法。
CN202111619018.6A 2021-12-27 2021-12-27 结合rpa和ai的数据处理方法、装置、电子设备及存储介质 Pending CN114416888A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111619018.6A CN114416888A (zh) 2021-12-27 2021-12-27 结合rpa和ai的数据处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111619018.6A CN114416888A (zh) 2021-12-27 2021-12-27 结合rpa和ai的数据处理方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114416888A true CN114416888A (zh) 2022-04-29

Family

ID=81269627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111619018.6A Pending CN114416888A (zh) 2021-12-27 2021-12-27 结合rpa和ai的数据处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114416888A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115407942A (zh) * 2022-08-29 2022-11-29 深圳市锦锐科技股份有限公司 一种适用于单片机芯片的数据处理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115407942A (zh) * 2022-08-29 2022-11-29 深圳市锦锐科技股份有限公司 一种适用于单片机芯片的数据处理方法
CN115407942B (zh) * 2022-08-29 2023-07-14 深圳市锦锐科技股份有限公司 一种适用于单片机芯片的数据处理方法

Similar Documents

Publication Publication Date Title
US9661109B2 (en) Systems and methods for data migration
WO2020232884A1 (zh) 数据表迁移方法、装置、计算机设备和存储介质
WO2021179722A1 (zh) Sql语句解析方法、系统、计算机设备和存储介质
US20140156849A1 (en) Map-reduce workflow processing apparatus and method, and storage media storing the same
CN110490416B (zh) 任务管理方法及终端设备
CN117033249B (zh) 一种测试用例生成方法、装置、计算机设备及存储介质
CN109542962B (zh) 数据处理方法、装置、计算机设备和存储介质
WO2020237508A1 (zh) 一种断言验证代码绑定方法及装置
CN113761367B (zh) 机器人流程自动化程序的推送系统及方法、装置、计算设备
CN105335309A (zh) 一种数据传输方法及计算机
CN111177113A (zh) 数据迁移方法、装置、计算机设备和存储介质
CN112883125A (zh) 一种实体数据处理方法、装置、设备和存储介质
CN109669977A (zh) 跨数据库的数据接入方法、装置、计算机设备及存储介质
CN114416888A (zh) 结合rpa和ai的数据处理方法、装置、电子设备及存储介质
CN109033456B (zh) 一种条件查询方法、装置、电子设备和存储介质
CN110442636B (zh) 一种数据的读写方法、装置及数据读写设备
CN110532457B (zh) 一种获取网络段id方法及系统
CN111858020B (zh) 用户资源限制方法、装置及计算机存储介质
CN109344050B (zh) 一种基于结构树的接口参数分析方法及装置
CN111444253A (zh) 数据导入方法、装置、计算机可读存储介质和计算机设备
CN109408035B (zh) 一种业务系统的流程配置方法、存储介质和服务器
CN113469284B (zh) 一种数据分析的方法、装置及存储介质
CN115809304A (zh) 字段级血缘解析方法、装置、计算机设备、存储介质
CN112148513B (zh) 单点服务数据的转储方法、装置及存储介质
CN113849482A (zh) 一种数据迁移方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination