CN114556245A - 针对机器人流程自动化的人机回圈机器人训练 - Google Patents
针对机器人流程自动化的人机回圈机器人训练 Download PDFInfo
- Publication number
- CN114556245A CN114556245A CN202080072407.9A CN202080072407A CN114556245A CN 114556245 A CN114556245 A CN 114556245A CN 202080072407 A CN202080072407 A CN 202080072407A CN 114556245 A CN114556245 A CN 114556245A
- Authority
- CN
- China
- Prior art keywords
- robot
- rpa
- user
- computing system
- server
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/38—Creation or generation of source code for implementing user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39371—Host and robot controller
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Manipulator (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了针对机器人流程自动化(RPA)使用人工智能(AI)的人机回圈机器人训练。这可以由监听器机器人观察用户或者另一机器人与计算系统的交互来实现。基于用户或者机器人与计算系统的交互,可以针对用户或者用户组改进和/或个性化机器人。
Description
相关申请的交叉引用
本申请要求了2019年12月9日提交的申请号为16/708,036的美国非临时专利申请和2019年10月15日提交的申请号为62/915,429的美国临时专利申请的权益。这些较早提交的申请的主题通过引用其整体而并入本文。
技术领域
本发明总体上涉及机器人流程自动化(RPA),更具体地涉及针对机器人流程自动化的人机回圈(“human-in-the-loop”)机器人训练。
背景技术
RPA机器人可以被部署以协助用户完成各种任务。可以基于预期的一般功能需求来设计这种机器人。然而,机器人可能并不总是适应特定用户的需求。因此,用于训练和个性化RPA机器人的改进方法可能是有益的。
发明内容
本发明的某些实施例可以针对当前机器人训练技术尚未被完全标识、理解或者解决的现有技术中的问题和需求提供解决方案。例如,本发明的一些实施例涉及针对RPA的人机回圈机器人训练。
在实施例中,系统包括:包括机器人流程自动化(RPA)机器人和监听器的用户计算系统。系统还包括:服务器。监听器被配置为:经由用户计算系统来监控与RPA机器人的用户交互,并且记录与交互有关的数据。监听器还被配置为:将与用户交互有关的记录的数据传输到服务器。服务器被配置为:接收与用户交互有关的记录的数据,基于记录的数据来确定修改是否应当针对RPA机器人的RPA工作流而被进行。当服务器确定修改应当被进行时:当修改能够通过将活动或者活动序列插入针对RPA机器人的RPA工作流是可解决的时,服务器被配置为将活动或者活动序列插入针对进行确定的修改的RPA机器人的RPA工作流。
在另一实施例中,体现在非暂态计算机可读介质上的计算机程序。程序被配置成使至少一个处理器:经由用户计算系统来监控与机器人流程自动化(RPA)机器人的用户交互,并且记录与交互有关的数据。记录的数据包括异常。程序还被配置为:将与用户交互有关的记录的数据传输到服务器,从服务器接收RPA机器人的新版本,新版本已经被修改以解决记录的数据中的异常;以及部署RPA机器人的新版本。
在又一实施例中,计算机实现的方法包括:由计算系统接收与用户与机器人流程自动化(RPA)的交互有关的记录的数据,由计算系统基于记录的数据来确定修改是否应当针对RPA机器人的RPA工作流而被进行。当计算系统确定修改应当被进行时:当修改通过将活动或者活动序列插入针对RPA机器人的RPA工作流是可解决的时,计算机实现的方法包括:将活动或者活动序列插入针对进行确定的修改的RPA机器人的RPA工作流。
附图说明
为了便于理解本发明某些实施例的优点,将参考附图中所示的具体实施例,对上文简要描述的本发明进行更详细的描述。虽然应当理解,这些附图仅描绘了本发明的典型实施例,因此不被认为是对其范围的限制,但是将通过使用附图利用附加的特征和细节来描述和解释本发明,在附图中:
图1是图示根据本发明实施例的RPA系统的架构图。
图2是图示根据本发明实施例的已部署的RPA系统的架构图。
图3是图示根据本发明实施例的设计器、活动和驱动器之间关系的架构图。
图4是图示根据本发明实施例的RPA系统的架构图。
图5是图示根据本发明实施例的被配置为用于在RPA环境中训练机器人的计算系统的架构图。
图6是图示根据本发明实施例的被配置为使用针对RPA的AI的人机回圈机器人训练的系统的架构图。
图7是图示根据本发明实施例的针对RPA的人机回圈机器人训练的过程的流程图。
除非另有说明,否则在所有附图中相似的附图标记始终表示相应的特征。
具体实施方式
本发明的一些实施例涉及针对RPA的人机回圈机器人训练。在一些实施例中,这可以由监听器机器人观察用户与计算系统的交互来实现。计算系统可以是个人计算机、移动设备、服务器(例如,如果RPA机器人协助服务器操作和维护),或者任何其他合适的计算系统,而不脱离本发明的范围。例如,考虑一名员工或者员工组取得优异绩效的情况(例如,转化了异常高数量的线索并且创造了可观的销售额)。(多个)监听器机器人可以将记录的数据发送到服务器,在服务器处记录的数据可以被存储在数据库中。在分析一个用户的动作的情况下,可以通过分析和复制用户的动作来生成工作流,然后可以从工作流中生成模仿这些动作的机器人,并且将机器人部署到其他用户的计算系统以增强表现。
在监控用户组或者机器人组的情况下,可以将来自每个用户或者每个机器人的数据发送至服务器,并且使用AI进行分析以识别其中的用户行为过程的模式,并且开发机器学习(ML)模型。然后,调用此ML模型的RPA工作流可以被生成并且被部署。
在某些实施例中,监听器可以观察用户与机器人的交互,基于用户与机器人的交互可以生成对用户更个性化的机器人的新版本。如果是特定于用户的,则可以修改针对机器人的工作流程,以进行特定于用户的更改。例如,如果用户命令有人值守的机器人生成特定的电子邮件,但是用户随后介入并且手动将特定的结束文本添加到电子邮件中、改变字体等,系统可以学习到用户通常会这样做,并且在RPA工作流中创建一个或多个活动来自动进行此更改。机器人的新的、本地版本可以被部署而不用用户主动进行任何更改,而用户则可以注意到机器人已经开始自动执行这些动作。
一些机器人可以基于用户的语音命令或者文本输入来执行动作,以实现人机回圈功能。然而,机器人的初始的、被全局部署的版本可能无法针对所有用户提供良好的功能。例如,如果命令机器人的用户有口音,某些全局ML模型可能无法正确识别用户的语音。然而,本地ML模型可以被训练以监控和更有效地响应该特定用户与机器人的交互,例如,通过基于用户对文本进行的更正来学习理解以用户的口音说出的单词。因此,可以通过从这些交互中学习来训练本地模型,从而为用户个性化机器人。
通常,使用来自广泛用户池的数据来训练全局ML模型。考虑文档处理的情况。可以在所有企业文档或者其部分上训练全局ML模型。
然而,在某些情况下,特定人员或者人员组可能正在处理ML模型未有效处理的特定类型的文挡。这些文档可能使用某些语言、具有不同的要提取的数据实体、使用不同的工作流等。在这种情况下,本地ML模型可以被训练以学习处理这些特定的文档类型。
在一些实施例中,正在使用全局ML模型时,可以收集异常用于再训练。如果异常倾向于特定于给定用户或者用户组,则可以基于这些异常来最初地创建和训练(或者再训练)本地ML模型。然而,如果异常倾向于被大量用户经历,则也可以基于这些异常来再训练全局ML。
考虑集中收件箱(“focused inbox”)的示例。为了在全局ML模型中检测垃圾邮件,可以添加关键字。然而,针对某个公司,具有指示全局ML上下文中的垃圾邮件的关键字的电子邮件实际上可能不是针对该公司或者针对个人的垃圾邮件。部署在用户计算系统上的监听器可以提供数据指示为此原因而被放入垃圾邮件文件夹的电子邮件经常由一个或多个用户移动到收件箱。本地ML模型则可以被训练为不将这样的电子邮件标记针对特定用户或者用户组的垃圾邮件。
在一些实施例中,本地ML模型学习用户的特定行为,诸如用户与各种应用的交互、在应用使用期间采取的用户步骤(因此可以被自动化的那些步骤)等。可以首先应用本地ML模型,并且如果没有获得结果,那么可以应用全局模型。以这种方式,如果本地ML模型不能提供结果,则全局ML模型可以用作后备。
在一些实施例中,机器人可以审查分析。例如,机器人可以查看销售人员打了多少个电话以及结果。机器人可以搜索顶级员工,观察他们的模式,并且收集这些信息进行训练。机器人还可以查看关键词、分析情绪(如果视频被拍摄和/或音频被捕获,其中某些面部表情、语音模式和音量可以指示情绪)等。这些分析可以帮助机器人选择最佳应用。例如,在销售线索的情况下,如果用户只从一个系统而不是另一系统获取线索,机器人可以选择专注于效果最好的线索转换软件。
一些实施例可以包括驱动方面。在那些实施例中,当有效的专业知识被量化时(例如,使用某些关键词),机器人可以自动采取措施或者进行建议。因此,机器人可以学习成针对用户的智能引导工具。
图1是图示根据本发明实施例的RPA系统100的架构图。RPA系统100包括允许开发方设计和实现工作流的设计器110。设计器110可以提供用于应用集成以及自动化第三方应用、管理信息技术(IT)任务和商业IT过程的解决方案。设计器110可以促进自动化项目的开发,该自动化项目是业务过程的图形表示。简而言之,设计器110促进工作流和机器人的开发和部署。
自动化项目通过给予开发方对执行顺序和在工作流中开发的自定义步骤集之间的关系的控制,来启用基于规则的过程的自动化,在本文中工作流被限定为“活动”。设计器110的实施例的一个商业示例是UiPath StudioTM。每个活动可以包括动作,诸如点击按钮、读取文件、写入记录面板等。在一些实施例中,工作流可以是嵌套的或者嵌入的。
工作流的一些类型可以包括但不限于序列、流程图、有限状态机(FSM)和/或全局异常处理程序。序列可以特别适合线性过程,使能够从一个活动流向另一活动,而不会使工作流变得混乱。流程图可以特别适合更复杂的业务逻辑,通过多个分支逻辑操作符以更多样化的方式启用决策的集成和活动的连接。FSM可以特别适合大型工作流。FSM可以在它们的执行中使用有限数目的状态,这些状态由条件(即,转换)或者活动触发。全局异常处理程序可以特别适合用于在遇到执行错误时确定工作流行为以及用于调试过程。
一旦在设计器110中开发出工作流之后,指挥方120协调业务过程的执行,指挥方120协调一个或多个机器人130执行设计器110中已开发的工作流。指挥方120的实施例的一个商业示例是UiPath OrchestratorTM。指挥方120促进管理环境中资源的创建、监控和部署。指挥方120可以充当与第三方解决方案和应用的集成点。
指挥方120可以管理机器人130的编队、从集中点连接和执行机器人130。可以被管理的机器人130的类型包括但不限于:有人值守机器人132、无人值守机器人134、开发机器人(类似于无人值守机器人134,但用于开发和测试目的)和非生产机器人(类似于有人值守机器人132,但用于开发和测试目的)。有人值守机器人132由用户事件触发,并且在同一计算系统上与人类一起工作。有人值守机器人132可以与指挥方120一起用于集中式过程部署和记录介质。有人值守机器人132可以帮助人类用户完成各种任务,并且可以由用户事件触发。在一些实施例中,过程不能从这种类型的机器人上的指挥方120启动,和/或它们不能在锁定的屏幕下运行。在某些实施例中,有人值守机器人132只能从机器人托盘或者从命令提示符来启动。在一些实施例中,有人值守机器人132应当在人类的监督下运行。
无人值守机器人134在虚拟环境中无人值守地运行并且可以自动化数个过程。无人值守机器人134可以负责远程执行、监控、调度和针对工作队列提供支持。在一些实施例中,针对所有机器人类型的调试可以在设计器110中运行。有人值守机器人和无人值守机器人两者可以自动化各种系统和应用,包括但不限于大型机、web应用、VM、企业应用(例如,由等生产的应用)、以及计算系统应用(例如,桌面和膝上型应用、移动设备应用、可穿戴计算机应用等)。
指挥方120可以具有各种功能,包括但不限于供应、部署、配置、排队、监控、记录和/或提供互连性。供应可以包括:创建和维护机器人130与指挥方120之间的连接(例如,web应用)。部署可以包括:确保将数据包版本正确地递送给指定的机器人130用于执行。配置可以包括机器人环境和过程配置的维护和递送。排队可以包括:提供队列和队列项的管理。监控可以包括:跟踪机器人标识数据和维护用户许可。记录可以包括:将记录存储到和索引到数据库(例如,SQL数据库)和/或另一存储机制(例如,提供存储和快速查询大型数据集的能力的)。指挥方120可以通过充当针对第三方解决方案和/或应用的集中通信点来提供互连性。
机器人130是运行设计器110内置工作流的执行代理。(多个)机器人130的一些实施例的一个商业示例是UiPath RobotsTM。在一些实施例中,机器人130默认安装微软服务控制管理器(SCM)管理的服务。因此,此类机器人130可以在本地系统账户下打开交互式会话,并且具有服务的权限。
在一些实施例中,机器人130可以以用户模式安装。针对这种机器人130,这意味着它们具有与已经安装的给定机器人130的用户相同的权利。此功能也可以用于高密度(HD)机器人,确保机器中的每个机器的最大潜能得到充分利用。在一些实施例中,可以在HD环境中配置任何类型的机器人130。
某些实施例中的机器人130分为多个组件,每个组件专用于特定的自动化任务。一些实施例中的机器人组件包括但不限于SCM管理的机器人服务、用户模式机器人服务、执行方、代理和命令行。SCM管理的机器人服务对会话进行管理和监控,并且充当指挥方120与执行主机(即,机器人130在其上被执行的计算系统)之间的代理。这些服务可以被委托并且管理针对机器人130的凭证。本地系统下的SCM启动控制台应用。
在一些实施例中,用户模式机器人服务管理和监控会话,并且充当指挥方120与执行主机之间的代理。用户模式机器人服务可以被委托并且管理针对机器人130的凭证。如果没有安装SCM管理的机器人服务,则应用可以自动启动。
执行方可以在会话下运行给定作业(即,它们可以执行工作流)。执行方可以知道每个监控器的每英寸点数(DPI)设置。代理可以是在系统托盘窗口中显示可用作业的呈现基础(WPF)应用。代理可以是服务的客户端。代理可以请求启动或者停止作业以及更改设置。命令行是服务的客户端。命令行是控制台应用,其可以请求启动作业并且等待其输出。
如上所述地将机器人130的组件分开有助于开发方、支持用户和计算系统更轻松地运行、标识和跟踪每个组件正在执行什么。可以以这种方式为每个组件配置特殊行为,诸如针对执行方和服务设置不同的防火墙规则。在一些实施例中,执行方可以总是知道每个监控器的DPI设置。因此,工作流可以在任何DPI处执行,而无论创建工作流的计算系统的配置如何。在一些实施例中,来自设计器110的项目也可以独立于浏览器缩放级别。对于不知道DPI或者故意地标记为不知道的应用,在一些实施例中可以禁用DPI。
图2是图示根据本发明实施例的已部署RPA系统200的架构图。在一些实施例中,RPA系统200可以是图1的RPA系统100,或者可以是其部分。应当注意,客户端侧、服务器侧或两者可以包括任何期望数目的计算系统,而不脱离本发明的范围。在客户端侧,机器人应用210包括执行方212、代理214和设计器216。然而,在一些实施例中,设计器216可以不在计算系统210上运行。执行方212正在运行过程。多个业务项目可以同时运行,如图2所示。在本实施例中,代理214(例如,服务)是针对所有执行方212的单联系点。本实施例中的所有消息都被记录到指挥方230中,指挥方230经由数据库服务器240、索引器服务器250或两者进一步处理它们。如上关于图1所述,执行方212可以是机器人组件。
在一些实施例中,机器人代表机器名称与用户名之间的关联。机器人可以同时管理多个执行方。在支持同时运行的多个交互式会话的计算系统(例如,服务器2012)上,多个机器人可以同时运行,每个机器人使用唯一的用户名在单独的会话中运行。这就是上面提到的HD机器人。
代理214还负责发送机器人的状态(例如,定期地发送指示机器人仍在运行的“心跳”消息)和下载要执行的数据包的所需版本。在一些实施例中,代理214与指挥方230之间的通信总是由代理214发起。在通知场景中,代理214可以打开随后由指挥方230用来向机器人发送命令(例如,开始、停止等)的WebSocket通道。
在服务器侧,包括了表示层(web应用232、开放数据协议(OData)代表状态传输(REST)应用编程接口(API)端点234以及通知和监控236)、服务层(API实现/业务逻辑238)和持久层(数据库服务器240和索引器服务器250)。指挥方230包括web应用232、OData RESTAPI端点234、通知和监控236以及API实现/业务逻辑238。在一些实施例中,用户在指挥方220的界面中执行的大多数动作(例如,经由浏览器220)是通过调用各种API来执行的。这种动作可以包括但不限于在机器人上启动作业、在队列中添加/移除数据、调度作业以进行无人值守运行等,而不脱离本发明的范围。Web应用232是服务器平台的可视层。在本实施例中,web应用232使用超文本标记语言(HTML)和JavaScript(JS)。然而,在不脱离本发明的范围的情况下,可以使用任何期望的标记语言、脚本语言或者任何其他格式。在本实施例中,用户经由浏览器220与来自web应用232的网页交互,以便执行各种动作来控制指挥方230。例如,用户可以创建机器人组、向机器人分配数据包、分析每个机器人的和/或每个过程的记录、启动和停止机器人等。
除了web应用232,指挥方230还包括公开OData REST API端点234的服务层。然而,可以包括其他端点,而不脱离本发明的范围。REST API由web应用232和代理214两者消费。在本实施例中,代理214是客户端计算机上的一个或多个机器人的监管方。
本实施例中的REST API涵盖配置、记录、监控和排队功能。在一些实施例中,配置端点可以用于限定和配置应用用户、许可、机器人、资产、发布和环境。记录REST端点可以用于记录不同的信息,诸如错误、由机器人发送的明确消息以及其他特定于环境的信息。如果在指挥方230中使用启动作业命令,则机器人可以使用部署REST端点来查询应该被执行的数据包版本。排队REST端点可以负责队列和队列项管理,诸如向队列添加数据、从队列获取事务(transaction)、设置事务的状态等。
监控REST端点可以监控web应用232和代理214。通知和监控API 236可以是REST端点,其用于注册代理214、向代理214递送配置设置、以及用于从服务器和代理214发送/接收通知。在一些实施例中,通知和监控API 236也可以使用WebSocket通信。
在本实施例中,持久层包括服务器对——数据库服务器240(例如,SQL服务器)和索引器服务器250。本实施例中的数据库服务器240存储机器人、机器人组、相关过程、用户、角色、调度等的配置。在一些实施例中,该信息通过web应用232而被管理。数据库服务器240可以管理队列和队列项。在一些实施例中,数据库服务器240可以存储由机器人记录的消息(附加于索引器服务器250或者代替索引器服务器250)。
索引器服务器250(其在一些实施例中为可选的)存储并且索引由机器人记录的信息。在某些实施例中,可以通过配置设置来禁用索引器服务器250。在一些实施例中,索引器服务器250使用(其是开源项目全文搜索引擎)。由机器人记录的消息(例如,使用记录消息或者写入行等的活动)可以通过(多个)记录REST端点而被发送到索引器服务器250,在索引器服务器250处它们被索引用于将来使用。
图3是图示根据本发明实施例的设计器310、活动320、330和驱动器340之间的关系300的架构图。如上所述,开发方使用设计器310来开发由机器人执行的工作流。工作流可以包括用户限定的活动320和UI自动化活动330。一些实施例能够标识图像中的非文本视觉成分,这在本文中被称为计算机视觉(CV)。与这些组件相关的一些CV活动可以包括但不限于点击、键入、获取文本、悬停、元素存在、刷新范围、突出显示等。在一些实施例中,点击使用例如CV、光学字符标识(OCR)、模糊文本匹配和多锚点来标识元素,并且点击元素。键入可以使用上述和元素中的类型来标识元素。获取文本可以标识特定文本的位置并且使用OCR对其扫描。悬停可以标识元素并且悬停在其上。元素存在可以使用上述技术来检查元素是否存在于屏幕上。在一些实施例中,可能有数百甚至数千个活动可以在设计器310中实现。然而,任何数目和/或类型的活动都是可用的,而不脱离本发明的范围。
UI自动化活动330是以较低等级代码编写的特殊较低等级活动的子集(例如,CV活动)并且有益于与屏幕的交互。UI自动化活动330经由驱动器340来促进这些交互,该驱动器340允许机器人与期望的软件交互。例如,驱动器340可以包括OS驱动器342、浏览器驱动器344、VM驱动器346、企业应用驱动器348等。
图4是图示根据本发明实施例的RPA系统400的架构图。在一些实施例中,RPA系统400可以是或者可以包括图1和/或图2的RPA系统100和/或200。RPA系统400包括运行机器人的多个客户端计算系统410。计算系统410能够经由运行在其上的web应用来与指挥方计算系统420通信。指挥方计算系统420转而又能够与数据库服务器430和可选的索引器服务器440通信。
关于图1和图3,应注意的是,虽然在这些实施例中使用了web应用,可以使用任何合适的客户/服务器软件,而不脱离本发明范围。例如,指挥方可以运行与客户端计算系统上的非基于网络的客户软件应用通信的服务器侧应用。
图5是图示根据本发明实施例的被配置为针对RPA使用AI进行人机回圈机器人训练的计算系统500的架构图。在一些实施例中,计算系统500可以是本文描绘和/或描述的计算系统中的一个或多个计算系统。计算系统500包括总线505或者用于传递信息的其他通信机制,以及耦合到总线505用于处理信息的(多个)处理器510。(多个)处理器510可以是任何类型的通用处理器或者专用处理器,包括中央处理单元(CPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、图形处理单元(GPU)、其多个实例和/或其任何组合。(多个)处理器510还可以具有多个处理核,并且这些核中的至少一些核可以被配置为执行特定功能。在一些实施例中可以使用多并行处理。在某些实施例中,(多个)处理器510中的至少一个处理器可以是包括模拟生物神经元的处理元件的神经形态电路。在一些实施例中,神经形态电路可以不需要冯诺依曼计算架构的典型组件。
计算系统500还包括存储器515,用于存储信息和要由(多个)处理器510执行的指令。存储器515可以由随机存取存储器(RAM)、只读存储器(ROM)、闪存、高速缓存、诸如磁盘或者光盘静态存储器或者任何其他类型的非暂态计算机可读介质或者其组合的任意组合组成。非暂态计算机可读介质可以是能够由(多个)处理器510访问的任何可用介质,并且可以包括易失性介质、非易失性介质或两者。介质也可以是可移动的、不可移动的或两者。
附加地,计算系统500包括通信设备520,诸如收发器,以经由无线和/或有线连接提供对通信网络的访问。在一些实施例中,通信设备520可以被配置为使用频分多址(FDMA)、单载波FDMA(SC-FDMA)、时分多址(TDMA)、码分多址(CDMA)、正交频分复用(OFDM)、正交频分多址(OFDMA)、全局移动通信系统(GSM)、通用分组无线业务(GPRS)、通用移动电信系统(UMTS)、cdma2000、宽带CDMA(W-CDMA)、高速下行链路分组接入(HSDPA)、高速上行链路分组接入(HSUPA)、高速分组接入(HSPA)高级LTE(LTE-A)、802.11x、Wi-Fi、Zigbee、超宽带(UWB)、802.16x、802.15、家庭节点B(HnB)、蓝牙、射频标识(RFID)、红外数据协会(IrDA)、近场通信(NFC)、第五代(5G)、新无线电(NR)、它们的任何组合、和/或任何其他当前存在的或者未来实现的通信标准和/或协议,而不脱离本发明的范围。在一些实施例中,通信设备520可以包括一个或多个天线,这些天线是单一的、阵列的、相控的、切换的、波束成形的、波束控制的、它们的组合,和/或任何其他天线配置,而不脱离本发明的范围。
(多个)处理器510还经由总线505耦合至显示器525,诸如等离子显示器、液晶显示器(LCD)、发光二极管(LED)显示器、场发射显示器(FED)、有机发光二极管(OLED)显示器、柔性OLED显示器、柔性基板显示器、投影显示器、4K显示器、高清显示器、显示器、面内切换(IPS)显示器或者任何其他适用于向用户显示信息的显示器。显示器525可以被配置为触摸(触觉)显示器、三维(3D)触摸显示器、多输入触摸显示器、多点触摸显示器等。使用电阻、电容、表面声波(SAW)电容、红外、光学成像、色散信号技术、声脉冲标识、受抑全内反射等。可以使用任何合适的显示设备和触觉I/O,而不脱离本发明的范围。
键盘530和光标控制设备535(诸如,计算机鼠标、触摸板等)还耦合至总线505,以使用户能够与计算系统交互。然而,在某些实施例中,可以不存在物理键盘和鼠标,并且用户可以仅通过显示器525和/或触摸板(未示出)来与设备交互。根据设计选择,可以使用任何类型和组合的输入设备。在某些实施例中,不存在物理输入设备和/或显示器。例如,用户可以经由与计算系统500通信的另一计算系统远程地与计算系统500交互,或者计算系统500可以自主地操作。
存储器515存储由(多个)处理器510执行时提供功能的软件模块。这些模块包括针对计算系统500的操作系统540。这些模块还包括机器人训练模块545,其被配置为执行本文描述的全部或部分过程或者其导出。计算系统500可以包括一个或多个包括附加功能的附加功能模块550。
本领域技术人员将理解,“系统”可以被体现为服务器、嵌入式计算系统、个人计算机、控制台、个人数字助理(PDA)、蜂窝电话、平板计算设备、量子计算系统或者任何其他合适的计算设备或者设备组合,而不脱离本发明范围。将上述功能表示为由“系统”执行并且不旨在以任何方式限制本发明的范围,而是旨在提供本发明的多个实施例中的一个示例。实际上,本文公开的方法、系统和设备可以以与计算技术(包括云计算系统)一致的局部化和分布式形式来实现。
应注意的是,本说明书中描述的一些系统特征已作为模块而被表示,以便更具体地强调其实现独立性。例如,模块可以被实现为硬件电路,包括定制的超大规模集成(VLSI)电路或门阵列、诸如逻辑芯片、晶体管或者其他分立元件的现成半导体。模块也可以在可编程硬件设备中实现,例如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备、图形处理单元等。
模块也可以至少部分地在软件中实现,用于由各种类型的处理器执行。可执行代码的标识的单元可以例如包括计算机指令的一个或多个物理块或逻辑块,其可以例如被组织为对象、程序或者功能。然而,标识的模块的可执行文件不需要在物理上位于一起,而是可以包括存储在不同位置的不同指令,当这些指令在逻辑上结合在一起时,构成该模块并且实现针对该模块的所描述目的。此外,模块可以存储在计算机可读介质上,计算机可读介质可以是例如硬盘驱动、闪存设备、RAM、磁带和/或用于存储数据的任何其他这种非暂态计算机可读介质,而不脱离本发明的范围。
实际上,可执行代码模块可以为单个指令或者多个指令,甚至可以在多个不同代码段上、不同程序中以及跨多个存储设备中分布。类似地,操作数据在本文可以在模块内被标识和示出,并且可以以任何合适的形式被具化并且被组织在任何合适类型的数据结构内。操作数据可以作为单个数据集来收集,或者可以分布在不同的位置,包括在不同的存储设备上,并且可以至少部分地仅作为系统或者网络上的电子信号而存在。
图6是图示根据本发明实施例的被配置为针对RPA使用AI进行人机回圈机器人训练的系统600的架构图。系统600包括用户计算系统,诸如台式计算机602、平板计算机604和智能电话606。然而,可以使用任何期望的计算系统,包括但不限于智能手表、膝上型计算机、物联网(IoT)设备、车辆计算系统等,而不脱离本发明范围。
每个计算系统602、604、606上都安装有监听器610。监听器610可以是经由RPA设计方应用、操作系统的部分、用于个人计算机(PC)或者智能电话的可下载应用、或者任何其他软件和/或硬件而被生成的机器人,而不脱离本发明的范围。实际上,在一些实施例中,一个或多个监听器610的逻辑部分地或者完全地经由物理硬件而被实现。
监听器610生成与相应的计算系统602、604、606上的机器人的用户交互的日志。然后监听器610经由网络620(例如,局域网(LAN)、移动通信网络、卫星通信网络、互联网、其任何组合等)将记录的数据发送至服务器630。在一些实施例中,服务器630可以运行指挥方应用,并且数据可以作为心跳消息的部分被周期性地发送。在某些实施例中,一旦预定量的记录的数据已经被收集、在预定时间段已经经过后、或者在这两种情况下,记录的数据可以被发送至服务器630。服务器630将从监听器610接收的记录的数据存储在数据库640中。
当由人类用户(例如,RPA工程师或者数据科学家)指示时、当预定量的记录的数据已被收集时、当自上次分析以来预定量的时间已经经过时等,服务器630从数据库640访问由监听器610从各种用户收集的记录的数据,并且通过多个AI层632来运行记录的数据。AI层632处理记录的数据,并且基于用户与机器人的交互来训练本地ML模型。服务器630然后可以自动生成调用训练的本地ML模型的工作流,生成实现工作流的机器人(或者替代机器人),并且将所生成的机器人推送到用户计算系统602、604、606以在其上执行。
备选地,在某些实施例中,可以经由计算系统650上的设计方应用652向RPA工程师展示来自AI层632的建议过程。RPA工程师然后能够审查工作流,进行任何期望的改变,然后经由机器人将工作流部署到计算系统602、604、606,或者使机器人被部署。例如,部署可以经由在服务器630或者另一服务器上运行的指挥方方应用来发生,该指挥方应用可以将实现过程的机器人推送到用户计算系统602、604、606。在一些实施例中,此工作流部署可以经由设计方应用中的自动化管理器功能而被实现,并且RPA工程师可以仅点击按钮以在机器人中实现过程。
监听器
为了提取与在与机器人交互时用户在计算系统602、604、606上采取的行动有关的数据,可以在客户端侧以驱动器级(例如,图3的驱动器340)采用监听器610,以从列入白名单的应用中提取数据。例如,监听器610可以记录用户曾在屏幕上点击何处以及在哪个应用中进行点击、键击、哪个按钮曾被点击、用户在应用之间切换的实例、焦点改变、电子邮件曾被发送以及所述电子邮件与什么有关等。附加地或者备选地,监听器610可以收集与在计算系统602、604、606上运行的机器人有关的数据。在一些实施例中,执行实现工作流的各种任务的机器人可以充当它们自己的操作的监听器。此类数据可以用于生成用户与计算系统602、604、606的交互和/或在其上运行的机器人的(多个)操作的高保真日志。
除了生成用于过程提取的记录的数据或者作为生成用于过程提取的记录的数据的备选,一些实施例可以提供对用户实际上正在进行的操作的洞察。例如,监听器610可以确定用户实际上正在使用哪些应用、用户正在使用给定应用的时间百分比、用户正在使用应用中的哪些功能以及他们没有正在使用哪些功能等。此信息可以被提供给管理方,以进行关于以下内容的知情的决定:是否更新针对应用的许可、是否不更新针对功能的许可或者降级到缺少功能的较便宜的版本、用户是否没有使用倾向于使其他员工更有效率的应用以便该用户可以被适当地培训、用户是否花费大量时间进行非工作活动(例如,检查个人电子邮件或者网上冲浪)或者离开他或者她的办公桌(例如,不与计算系统交互)等。
在一些实施例中,检测更新能够被推送至监听器,以改善其驱动器级用户交互和/或机器人操作检测和捕捉过程。在某些实施例中,监听器610可以在其检测中采用AI。在某些实施例中,实现来自自动化工作流的过程的机器人可以经由相应的监听器610而被自动推送到计算系统602、604、606。
图7是图示根据本发明实施例的被配置为使用针对RPA的AI执行人机回圈机器人训练的过程的流程图。过程开始于在705处由监听器监控计算系统的用户与RPA机器人的交互。监听器可以是单独的监听器机器人、用户正在与其交互的RPA机器人本身、另一监听器软件应用等。在710处与用户交互有关的数据随时间被记录(例如,存储在日志文件中)并且被发送到服务器。
记录的数据可以包括由用户备注的异常,诸如当机器人在图像中找不到牌照时,机器人可以要求用户指示牌照位于图像中的什么位置。这可以由用户经由边界框、文本、坐标、屏幕上的位置等来提供。异常还可以是用户更正,而不用RPA机器人请求更正。这些更正可以是由于错误和/或用户偏好。
然后在715处,服务器根据用户备注的异常来确定应当进行修改。这可以基于由一个或多个用户正在接收的相同类型的预定数量的异常、由于预定时间量(例如,一天、一周、一个月等)的通过、基于异常频率、其任何组合(例如,每周运行,除非在更短的时间段内接收到50个相同类型的异常并且针对相同任务提供至少75%的频率)等而被确定。例如,服务器可以通过分析记录的数据并且注意用户经常进行高于预定阈值(例如,至少50%的时间)的特定更改来进行该确定。
在720处,服务器首先确定修改是否可以经由特定活动或者一系列活动针对该用户是可解决的。例如,服务器能够通过包括:查找某个值的活动(例如,查找某个数字并且将其添加到发票中的字段)或者包括一系列活动(例如,从数据库中查找模板电子邮件正文文本并且将某个文本插入到电子邮件中,这似乎是用户更喜欢的)来执行更正。换而言之,在这种情况下,可以通过模仿用户在异常中的动作来进行修改。如果是这种情况,则在725处进行修改的活动或者活动序列被插入到工作流中。在一些实施例中,这可能涉及替换一个或多个现有活动和/或修改工作流本身的逻辑。然后在730处,实现工作流的机器人被生成并且被部署到用户的计算系统。
在某些实施例中,用户自己的计算系统可以执行步骤715、步骤720、步骤725和步骤730。例如,如果用户为了个性化而进行某些改变,这可以不需要服务器的计算能力来分析和修改机器人。因此,用户的计算系统本身可以确定是否应当进行修改,修改工作流,生成本地机器人的新版本,并且部署机器人的新版本来代替先前的版本。
然而,在某些情况下,修改过于复杂,不能仅通过添加/修改工作流程活动来进行修改。例如,用于识别语音的ML模型可能需要被初始训练或者现有的ML模型可能需要被再训练,以识别用户的口音。在这种情况下,在735处,服务器使用机器学习技术(例如,深度学习神经网络)基于记录的数据来训练ML模型,以创建本地ML模型(或者其新版本)。在740处,工作流被修改以调用该本地ML模型,然后在730处生成并且部署实现该工作流的机器人。
在一些实施例中,图7的过程可以跨组织和/或在全局地针对许多用户而被实现。当从多个、数个或者所有用户收集记录的数据时,可以出现某些模式。例如,分析可以揭示某个位置的用户组具有相似的口音并且正在备注相似的异常、大量的所有用户正在更正发票中的某个字段、大量的所有用户具有某种偏好等。在一些实施例中,这可以由预定阈值(例如,具有异常的用户的预定数量或者百分比、异常的预定频率、异常在一段时间内发生的次数等)来确定。如果在745处是这种情况,则在750处可以使用该记录的数据来训练针对用户组或者公司的“社区”ML模型,或者针对所有用户的全局ML模型。然后在740处修改适当的工作流,并且在730处生成和部署实现该工作流的机器人。
再训练的频率可以基于接收的记录的数据量。较大的用户组可以生成足够的数据来更频繁地(例如,每天)再训练ML模型。但是,较小的用户组可能需要更多的时间来生成足够的记录的数据,以便用于再训练目的。
根据本发明的实施例,图7中执行的过程步骤可以由计算机程序执行,针对(多个)处理器的指令进行编码,以执行图7中描述的至少部分过程。计算机程序可以被具化在非暂态计算机可读介质上。计算机可读介质可以是但不限于硬盘驱动器、闪存设备、RAM、磁带和/或用于存储数据的任何其他这样的介质或者介质的组合。计算机程序可以包括用于控制计算系统的(多个)处理器(例如,图5的计算系统500的(多个)处理器510)以实现图7中描述的全部或者部分过程步骤的编码指令,该编码指令也可以存储在计算机可读介质上。
计算机程序可以在硬件、软件或者混合实施方式中实现。计算机程序可以由彼此可操作通信的模块组成,并且被设计为传递信息或者指令以显示。计算机程序可以被配置为在通用计算机、ASIC或者任何其他合适的设备上运行。
容易理解的是,本发明各种实施例的组件,如本文附图中一般描述和说明的,可以按各种不同配置进行排列和设计。因此,如附图中所示,本发明的实施例的详细描述不旨在限制所要求保护的本发明的范围,而仅是本发明的所选择的实施例的代表。
本说明书中描述的本发明的特征、结构或者特性可以在一个或多个实施例中以任何合适的方式进行组合。例如,在整个说明书中,对“某些实施例”、“一些实施例”或者类似语言的引用意味着结合本实施例所描述的特定特征、结构或者特性包括在本发明的至少一个实施例中。因此,在整个说明书中出现的短语“在某些实施例中”、“在一些实施例中”、“在其他实施例中”或者类似语言不必然都指同一组实施例,并且所描述的特征、结构或者特性可以以任何合适的方式组合在一个或多个实施例中。
应注意,贯穿本说明书中提及的特征、优点或者类似语言并且不意味着本发明可以实现的所有特征和优点应当位于本发明的任何单个实施例中。相反,关于特征和优点的语言被理解为意味着结合实施例描述的特定特征、优点或者特性被包括在本发明的至少一个实施例中。因此,贯穿本说明书的特征和优点的讨论以及类似的语言可以但不必然指同一实施例。
此外,本发明的所述特征、优点和特性可以在一个或多个实施例中以任何合适的方式进行组合。相关领域的技术人员将认识到,本发明可以在没有特定实施例的一个或多个具体特征或者优点的情况下实践。在其他实例中,可以在某些实施例中认识到附加的特征和优点,这些特征和优点可能不存在于本发明的所有实施例中。
本领域普通技术人员将容易理解,上述本发明可以利用不同顺序的步骤和/或利用不同于所公开配置的硬件元件而被实践。因此,尽管已经基于这些优选实施例描述了本发明,但是对于本领域的技术人员,在保持在本发明的精神和范围内的同时,某些修改、变型和备选结构将是明显的。因此,为了确定本发明的界限和边界,应当参考所附权利要求。
Claims (20)
1.一种系统,包括:
用户计算系统,包括机器人流程自动化(RPA)机器人和监听器;以及
服务器,其中
所述监听器被配置为:
经由所述用户计算系统来监控与所述RPA机器人的用户交互,并且记录与所述交互有关的数据,以及
将与所述用户交互有关的记录的数据传输到所述服务器,以及
所述服务器被配置为:
接收与所述用户交互有关的所述记录的数据,
基于所述记录的数据来确定修改是否应当针对所述RPA机器人的RPA工作流而被进行,以及
当所述服务器确定所述修改应当被进行时:
当所述修改通过将活动或者活动序列插入针对所述RPA机器人的所述RPA工作流是可解决的时,将所述活动或者所述活动序列插入针对进行确定的所述修改的所述RPA机器人的所述RPA工作流。
2.根据权利要求1所述的系统,其中所述服务器还被配置为:
使用修改的所述RPA工作流来生成所述RPA机器人的新版本;以及
将所述RPA机器人的所述新版本部署到所述用户计算系统。
3.根据权利要求1所述的系统,其中所述用户计算系统被配置为:
从所述服务器接收所述RPA机器人的新版本;以及
部署所述RPA机器人的所述新版本。
4.根据权利要求1所述的系统,其中所述记录的数据包括:在所述RPA机器人的操作期间、由用户经由所述用户计算系统而备注的异常。
5.根据权利要求4所述的系统,其中所述异常与所述RPA机器人的错误、用户偏好、或者两者有关。
6.根据权利要求1所述的系统,其中修改是否应当被进行的所述确定是基于正在被接收的相同类型的预定数目的异常、由于预定时间量的通过、基于异常频率、或者其任何组合。
7.根据权利要求1所述的系统,其中当所述修改通过将所述活动或者活动序列插入到所述RPA工作流中是不可解决的时,所述服务器还被配置为:
基于所述记录的数据来训练本地机器学习(ML)模型;以及
修改所述RPA工作流,以调用训练的所述ML模型。
8.根据权利要求1所述的系统,其中所述服务器还被配置为:
收集与其他计算系统的其他用户同相应的RPA机器人的交互有关的记录的数据,
当针对所述用户的异常与针对其他用户组收集的所述记录的数据中的异常相似时,所述其他用户组是所有所述其他用户的子集:
训练针对所述用户的子集的社区ML模型,以及
修改所述RPA工作流,以调用所述社区模型,以及
当针对所述用户的异常与针对所述其他用户组收集的所述记录的数据中的异常相似并且超过全局再训练阈值时:
训练针对所有用户的全局ML模型,以及
修改所述RPA工作流,以调用所述全局模型。
9.根据权利要求1所述的系统,其中所述记录的数据由所述监听器作为心跳消息的部分被传输到所述服务器,以被传输到所述服务器上运行的指挥方应用。
10.一种体现在非暂态计算机可读介质上的计算机程序,所述程序被配置成使至少一个处理器:
经由用户计算系统来监控与机器人流程自动化(RPA)机器人的用户交互,并且记录与所述交互有关的数据,记录的数据包括异常,
将与所述用户交互有关的所述记录的数据传输到服务器,
从所述服务器接收所述RPA机器人的新版本,所述新版本已经被修改以解决所述记录的数据中的所述异常;以及
部署所述RPA机器人的所述新版本。
11.根据权利要求10所述的计算机程序,其中所述异常与所述RPA机器人的错误、用户偏好、或者两者有关。
12.根据权利要求10所述的计算机程序,其中所述记录的数据作为心跳消息的部分被传输到所述服务器,以被传输到在所述服务器上运行的指挥方应用。
13.根据权利要求10所述的计算机程序,其中在预定量的数据已经被收集后,或者在预定时间段已经经过后,或者两者,所述记录的数据被发送到服务器。
14.一种计算机实现的方法,包括:
由计算系统接收和用户与机器人流程自动化(RPA)的交互有关的记录的数据,
由所述计算系统基于所述记录的数据来确定修改是否应当针对所述RPA机器人的RPA工作流而被进行,以及
当所述计算系统确定所述修改应当被进行时:
当所述修改通过将活动或者活动序列插入针对所述RPA机器人的所述RPA工作流是可解决的时,将所述活动或者所述活动序列插入针对进行确定的所述修改的所述RPA机器人的所述RPA工作流。
15.根据权利要求14所述的计算机实现的方法,还包括:
由所述计算系统使用修改的所述RPA工作流来生成所述RPA机器人的新版本;以及
由所述计算系统部署所述RPA机器人的所述新版本。
16.根据权利要求14所述的计算机实现的方法,其中所述记录的数据包括:在所述RPA机器人的操作期间由所述用户备注的异常。
17.根据权利要求16所述的计算机实现的方法,其中所述异常与所述RPA机器人的错误、用户偏好、或者两者有关。
18.根据权利要求14所述的计算机实现的方法,其中修改是否应当被进行的所述确定是基于正在被接收的相同类型的预定数目的异常、由于预定时间量的通过、基于异常频率、或者其任何组合。
19.根据权利要求14所述的计算机实现的方法,其中当所述修改通过将所述活动或者活动序列插入到所述RPA工作流中是不可解决的时,所述方法还包括:
由所述计算系统基于所述记录的数据来训练本地机器学习(ML)模型;以及
由所述计算系统修改所述RPA工作流,以调用所述训练的ML模型。
20.根据权利要求14所述的计算机实现的方法,还包括:
由所述计算系统收集与其他用户同相应的RPA机器人的交互有关的记录的数据,
当针对所述用户的异常与针对其他用户组收集的所述记录的数据中的异常相似时,所述其他用户组是所有所述其他用户的子集:
由所述计算系统训练针对所述用户的子集的社区ML模型,以及
由所述计算系统修改所述RPA工作流,以调用所述社区模型,以及
当针对所述用户的异常与针对所述其他用户组收集的所述记录的数据中的异常相似并且超过全局再训练阈值时:
由所述计算系统训练针对所有用户的全局ML模型,以及
修改所述RPA工作流,以调用所述全局模型。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962915429P | 2019-10-15 | 2019-10-15 | |
US62/915,429 | 2019-10-15 | ||
US16/708,036 US20210109503A1 (en) | 2019-10-15 | 2019-12-09 | Human-in-the-loop robot training for robotic process automation |
US16/708,036 | 2019-12-09 | ||
PCT/US2020/046945 WO2021076227A1 (en) | 2019-10-15 | 2020-08-19 | Human-in-the-loop robot training for robotic process automation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114556245A true CN114556245A (zh) | 2022-05-27 |
Family
ID=75383987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080072407.9A Pending CN114556245A (zh) | 2019-10-15 | 2020-08-19 | 针对机器人流程自动化的人机回圈机器人训练 |
Country Status (6)
Country | Link |
---|---|
US (3) | US20210109503A1 (zh) |
EP (1) | EP4046113A4 (zh) |
JP (1) | JP2022552465A (zh) |
KR (1) | KR20220079831A (zh) |
CN (1) | CN114556245A (zh) |
WO (1) | WO2021076227A1 (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9314924B1 (en) * | 2013-06-14 | 2016-04-19 | Brain Corporation | Predictive robotic controller apparatus and methods |
US11847040B2 (en) | 2016-03-16 | 2023-12-19 | Asg Technologies Group, Inc. | Systems and methods for detecting data alteration from source to target |
US11057500B2 (en) | 2017-11-20 | 2021-07-06 | Asg Technologies Group, Inc. | Publication of applications using server-side virtual screen change capture |
US11611633B2 (en) | 2017-12-29 | 2023-03-21 | Asg Technologies Group, Inc. | Systems and methods for platform-independent application publishing to a front-end interface |
US10877740B2 (en) | 2017-12-29 | 2020-12-29 | Asg Technologies Group, Inc. | Dynamically deploying a component in an application |
US11762634B2 (en) | 2019-06-28 | 2023-09-19 | Asg Technologies Group, Inc. | Systems and methods for seamlessly integrating multiple products by using a common visual modeler |
US11440201B2 (en) | 2019-10-15 | 2022-09-13 | UiPath, Inc. | Artificial intelligence-based process identification, extraction, and automation for robotic process automation |
US20210109503A1 (en) | 2019-10-15 | 2021-04-15 | UiPath, Inc. | Human-in-the-loop robot training for robotic process automation |
US11488015B2 (en) | 2019-10-15 | 2022-11-01 | UiPath, Inc. | Artificial intelligence layer-based process extraction for robotic process automation |
US11886397B2 (en) | 2019-10-18 | 2024-01-30 | Asg Technologies Group, Inc. | Multi-faceted trust system |
US11693982B2 (en) | 2019-10-18 | 2023-07-04 | Asg Technologies Group, Inc. | Systems for secure enterprise-wide fine-grained role-based access control of organizational assets |
US11941137B2 (en) | 2019-10-18 | 2024-03-26 | Asg Technologies Group, Inc. | Use of multi-faceted trust scores for decision making, action triggering, and data analysis and interpretation |
US11269660B2 (en) | 2019-10-18 | 2022-03-08 | Asg Technologies Group, Inc. | Methods and systems for integrated development environment editor support with a single code base |
US11055067B2 (en) | 2019-10-18 | 2021-07-06 | Asg Technologies Group, Inc. | Unified digital automation platform |
AU2020379834A1 (en) * | 2019-11-05 | 2022-06-09 | Strong Force Vcn Portfolio 2019, Llc | Control tower and enterprise management platform for value chain networks |
WO2022081476A1 (en) | 2020-10-13 | 2022-04-21 | ASG Technologies Group, Inc. dba ASG Technologies | Geolocation-based policy rules |
US20230133373A1 (en) * | 2021-11-04 | 2023-05-04 | UiPath, Inc. | Building and managing artificial intelligence flows using long-running workflows for robotic process automation |
CN114244890B (zh) * | 2021-12-22 | 2022-05-24 | 珠海金智维信息科技有限公司 | Rpa服务器集群控制方法及系统 |
CN115361580B (zh) * | 2022-08-18 | 2023-11-03 | 杭州分叉智能科技有限公司 | 一种rpa机器人运行的屏幕画面录制方法 |
US20240143358A1 (en) * | 2022-10-28 | 2024-05-02 | Belsasar Lepe | Distributed robotic processing automation security training |
CN116308219B (zh) * | 2023-05-24 | 2023-07-28 | 安徽思高智能科技有限公司 | 一种基于Tranformer的生成式RPA流程推荐方法及系统 |
Family Cites Families (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060129367A1 (en) | 2004-11-09 | 2006-06-15 | Duke University | Systems, methods, and computer program products for system online availability estimation |
US8321251B2 (en) * | 2010-03-04 | 2012-11-27 | Accenture Global Services Limited | Evolutionary process system |
US20170060108A1 (en) | 2010-05-26 | 2017-03-02 | Automation Anywhere, Inc. | Roi based automation recommendation and execution |
US8930959B2 (en) | 2011-05-13 | 2015-01-06 | Orions Digital Systems, Inc. | Generating event definitions based on spatial and relational relationships |
US20170206064A1 (en) | 2013-03-15 | 2017-07-20 | JIBO, Inc. | Persistent companion device configuration and deployment platform |
WO2015132678A2 (en) * | 2014-01-27 | 2015-09-11 | Thomson Reuters Global Resources | System and methods for cleansing automated robotic traffic from sets of usage logs |
US10225280B2 (en) | 2014-02-24 | 2019-03-05 | Cyphort Inc. | System and method for verifying and detecting malware |
EP3112965A1 (en) | 2015-07-02 | 2017-01-04 | Accenture Global Services Limited | Robotic process automation |
CN104985599B (zh) * | 2015-07-20 | 2018-07-10 | 百度在线网络技术(北京)有限公司 | 基于人工智能的智能机器人控制方法、系统及智能机器人 |
EP3133539A1 (en) | 2015-08-19 | 2017-02-22 | Tata Consultancy Services Limited | Method ans system for process automation in computing |
EP3206170A1 (en) * | 2016-02-09 | 2017-08-16 | Wipro Limited | System and methods for creating on-demand robotic process automation |
CA2971784A1 (en) | 2016-06-23 | 2017-12-23 | Radicalogic Technologies, Inc. | Healthcare workflow system |
US10664765B2 (en) | 2016-08-22 | 2020-05-26 | International Business Machines Corporation | Labelling intervals using system data to identify unusual activity in information technology systems |
US10339027B2 (en) | 2016-09-06 | 2019-07-02 | Accenture Global Solutions Limited | Automation identification diagnostic tool |
CA3080240A1 (en) | 2016-10-26 | 2018-05-03 | Soroco Private Limited | Systems and methods for discovering automatable tasks |
US11157855B2 (en) * | 2017-01-09 | 2021-10-26 | Sutherland Global Services Inc. | Robotics process automation platform |
DE102017201452A1 (de) | 2017-01-30 | 2018-08-02 | Fresenius Medical Care Deutschland Gmbh | Auswahl eines medizinischen Zubehörs |
AU2018200877A1 (en) * | 2017-03-30 | 2018-10-18 | Accenture Global Solutions Limited | Closed loop nodal analysis |
US10324457B2 (en) | 2017-05-11 | 2019-06-18 | Global Eprocure | Robotic process automation for supply chain management operations |
US10726038B2 (en) | 2017-05-24 | 2020-07-28 | MphasiS Limited | System and method for optimizing aggregation and analysis of data across multiple data sources |
US10802453B2 (en) | 2017-06-02 | 2020-10-13 | Bank Of America Corporation | Robotics process automation macro bot |
US10682761B2 (en) | 2017-06-21 | 2020-06-16 | Nice Ltd | System and method for detecting and fixing robotic process automation failures |
US11282035B2 (en) | 2017-06-21 | 2022-03-22 | Accenture Global Solutions Limited | Process orchestration |
US10817358B2 (en) | 2017-06-23 | 2020-10-27 | Dynatrace Llc | Method and system for real-time and scalable anomaly detection and classification of multi-dimensional multivariate high-frequency transaction data in a distributed environment |
US10235192B2 (en) | 2017-06-23 | 2019-03-19 | Accenture Global Solutions Limited | Self-learning robotic process automation |
JP6981118B2 (ja) | 2017-09-11 | 2021-12-15 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置、プログラム及び制御方法 |
US10327018B2 (en) | 2017-10-17 | 2019-06-18 | Tealium Inc. | Engagement tracking in computer data networks |
US10659482B2 (en) | 2017-10-25 | 2020-05-19 | Bank Of America Corporation | Robotic process automation resource insulation system |
US20190126463A1 (en) | 2017-10-31 | 2019-05-02 | Bank Of America Corporation | Robotic assisted action template generation based on profile |
US20190141125A1 (en) | 2017-11-03 | 2019-05-09 | Bank Of America Corporation | Cross application access provisioning system |
US20190155225A1 (en) | 2017-11-21 | 2019-05-23 | Accenture Global Solutions Limited | Bot management framework for robotic process automation systems |
US20190244149A1 (en) | 2017-11-27 | 2019-08-08 | Sankar Krishnaswamy | Cognitive Intelligent Automation Systems for Actionable Business intelligence (CIASFABI©) |
US10452674B2 (en) | 2017-12-07 | 2019-10-22 | Accenture Global Solutions Limited | Artificial intelligence and robotic process automation for automated data management |
US20190266254A1 (en) | 2018-02-26 | 2019-08-29 | Jeremy D. Blumenfeld | System to process electronic records using a request orchestration platform |
US10726045B2 (en) * | 2018-03-19 | 2020-07-28 | Accenture Global Solutions Limited | Resource-efficient record processing in unified automation platforms for robotic process automation |
US20190303779A1 (en) * | 2018-04-03 | 2019-10-03 | Walmart Apollo, Llc | Digital worker management system |
US11042458B2 (en) | 2018-04-30 | 2021-06-22 | Accenture Global Solutions Limited | Robotic optimization for robotic process automation platforms |
US11366857B2 (en) | 2018-08-21 | 2022-06-21 | Directly, Inc. | Artificial intelligence communications agent |
US10812627B2 (en) | 2019-03-05 | 2020-10-20 | Sap Se | Frontend process mining |
US11877751B2 (en) | 2019-08-29 | 2024-01-23 | Emory University | Methods and devices configured to prevent aspiration |
US20210110318A1 (en) | 2019-10-15 | 2021-04-15 | UiPath, Inc. | Automatic analysis, prioritization, and robot generation for robotic process automation |
US20210109503A1 (en) | 2019-10-15 | 2021-04-15 | UiPath, Inc. | Human-in-the-loop robot training for robotic process automation |
US11440201B2 (en) | 2019-10-15 | 2022-09-13 | UiPath, Inc. | Artificial intelligence-based process identification, extraction, and automation for robotic process automation |
US11488015B2 (en) | 2019-10-15 | 2022-11-01 | UiPath, Inc. | Artificial intelligence layer-based process extraction for robotic process automation |
-
2019
- 2019-12-09 US US16/708,036 patent/US20210109503A1/en active Pending
-
2020
- 2020-08-19 KR KR1020227010668A patent/KR20220079831A/ko unknown
- 2020-08-19 WO PCT/US2020/046945 patent/WO2021076227A1/en unknown
- 2020-08-19 JP JP2022520183A patent/JP2022552465A/ja active Pending
- 2020-08-19 EP EP20877735.9A patent/EP4046113A4/en active Pending
- 2020-08-19 CN CN202080072407.9A patent/CN114556245A/zh active Pending
-
2021
- 2021-10-20 US US17/506,292 patent/US11815880B2/en active Active
-
2023
- 2023-11-16 US US18/511,949 patent/US20240103496A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021076227A1 (en) | 2021-04-22 |
US20220035343A1 (en) | 2022-02-03 |
JP2022552465A (ja) | 2022-12-16 |
EP4046113A1 (en) | 2022-08-24 |
US11815880B2 (en) | 2023-11-14 |
KR20220079831A (ko) | 2022-06-14 |
EP4046113A4 (en) | 2023-10-18 |
US20210109503A1 (en) | 2021-04-15 |
US20240103496A1 (en) | 2024-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11815880B2 (en) | Human-in-the-loop robot training for robotic process automation | |
US11648686B2 (en) | Artificial intelligence-based process identification, extraction, and automation for robotic process automation | |
CN113011828B (zh) | 更新或重新训练并更新动态人工智能/机器学习模型 | |
KR102453990B1 (ko) | 인공 지능(ai)을 사용한 미디어 대 워크플로우 생성 | |
CN114586049A (zh) | 使用机器学习来自动完成机器人流程自动化工作流 | |
US11919165B2 (en) | Process evolution for robotic process automation and workflow micro-optimization | |
CN114556391A (zh) | 用于机器人流程自动化的基于人工智能层的过程提取 | |
US11782733B2 (en) | Training an artificial intelligence / machine learning model to recognize applications, screens, and user interface elements using computer vision | |
CN116529032A (zh) | 用于机器人流程自动化(rpa)的支持机器人的任务自动化 | |
EP3809347A1 (en) | Media-to-workflow generation using artificial intelligence (ai) | |
CN114556377A (zh) | 机器人过程自动化中的强化学习 | |
CN113748436A (zh) | 用于机器人流程自动化的机器学习模型再训练流水线 | |
CN114556387A (zh) | 针对机器人过程自动化工作流的可重新配置工作台流水线 |
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 |