CN114586016A - 在机器人流程自动化的确定性工作流中插入概率性模型和监管系统 - Google Patents

在机器人流程自动化的确定性工作流中插入概率性模型和监管系统 Download PDF

Info

Publication number
CN114586016A
CN114586016A CN202080071908.5A CN202080071908A CN114586016A CN 114586016 A CN114586016 A CN 114586016A CN 202080071908 A CN202080071908 A CN 202080071908A CN 114586016 A CN114586016 A CN 114586016A
Authority
CN
China
Prior art keywords
rpa
computer
deterministic
implemented method
robot
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
CN202080071908.5A
Other languages
English (en)
Inventor
P·辛格
A·麦戈尼尔
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.)
Yupas Co
Original Assignee
Yupas Co
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 Yupas Co filed Critical Yupas Co
Publication of CN114586016A publication Critical patent/CN114586016A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/16—Error detection or correction of the data by redundancy in hardware
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0769—Readable error formats, e.g. cross-platform generic formats, human understandable formats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

概率性模型可以用于机器人流程自动化(RPA)的确定性工作流中。机器学习(ML)引入了概率框架，其中结果是不确定性的，因此步骤也是不确定性的。确定性工作流可以与概率性工作流混合，或者概率性活动可以插入到确定性工作流中，以便创建更动态的工作流。当由数据漂移检测器、概念漂移检测器、或者两者检测到错误时，监管系统可以用于监控ML模型并且发出警报、禁用RPA机器人、绕过RPA机器人、或者回滚到ML模型的先前版本。

Description

在机器人流程自动化的确定性工作流中插入概率性模型和监 管系统
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16/708,083的美国非临时专利申请和2019年10月15日提交的申请号为62/915,434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)，更具体地涉及在针对RPA的确定性工作流中插入概率性模型和监管系统。
背景技术
当前RPA系统以具有顺序工作流中的决策点的逻辑方式工作。然而，这样的工作流基于设定的逻辑并且不是动态的。因此，改进的方法可能是有益的。
发明内容
本发明的某些实施例可以为当前RPA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在RPA的确定性工作流中插入概率性模型和监管系统。
在实施例中，一种用于在机器人流程自动化(RPA)的确定性工作流中实现概率性模型的计算机实现的方法包括：生成针对RPA机器人的确定性RPA工作流；生成被配置为执行确定性RPA工作流的多个RPA机器人；以及部署多个RPA机器人。计算机实现的方法还包括：训练与概率性活动相关联的机器学习(ML)模型，以替换RPA工作流中的确定性活动。
在另一实施例中，一种用于在RPA的确定性工作流中实现概率性模型的计算机实现的方法包括：生成被配置为执行确定性RPA工作流的多个RPA机器人，以及部署被配置为执行确定性RPA工作流的多个RPA机器人。计算机实现的方法还包括：训练与概率性活动相关联的机器学习(ML)模型，以替换RPA工作流中的确定性活动。
在又一实施例中，一种计算机实现的方法，包括：生成被配置为执行包括概率性活动的RPA工作流的RPA机器人，以及部署RPA机器人。计算机实现的方法还包括：由监管系统监控由RPA工作流中的概率性活动调用的机器学习(ML)模型，以确保ML模型在输入侧经由数据漂移检测器使用度量正确地运行，以及在输出侧使用概念漂移检测器正确地运行。
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是图示根据本发明的实施例的被配置在RPA的确定性工作流中使用概率性模型的计算系统的架构图。
图6是图示根据本发明的实施例的用于在RPA的确定性工作流中实现概率性模型的过程的流程图。
图7是图示根据本发明实施例的监管系统的过程的流程图。
图8为图示根据本发明实施例的监管系统的架构图。
具体实施方式
一些实施例涉及在RPA的确定性工作流中使用概率性模型。例如，这样的实施例可以使初始部署更快。机器学习引入了概率框架，概率框架中结果是不确定性的，因此步骤也是不确定性的。确定性工作流可以与概率性工作流混合，或者概率性活动可以插入到确定性工作流中，以便创建更动态的工作流。RPA工作流通常采用逻辑流的形式，逻辑流具有很强的确定性，包含固定数量的活动。然而，在一些实施例中，概率性活动可以被插入到工作流中一个或多个确定性活动的位置。为了插入概率性活动，可以考虑某些因素，例如概率性活动的置信等级。如果与概率性活动相关联的机器学习(ML)模型被训练，使得它变得足够准确能被使用，则概率性活动可以代替确定性活动被用于工作流中。因此，在一些实施例中，工作流可以开始时本质上是确定性的，并且随后被修改为概率性的。
监管系统
然而，测试概率系统可能很困难。因此，在一些实施例中，监管系统用于监控执行概率工作流的RPA机器人，以确定正确的操作。例如，考虑在飞机上的RPA实现的情况。机器人可以被训练来执行某些控制，诸如如果机器人确定失速可能发生则使飞机牺牲高度来换取速度。然而，根据飞行条件，这可能并不总是期望的动作。例如，起飞后不久执行这个动作可能会导致坠机。
监管系统可以监控由机器人采取的行动，也可以监控来自系统的其他数据。在上面的示例中，被监控的数据可以包括飞行员动作。如果监管系统确定在机器人使飞机俯冲后不久飞行员拉回方向盘以停止俯冲。则监管系统可以禁用机器人或者禁用机器人工作流的部分，并且发送收集的数据，以便机器人可以被重新训练。
在一些实施例中，可以监控ML模型，以确保其在输入侧和输出侧利用度量正确地运行。例如，如果ML模型要求16个数据馈送，但是有一个数据馈送损坏了，那么可能不适合使用ML模型。这是对“数据漂移”的监控。在输入侧可以包括数据漂移检测器。
在输出侧，可以知道预期的范围。例如，如果已知某家医院的复诊率从未超过10％，但是确定290％的患者都进行复诊，那么一定是出了问题。这被称为概念漂移，可以通过概念漂移检测器而被监测。因此，监管系统可能期望ML模型以某种方式执行并且符合某些参数。如果数据漂移检测器指示错误、概念漂移检测器指示错误、或者两者都指示错误，则监管系统可以发出警报。
考虑在飞机中实现的监管ML模型的监管系统的情况。如果某个影响控制面的ML模型被运行，当自动驾驶仪被启用时机头急剧下沉或者快速下降，这可以被监管系统标记，调用ML模型的机器人可以由手动控制被禁用或者被绕过。如果机器人不是任务关键，或者已知ML模型的先前版本在任务关键的系统中以高置信度工作，则监管系统可以将ML模型回滚到先前版本。
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
Figure BDA0003594160490000061
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
Figure BDA0003594160490000062
)。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
Figure BDA0003594160490000063
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
Figure BDA0003594160490000064
会话，并且具有
Figure BDA0003594160490000065
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
Figure BDA0003594160490000066
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
Figure BDA0003594160490000071
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
Figure BDA0003594160490000072
应用可以自动启动。
执行方可以在
Figure BDA0003594160490000073
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
Figure BDA0003594160490000074
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，
Figure BDA0003594160490000075
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，
Figure BDA0003594160490000081
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
Figure BDA0003594160490000082
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
Figure BDA0003594160490000091
(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互动。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。
驱动器340可以在低等级处与OS互动，寻找挂钩，监控密钥等。它们可以促进与
Figure BDA0003594160490000101
等的集成。例如，“点击”活动经由驱动器340在这些不同的应用中执行相同的角色。
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在针对RPA的确定性工作流中使用概率性模型的计算系统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、
Figure BDA0003594160490000121
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。这些模块还包括概率性模型模块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”可以被具化为服务器、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用于在RPA的确定性工作流中实现概率性模型的过程600的流程图。过程开始于在610处生成针对RPA机器人的确定性RPA工作流。在620处生成被配置为执行确定性RPA工作流的RPA机器人。然后在630处部署RPA机器人。
在640处训练与概率性活动相关联的ML模型，以替换确定性RPA工作流中的确定性活动。在650处，从实现确定性工作流的RPA机器人、它们的相关联的计算系统、或者两者收集数据。例如，数据可以包括但不限于机器人进行的操作、与计算系统的用户交互(例如，按下的按钮、鼠标移动、使用的应用等)、由计算系统运行的过程、由用户做出的更正等。然后在660处数据被用于周期性地重新训练ML模型，直到达到期望的置信度阈值。然后在670处生成包括替代确定性活动的概率性活动的概率性工作流，以及在680处生成并且部署实现工作流的RPA机器人。
图7是图示根据本发明实施例的用于监管系统的过程700的流程图。在一些实施例中，过程700可以经由图8的监管系统810来实现。过程开始于(或者从图6继续)在710处监管系统监控由RPA工作流中的概率性活动调用的ML模型，以确保ML模型在输入侧经由数据漂移检测器使用度量正确地运行，以及在输出侧使用概念漂移检测器正确地运行。在一些实施例中，监管系统可以监控多个ML模型。在某些实施例中，概念漂移检测器确定输出是否落在预定范围内。
当在720处没有检测到错误时，在710处监控继续。然而，当数据漂移检测器、概念漂移检测器、或者两者指示错误时，在730处发出警报(例如，向计算系统或者机器人发送已经检测到错误的消息)。然后在740处监管系统采取补救动作。补救动作可以包括但不限于：禁用RPA机器人、绕过RPA机器人、回滚到ML模型的先前版本等。
图8是图示根据本发明的实施例的监管系统810的操作的架构图800。监管系统包括数据漂移检测器和概念漂移检测器814，数据漂移检测器监控对ML模型820的输入，并且概念漂移检测器814监控来自ML模型820的输出。RPA机器人830调用ML模型820。当监管系统810从数据漂移检测器812和/或概念漂移检测器814接收到错误时，监管系统810可以禁用或者绕过RPA机器人830、生成警报等。
根据本发明的实施例，图6和图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6和图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6和图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。
在实施例中，计算机实现的方法包括：生成确定性RPA工作流并且训练与概率活动相关联的ML模型，以替换确定性RPA工作流中的确定性活动。计算机实现的方法还包括：从实现确定性工作流及其相关计算系统的RPA机器人中收集数据，并且使用收集的数据定期重新训练ML模型，直到达到置信度阈值。然后，计算机实现的方法包括：生成包括概率性活动的概率性工作流，替换确定性活动。

Claims (20)

1.一种用于在机器人流程自动化(RPA)的确定性工作流中实现概率性模型的计算机实现的方法，包括：
生成针对RPA机器人的确定性RPA工作流；
生成被配置为执行所述确定性RPA工作流的多个RPA机器人；
部署所述多个RPA机器人；以及
训练与概率性活动相关联的机器学习(ML)模型，以替换所述RPA工作流中的确定性活动。
2.根据权利要求1所述的计算机实现的方法，还包括：
从执行所述确定性RPA工作流的多个部署的所述RPA机器人中收集数据，从其上运行所述RPA机器人的计算系统收集数据，或者两者。
3.根据权利要求2所述的计算机实现的方法，还包括：
使用收集的所述数据来周期性地重新训练所述ML模型。
4.根据权利要求3所述的计算机实现的方法，其中当所述ML模型达到置信度阈值时，所述方法还包括：
利用所述概率性活动来替换所述RPA工作流中的所述确定性活动。
5.根据权利要求4所述的计算机实现的方法，还包括：
生成被配置为执行包括所述概率性活动的所述RPA工作流的多个RPA机器人；以及
部署被配置为执行包括所述概率性活动的所述RPA工作流的所述多个RPA机器人。
6.根据权利要求5所述的计算机实现的方法，还包括：
监控所述ML模型，以确保所述ML模型在输入侧经由数据漂移检测器使用度量正确地运行，以及在输出侧使用概念漂移检测器正确地运行。
7.根据权利要求6所述的计算机实现的方法，其中所述概念漂移检测器确定输出是否落在预定范围内。
8.根据权利要求6所述的计算机实现的方法，还包括：
当所述数据漂移检测器、所述概念漂移检测器、或者两者指示错误时，发出警报。
9.根据权利要求6所述的计算机实现的方法，其中当所述数据漂移检测器、所述概念漂移检测器、或者两者指示错误时，所述方法还包括：
禁用或者绕过所述多个RPA机器人中的RPA机器人。
10.根据权利要求6所述的计算机实现的方法，其中当所述数据漂移检测器、所述概念漂移检测器、或者两者指示错误时，所述方法还包括：
回滚到所述ML模型的先前版本。
11.一种用于在机器人流程自动化(RPA)的确定性工作流中实现概率性模型的计算机实现的方法，包括：
生成被配置为执行确定性RPA工作流的多个RPA机器人；
部署被配置为执行所述确定性RPA工作流的所述多个RPA机器人；以及
训练与概率性活动相关联的机器学习(ML)模型，以替换所述RPA工作流中的确定性活动。
12.根据权利要求11所述的计算机实现的方法，还包括：
从执行所述确定性RPA工作流的多个部署的所述RPA机器人中收集数据，从其上运行所述RPA机器人的计算系统收集数据，或者两者。
13.根据权利要求12所述的计算机实现的方法，还包括：
使用收集的所述数据来周期性地重新训练所述ML模型；以及
当所述ML模型达到置信度阈值时，利用所述概率性活动来替换所述RPA工作流中的所述确定性活动。
14.根据权利要求13所述的计算机实现的方法，还包括：
生成被配置为执行包括所述概率性活动的所述RPA工作流的多个RPA机器人；以及
部署被配置为执行包括所述概率性活动的所述RPA工作流的所述多个RPA机器人。
15.根据权利要求14所述的计算机实现的方法，还包括：
监控所述ML模型，以确保所述ML模型在输入侧经由数据漂移检测器使用度量正确地运行，以及在输出侧使用概念漂移检测器正确地运行。
16.根据权利要求15所述的计算机实现的方法，其中当所述数据漂移检测器、所述概念漂移检测器、或者两者指示错误时，所述方法还包括：
禁用所述多个RPA机器人中的RPA机器人，绕过所述多个RPA机器人中的所述RPA机器人，或者回滚到所述ML模型的先前版本。
17.一种计算机实现的方法，包括：
生成被配置为执行包括概率性活动的机器人流程自动化(RPA)工作流的RPA机器人；
部署所述RPA机器人；以及
由监管系统监控由所述RPA工作流中的所述概率性活动调用的机器学习(ML)模型，以确保所述ML模型在输入侧经由数据漂移检测器使用度量正确地运行，以及在输出侧使用概念漂移检测器正确地运行。
18.根据权利要求17所述的计算机实现的方法，其中所述概念漂移检测器确定输出是否落在预定范围内。
19.根据权利要求17所述的计算机实现的方法，还包括：
当所述数据漂移检测器、所述概念漂移检测器、或者两者指示错误时，由所述监管系统发出警报。
20.根据权利要求17所述的计算机实现的方法，其中当所述数据漂移检测器、所述概念漂移检测器、或者两者指示错误时，所述方法还包括：
由所述监管系统禁用所述多个RPA机器人中的RPA机器人，绕过所述多个RPA机器人中的所述RPA机器人，或者回滚到所述ML模型的先前版本。
CN202080071908.5A 2019-10-15 2020-08-19 在机器人流程自动化的确定性工作流中插入概率性模型和监管系统 Pending CN114586016A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962915434P 2019-10-15 2019-10-15
US62/915,434 2019-10-15
US16/708,083 US11347613B2 (en) 2019-10-15 2019-12-09 Inserting probabilistic models in deterministic workflows for robotic process automation and supervisor system
US16/708,083 2019-12-09
PCT/US2020/046951 WO2021076228A1 (en) 2019-10-15 2020-08-19 Inserting probabilistic models in deterministic workflows for robotic process automation and supervisor system

Publications (1)

Publication Number Publication Date
CN114586016A true CN114586016A (zh) 2022-06-03

Family

ID=75382898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080071908.5A Pending CN114586016A (zh) 2019-10-15 2020-08-19 在机器人流程自动化的确定性工作流中插入概率性模型和监管系统

Country Status (6)

Country Link
US (3) US11347613B2 (zh)
EP (1) EP4046106A4 (zh)
JP (1) JP2022552467A (zh)
KR (1) KR20220079829A (zh)
CN (1) CN114586016A (zh)
WO (1) WO2021076228A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210342736A1 (en) * 2020-04-30 2021-11-04 UiPath, Inc. Machine learning model retraining pipeline for robotic process automation
EP3904973A1 (en) * 2020-04-30 2021-11-03 Robert Bosch GmbH Device and method for controlling a robot
US11301269B1 (en) * 2020-10-14 2022-04-12 UiPath, Inc. Determining sequences of interactions, process extraction, and robot generation using artificial intelligence / machine learning models
US11429351B2 (en) * 2021-01-21 2022-08-30 Intuit Inc. Methods and systems for building custom automation workflows to integrate multiple applications
US20230108015A1 (en) * 2021-10-05 2023-04-06 UiPath, Inc. Semantic matching between a source screen or source data and a target screen using semantic artificial intelligence
US20230116608A1 (en) * 2021-10-07 2023-04-13 International Business Machines Corporation Management of recalibration of risk related models impacted by extreme weather events and climate change conditions
KR20230073632A (ko) * 2021-11-19 2023-05-26 에스케이 주식회사 Ai 모델 드리프트 모니터링 장치 및 방법
US11983650B2 (en) * 2022-01-31 2024-05-14 Salesforce, Inc. Intelligent routing of data objects between paths using machine learning
KR102504230B1 (ko) * 2022-06-09 2023-03-02 제노테크 주식회사 머신러닝의 드리프트 현상 탐지를 이용한 재훈련 시스템 및 방법
CN117112432A (zh) * 2023-09-05 2023-11-24 中电金信软件有限公司 流程重试方法、装置、计算机设备和存储介质

Family Cites Families (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0616706B1 (de) * 1991-12-09 1996-03-06 Siemens Aktiengesellschaft Verfahren zur optimierung von steuerparametern für ein system, das in abhängigkeit der steuerparameter ein ist-verhalten aufweist
US7194320B2 (en) 2003-06-05 2007-03-20 Neuco, Inc. Method for implementing indirect controller
US7181314B2 (en) * 2003-11-24 2007-02-20 Abb Research Ltd. Industrial robot with controlled flexibility and simulated force for automated assembly
KR100611101B1 (ko) 2004-12-07 2006-08-09 한국전자통신연구원 로봇 서비스 플랜 생성 시스템 및 방법
US7974737B2 (en) * 2006-10-31 2011-07-05 GM Global Technology Operations LLC Apparatus and method of automated manufacturing
US7937349B2 (en) * 2006-11-09 2011-05-03 Pucher Max J Method for training a system to specifically react on a specific input
US8407661B2 (en) * 2008-07-28 2013-03-26 Abb Research Ltd. Method and system for creating HMI applications for an automation process
US10733540B2 (en) 2010-05-26 2020-08-04 Automation Anywhere, Inc. Artificial intelligence and knowledge based automation enhancement
US9358685B2 (en) 2014-02-03 2016-06-07 Brain Corporation Apparatus and methods for control of robot actions based on corrective user inputs
EP3171303A1 (en) 2015-11-19 2017-05-24 Alcatel Lucent Method, system and computer readable medium to execute a flexible workflow
US10452467B2 (en) 2016-01-28 2019-10-22 Intel Corporation Automatic model-based computing environment performance monitoring
WO2019028269A2 (en) * 2017-08-02 2019-02-07 Strong Force Iot Portfolio 2016, Llc METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS
US11327475B2 (en) * 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
WO2017201107A1 (en) * 2016-05-16 2017-11-23 Purepredictive, Inc. Predictive drift detection and correction
WO2018005489A1 (en) 2016-06-27 2018-01-04 Purepredictive, Inc. Data quality detection and compensation for machine learning
US10885463B2 (en) 2016-07-08 2021-01-05 Microsoft Technology Licensing, Llc Metadata-driven machine learning for systems
US11562382B2 (en) 2016-11-11 2023-01-24 Jpmorgan Chase Bank, N.A. System and method for providing data science as a service
US20180165604A1 (en) * 2016-12-09 2018-06-14 U2 Science Labs A Montana Systems and methods for automating data science machine learning analytical workflows
US11157855B2 (en) * 2017-01-09 2021-10-26 Sutherland Global Services Inc. Robotics process automation platform
US10298757B2 (en) 2017-02-23 2019-05-21 Accenture Global Solutions Limited Integrated service centre support
US10726038B2 (en) 2017-05-24 2020-07-28 MphasiS Limited System and method for optimizing aggregation and analysis of data across multiple data sources
US11074528B2 (en) 2017-08-31 2021-07-27 Accenture Global Solutions Limited Robotic operations control system for a blended workforce
US10360214B2 (en) 2017-10-19 2019-07-23 Pure Storage, Inc. Ensuring reproducibility in an artificial intelligence infrastructure
US20190147357A1 (en) 2017-11-16 2019-05-16 Red Hat, Inc. Automatic detection of learning model drift
US10452674B2 (en) * 2017-12-07 2019-10-22 Accenture Global Solutions Limited Artificial intelligence and robotic process automation for automated data management
US10762444B2 (en) 2018-09-06 2020-09-01 Quickpath, Inc. Real-time drift detection in machine learning systems and applications
US11042458B2 (en) * 2018-04-30 2021-06-22 Accenture Global Solutions Limited Robotic optimization for robotic process automation platforms
US10460235B1 (en) 2018-07-06 2019-10-29 Capital One Services, Llc Data model generation using generative adversarial networks
US11687827B2 (en) 2018-10-04 2023-06-27 Accenture Global Solutions Limited Artificial intelligence (AI)-based regulatory data processing system
US10341374B1 (en) 2018-11-20 2019-07-02 Sift Science, Inc. Systems and methods detecting and mitigating anomalous shifts in a machine learning model
CN110378487B (zh) 2019-07-18 2021-02-26 深圳前海微众银行股份有限公司 横向联邦学习中模型参数验证方法、装置、设备及介质
US20220024032A1 (en) 2020-07-21 2022-01-27 UiPath, Inc. Artificial intelligence / machine learning model drift detection and correction for robotic process automation
US11468350B2 (en) * 2020-11-13 2022-10-11 UMNAI Limited Behavioral prediction and boundary settings, control and safety assurance of ML and AI systems
US11693632B2 (en) * 2021-01-25 2023-07-04 Cisco Technology, Inc. Collaborative visual programming environment with cumulative learning using a deep fusion reasoning engine

Also Published As

Publication number Publication date
US20210109834A1 (en) 2021-04-15
US20220292007A1 (en) 2022-09-15
WO2021076228A1 (en) 2021-04-22
JP2022552467A (ja) 2022-12-16
US20240061760A1 (en) 2024-02-22
EP4046106A4 (en) 2023-11-15
US11803458B2 (en) 2023-10-31
KR20220079829A (ko) 2022-06-14
US11347613B2 (en) 2022-05-31
EP4046106A1 (en) 2022-08-24

Similar Documents

Publication Publication Date Title
KR102453988B1 (ko) 런타임시 디지털 프로세스에서의 동적 인공 지능/머신 러닝 모델 업데이트, 또는 재트레이닝 및 업데이트
US11541548B2 (en) Artificial intelligence-based process identification, extraction, and automation for robotic process automation
US11803458B2 (en) Inserting probabilistic models in deterministic workflows for robotic process automation and supervisor system
US11919165B2 (en) Process evolution for robotic process automation and workflow micro-optimization
CN114600141A (zh) 使用人工智能来选择和链接用于机器人流程自动化的模型
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
CN114585480A (zh) 用于机器人流程自动化的自动分析、优先化和机器人生成
CN114586040A (zh) 使用机器学习自动激活和配置机器人流程自动化工作流
CN114556377A (zh) 机器人过程自动化中的强化学习
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
US20210342736A1 (en) Machine learning model retraining pipeline for robotic process automation
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
US11507059B1 (en) System and computer-implemented method for seamless consumption of automations
CN114127696A (zh) 用于机器人过程自动化的测试自动化
JP2023523374A (ja) ロボティックプロセスオートメーションのための機械学習モデル再訓練パイプライン
CN113168169A (zh) 用于机器人过程自动化的测试自动化
US11650871B2 (en) System and computer-implemented method for verification of execution of an activity

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