CN116610806B - 基于ai的rpa数字化业务处理方法及计算机设备 - Google Patents
基于ai的rpa数字化业务处理方法及计算机设备 Download PDFInfo
- Publication number
- CN116610806B CN116610806B CN202310894614.8A CN202310894614A CN116610806B CN 116610806 B CN116610806 B CN 116610806B CN 202310894614 A CN202310894614 A CN 202310894614A CN 116610806 B CN116610806 B CN 116610806B
- Authority
- CN
- China
- Prior art keywords
- rpa
- error
- text
- example text
- result
- 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.)
- Active
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 150
- 238000004458 analytical method Methods 0.000 claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 79
- 230000008569 process Effects 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims description 247
- 238000005259 measurement Methods 0.000 claims description 152
- 238000012512 characterization method Methods 0.000 claims description 123
- 238000005065 mining Methods 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004801 process automation Methods 0.000 abstract description 4
- 208000014633 Retinitis punctata albescens Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种基于AI的RPA数字化业务处理方法及计算机设备,通过RPA机器人处理数字化业务数据中大量重复性、弱技能性的数据,得到整理好的RPA整理文本,然后结合预先调试好的AI模型对RPA整理文本进行业务类型识别分析,得到分析结果。将RPA工具的过程自动化和AI的智能化进行结合,使得业务能力得到高度提升。此外,在数字业务处理模型的调试过程中,获得的数字业务处理模型对强相似业务类型的RPA整理文本能拥有优异的分辨性能,这样在基于其对RPA整理文本进行类型分析时,可以增加类型分析的准确性,减少错误率。
Description
技术领域
本申请涉及但不限于RPA、人工智能技术领域,尤其涉及一种基于AI的RPA数字化业务处理方法及计算机设备。
背景技术
RPA(Robotic process automation,机器人流程自动化),是以机器人作为虚拟劳动力,依据预先设定的程序与现有用户系统进行交互并完成预期的任务。其中流程是指给机器人设定的用于完成用户任务的工作流程,由机器人根据流程自动完成用户任务。从目前的技术实践来看,现有的RPA还仅适用于高重复性、逻辑确定的任务。RPA能够代替或者协助人类在计算机、手机等数字化设备中完成重复性工作与任务。但是,目前RPA的自动化程度较为单一,对于需要人工理解的任务,例如对文本识别语义信息,对文本进行分类等任务重,RPA难以完成,而分类任务往往也是较为反复,需要自动化解决的,因此,现有的RPA还有改进的空间,而AI技术是可以考虑的解决方案。
发明内容
有鉴于此,本申请实施例提供一种基于AI的RPA数字化业务处理方法及计算机设备。
本申请实施例的技术方案是这样实现的:
一方面,本申请实施例提供一种基于AI的RPA数字化业务处理方法,应用于计算机设备,所述方法包括:获取数字化业务数据,通过预设的RPA机器人,基于预设的业务规则对数字化业务数据进行整理,得到RPA整理文本;将所述RPA整理文本加载至事先调试完成的数字业务处理模型,并基于所述数字业务处理模型对所述RPA整理文本进行分析,得到所述RPA整理文本的匹配类型;其中,所述数字业务处理模型的调试过程包括:确定RPA示例文本库中各RPA示例文本属于目标业务类型的预估可信度;在所述RPA示例文本库中,选取所述预估可信度满足可信度临界值的备选RPA示例文本;获取各个所述备选RPA示例文本与错误RPA示例文本之间的共性度量结果;其中,所述错误RPA示例文本为过往的类型分析记录中被错误识别成属于所述目标业务类型的RPA示例文本;基于所述共性度量结果择取所述备选RPA示例文本,得到积极RPA示例文本和消极RPA示例文本;通过所述积极RPA示例文本、所述错误RPA示例文本和所述消极RPA示例文本对数字业务处理模型进行调校,直到所述数字业务处理模型的目标误差结果满足误差结果阈值时停止调校,获得调试完成的数字业务处理模型;其中,所述目标误差结果包括类型分析误差结果、所述错误RPA示例文本的表征向量集合与所述积极RPA示例文本的表征向量集合之间的第一误差结果,以及所述错误RPA示例文本的表征向量集合与所述消极RPA示例文本的表征向量集合之间的第二误差结果。
在一些实施例中,所述确定RPA示例文本库中各RPA示例文本属于目标业务类型的预估可信度,包括:获取RPA示例文本库;将所述RPA示例文本库中的各RPA示例文本分别加载到初始调试的数字业务处理模型;通过初始调试的所述数字业务处理模型对加载的所述各RPA示例文本分别进行类型分析预估,得到所述RPA示例文本属于目标业务类型的预估可信度;所述通过所述积极RPA示例文本、所述错误RPA示例文本和所述消极RPA示例文本对数字业务处理模型进行调校,直到所述数字业务处理模型的目标误差结果满足误差结果阈值时停止调校,包括:通过所述积极RPA示例文本、所述错误RPA示例文本和所述消极RPA示例文本对初始调试的所述数字业务处理模型进行调校,直到所述数字业务处理模型的误差结果满足误差结果阈值时停止调校,获得调试完成的数字业务处理模型。
在一些实施例中,所述获取各个所述备选RPA示例文本与错误RPA示例文本之间的共性度量结果,包括:在各所述备选RPA示例文本中进行表征向量挖掘,得到备选示例表征向量集合;对所述错误RPA示例文本进行表征向量挖掘,得到错误示例表征向量集合;基于所述备选示例表征向量集合和所述错误示例表征向量集合,确定所述备选RPA示例文本与错误RPA示例文本之间的共性度量结果。
在一些实施例中,所述共性度量结果包括所述备选RPA示例文本与所述错误RPA示例文本之间的文本共性度量结果和划簇共性度量结果;所述基于所述备选示例表征向量集合和所述错误示例表征向量集合,确定所述备选RPA示例文本与错误RPA示例文本之间的共性度量结果,包括:基于所述备选示例表征向量集合和所述错误示例表征向量集合,确定所述备选RPA示例文本与错误RPA示例文本之间的文本共性度量结果;对所述错误示例表征向量集合进行划簇,得到划簇质心;基于所述备选示例表征向量集合和所述划簇质心,确定所述备选RPA示例文本与所述错误RPA示例文本的划簇共性度量结果;其中,所述对所述错误示例表征向量集合进行划簇,得到划簇质心,包括:在各个所述错误示例表征向量集合中获取预设个数的目标错误示例表征向量集合;将所述目标错误示例表征向量集合确定为原始划簇质心,并确定其余所述错误示例表征向量集合与所述原始划簇质心之间第一空间相似度;基于所述第一空间相似度确定其余所述错误示例对应的业务类型,得到原始类型;在业务类型的错误示例表征向量集合中确定聚类中心,其中,业务类型为原始类型或更新后的业务类型;确定除所述聚类中心外的其余所述错误示例表征向量集合与所述聚类中心间的第二空间相似度;通过所述第二空间相似度确定除所述聚类中心外的错误示例表征向量集合对应的业务类型,得到各个所述错误示例表征向量集合对应的更新业务类型;反复进行在业务类型的错误示例表征向量集合中确定聚类中心的过程,直到满足预设条件;将所述第二空间相似度对应的聚类中心确定为对所述错误示例表征向量集合进行划簇得到的划簇质心。
在一些实施例中,所述基于所述共性度量结果择取所述备选RPA示例文本,得到积极RPA示例文本和消极RPA示例文本,包括:基于所述共性度量结果对所述备选RPA示例文本进行择取,得到目标RPA示例文本;获取所述目标RPA示例文本的业务类型指示信息;所述业务类型指示信息包括积极示例指示信息和消极示例指示信息;将所述积极示例指示信息对应的所述目标RPA示例文本确定为积极RPA示例文本;将所述消极示例指示信息对应的所述目标RPA示例文本确定为消极RPA示例文本。
在一些实施例中,所述共性度量结果包括所述备选RPA示例文本与所述错误RPA示例文本之间的文本共性度量结果和划簇共性度量结果;所述基于所述共性度量结果对所述备选RPA示例文本进行择取,得到目标RPA示例文本,包括:将所述文本共性度量结果和所述划簇共性度量结果进行比较;当所述文本共性度量结果大于所述划簇共性度量结果时,将大于所述划簇共性度量结果的文本共性度量结果对应的备选RPA示例文本确定为目标RPA示例文本。
在一些实施例中,所述通过所述积极RPA示例文本、所述错误RPA示例文本和所述消极RPA示例文本对数字业务处理模型进行调校,包括:将所述积极RPA示例文本、所述错误RPA示例文本和所述消极RPA示例文本进行归集,得到RPA示例文本集合,每个所述RPA示例文本集合中包含不少于一个所述积极RPA示例文本、不少于一个所述错误RPA示例文本和不少于一个所述消极RPA示例文本;将各所述RPA示例文本集合逐一加载至数字业务处理模型,以通过所述RPA示例文本集合对所述数字业务处理模型进行调校,直到所述数字业务处理模型的目标误差结果满足误差结果阈值时停止调校。
在一些实施例中,所述通过所述RPA示例文本集合对所述数字业务处理模型进行调校,包括:通过所述数字业务处理模型,对加载的所述RPA示例文本集合中各个RPA示例文本进行表征向量挖掘,得到错误示例表征向量集合、积极示例表征向量集合和消极示例表征向量集合;基于所述错误示例表征向量集合和所述积极示例表征向量集合确定第一误差结果;基于所述错误示例表征向量集合和所述消极示例表征向量集合确定第二误差结果;基于所述错误示例表征向量集合、所述积极示例表征向量集合和所述消极示例表征向量集合,分别对所述RPA示例文本集合中的RPA示例文本进行类型分析,依据类型分析结果与对应的业务类型指示信息确定类型分析误差结果;基于所述类型分析误差结果、所述第一误差结果和所述第二误差结果确定目标误差结果;基于所述目标误差结果对所述数字业务处理模型的模型配置变量进行优化。
在一些实施例中,所述基于所述错误示例表征向量集合和所述积极示例表征向量集合确定第一误差结果;基于所述错误示例表征向量集合和所述消极示例表征向量集合确定第二误差结果,包括:获取所述错误示例表征向量集合和所述积极示例表征向量集合的空间相似度,将所述错误示例表征向量集合和所述积极示例表征向量集合的空间相似度确定为第一误差结果;获取所述错误示例表征向量集合和所述消极示例表征向量集合的空间相似度,将所述错误示例表征向量集合和所述消极示例表征向量集合的空间相似度确定为第二误差结果;所述基于所述类型分析误差结果、所述第一误差结果和所述第二误差结果确定目标误差结果包括:获取协调系数;计算所述第一误差结果与所述第二误差结果之间的作差结果;若所述作差结果与所述协调系数之间的求和结果大于0,则将所述作差结果、所述协调系数和所述类型分析误差结果之间的求和结果确定为目标误差结果;若所述作差结果与所述协调系数之间的求和结果不大于0,则基于所述类型分析误差结果确定目标误差结果。
本申请至少包括以下有益效果:
本申请提供的基于AI的RPA数字化业务处理方法及计算机设备,通过RPA机器人处理数字化业务数据中大量重复性、弱技能性的数据,得到整理好的RPA整理文本,然后结合预先调试好的AI模型(即数字业务处理模型)对RPA整理文本进行业务类型识别分析,得到分析结果。本申请将RPA工具的过程自动化和AI的智能化进行结合,使得业务能力得到高度提升。此外,在数字业务处理模型的调试过程中,通过确定RPA示例文本库中各RPA示例文本属于目标业务类型的预估可信度,在RPA示例文本库中,选取预估可信度满足可信度临界值的备选RPA示例文本,并获取各个备选RPA示例文本与错误RPA示例文本之间的共性度量结果,从而基于共性度量结果择取备选RPA示例文本,得到积极RPA示例文本和消极RPA示例文本,再通过积极RPA示例文本、错误RPA示例文本和消极RPA示例文本对数字业务处理模型进行调校,直到数字业务处理模型的目标误差结果满足误差结果阈值时停止调校,获得调试完成的数字业务处理模型,其中,错误RPA示例文本为过往的类型分析记录中被错误识别成属于目标业务类型的RPA示例文本,目标误差结果包括类型分析误差结果、错误RPA示例文本的表征向量集合与积极RPA示例文本的表征向量集合之间的第一误差结果,以及错误RPA示例文本的表征向量集合与消极RPA示例文本的表征向量集合之间的第二误差结果,基于以上调试过程,获得的数字业务处理模型对强相似业务类型的RPA整理文本能拥有优异的分辨性能,这样在基于其对RPA整理文本进行类型分析时,可以增加类型分析的准确性,减少错误率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种基于AI的RPA数字化业务处理方法的实现流程示意图。
图2为本申请实施例提供的数字业务处理模型的调试流程示意图。
图3为本申请实施例提供的一种RPA数字化业务处理装置的组成结构示意图。
图4为本申请实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图和实施例对本申请的技术方案进一步详细阐述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的,不是旨在限制本申请。
本申请实施例提供一种基于AI的RPA数字化业务处理方法,该方法可以由计算机设备的处理器执行。其中,计算机设备可以指的是服务器、笔记本电脑、平板电脑、台式计算机、智能电视、移动设备(例如移动电话、便携式视频播放器、个人数字助理、专用消息设备、便携式游戏设备)等具备数据处理能力的设备。
图1为本申请实施例提供的一种基于AI的RPA数字化业务处理方法的实现流程示意图,如图1所示,该方法包括如下步骤110至步骤120:
步骤S110,获取数字化业务数据,通过预设的RPA机器人,基于预设的业务规则对数字化业务数据进行整理,得到RPA整理文本。
本申请实施例中,数字化业务数据为需要处理的文本数据,例如电子简历、员工工作总结、电子邮件等。在业务开展中,需要对数字化业务数据进行整理,例如提炼关键信息、删除冗余信息、数据录入、关键信息检索等,这些工作是重复性且易产生错漏的,对执行的专业性不高,即是弱技能性的工作内容。可以通过设置预设的业务规则对其进行操作,例如特定数据抓取、复制粘贴、数值计算、数据迁移、OCR识别、邮件解析、信息核验、程序登陆等等。预设的业务规则的具体实现并不做限定。通过事先创建的RPA机器人,实现数字化业务数据操作流程的自动化执行,不仅准确可靠,且完成及时性高。容易理解,可以根据实际的数据需求对RPA机器人的运行体系进行设定,RPA机器人的编码指令也根据实际需要进行编制,换言之,RPA机器人借助能够自动执行的脚本(这些脚本可能是某些工具生成的)完成一系列需要人工完成的工作。本申请涉及到的上述可执行的操作为通用技术,本申请实施例对具体方式不做限定。
步骤S120,将RPA整理文本加载至事先调试完成的数字业务处理模型,并基于数字业务处理模型对RPA整理文本进行分析,得到RPA整理文本的匹配类型。
数字业务处理模型的模型架构可以是任意可行的机器学习模型,例如深度神经网络,如卷积神经网络CNN、循环神经网络RNN、长短时记忆网络LSTM等。通过数字业务处理模型对RPA整理文本进行整理,得到其对应的匹配类型,匹配类型例如是业务类型,比如在简历筛选中,业务类型可以包括高匹配对象、可考虑匹配对象、不适宜对象等等;在邮件过滤或处理优先级确定中,业务类型可以包括紧急待处理邮件、可暂缓事项邮件、知悉类邮件、垃圾邮件等等,或者按照内容分类,如市场侧邮件、业务侧邮件、运营侧邮件等,可以理解,在RPA整理文本中暗含了其对应某一业务类型的语义信息,本申请实施例通过数字业务处理模型将其进行挖掘分析,以识别对应的匹配类型。那么,在本申请实施例中,对于数字业务处理模型的获取,需要事先进行调试,请参照图2,该调试过程可以包括以下步骤:
步骤S210,确定RPA示例文本库中各RPA示例文本属于目标业务类型的预估可信度。
RPA示例文本是用于调试模型的样本数据,包括对应预设业务类型的文本和不对应预设业务类型的文本,对应预设业务类型的文本属于目标业务类型,不对应预设业务类型的文本不属于目标业务类型。各个RPA示例文本各自具有对应的业务类型指示信息,指示信息的形式例如可以为标签、文本,业务类型指示信息包括积极示例指示信息和消极示例指示信息,举例而言,为对应目标业务类型的RPA示例文本赋予积极示例指示信息,为对应不是目标业务类型的RPA示例文本赋予消极示例指示信息,或者,为对应目标业务类型的RPA示例文本赋予消极示例指示信息,为不属于目标业务类型的RPA示例文本赋予积极示例指示信息。上述的预估可信度是对RPA示例文本进行类型分析时,对RPA示例文本进行推理预估,分析其为某业务类型的可能性程度,例如概率、置信系数、支持度,预估可信度越大,RPA示例文本越有可能对应该业务类型。
可选地,步骤S210具体可以包括:获取RPA示例文本库;将RPA示例文本库中的各RPA示例文本分别加载到初始调试的数字业务处理模型;通过初始调试的数字业务处理模型对加载的各RPA示例文本分别进行类型分析预估,得到RPA示例文本属于目标业务类型的预估可信度。
初始调试的数字业务处理模型是预训练好的模型,其用于对加载的文本进行类型分析预估,初始调试的数字业务处理模型包括表征向量挖掘模块和类型分析预估模块,其中表征向量挖掘模块用于抽取加载的RPA示例文本的文本表征向量,即表征文本特征信息的向量,可选地,可以先对文本进行编码,完成向量化,再对编码后的向量进行特征挖掘得到文本表征向量;类型分析预估模块用于依据文本表征向量推理文本对应每个业务类型的预估可信度,得到的预估可信度包括RPA示例文本对应目标业务类型的预估可信度,该表征向量挖掘模块可以是CNN。获得各RPA示例文本后,将RPA示例文本加载到初始调试的数字业务处理模型,通过初始调试的数字业务处理模型的表征向量挖掘模块抽取加载的RPA示例文本的示例表征向量集合,将示例表征向量集合加载到初始调试的数字业务处理模型的类型分析预估模块,通过类型分析预估模块基于输入的示例表征向量集合确定RPA示例文本对应目标业务类型的预估可信度,其中,示例表征向量集合可以理解为特征图。
其中,通过将RPA示例文本库中的各RPA示例文本分别加载到初始调试的数字业务处理模型,这样可基于初始调试的数字业务处理模型确定得到各RPA示例文本属于目标业务类型的预估可信度,进一步可以通过预估可信度从RPA示例文本中择取适于进行模型调试的备选RPA示例文本,防止在直接基于所有RPA示例文本对模型调校过程中产生的过多时间消耗和调试结果不佳。
可选地,本申请实施例还可对数字业务处理模型进行初始调试,对数字业务处理模型进行初始调试的方式可包括:获取初始调试RPA示例文本库,通过初始调试RPA示例文本库中的各个初始调试RPA示例文本对数字业务处理模型进行初始调试,直到数字业务处理模型的初始调试误差结果满足预设初始调试误差结果时停止调校,得到初始调试的数字业务处理模型。其中,初始调试RPA示例文本库对应的预设业务类型与RPA示例文本库对应预设业务类型一致。初始调试RPA示例文本库中的文本可以和RPA示例文本库中的文本完全不一样,或者局部一样或不一样,例如初始调试RPA示例文本库中包含示例文本1、示例文本2和示例文本3,RPA示例文本库中包含示例文本2、示例文本3和示例文本4。
本申请实施例中,RPA示例文本对应业务类型指示信息,其中,RPA示例文本的业务类型指示信息的指示方式与RPA示例文本的相同,例如对应预设业务类型的RPA示例文本的业务类型指示信息为积极示例指示信息,不对应预设业务类型的RPA示例文本的业务类型指示信息为消极示例指示信息,或者对应预设业务类型的RPA示例文本的业务类型指示信息为消极示例指示信息,不对应预设业务类型的RPA示例文本的业务类型指示信息为消极示例指示信息。
例如,获得RPA示例文本库之后,将RPA示例文本库中的各个RPA示例文本分别输入数字业务处理模型,通过数字业务处理模型的表征向量挖掘模块提取RPA示例文本的示例表征向量集合,通过数字业务处理模型的类型分析预估模块依据示例表征向量集合对加载的RPA示例文本进行类型分析得到业务类型分析结果,并依据业务类型分析结果与RPA示例文本的业务类型指示信息确定初始调试误差结果(即损失),依据初始调试误差结果对数字业务处理模型进行优化调校,直到数字业务处理模型的初始调试误差结果满足预设初始调试误差结果时停止调校,得到初始调试的数字业务处理模型。
步骤S220,在RPA示例文本库中,选取预估可信度满足可信度临界值的备选RPA示例文本。
预估可信度为RPA示例文本预估为目标业务类型的可信性程度,可信度临界值可以基于过往类型分析过程中产生错误识别的情况进行配置的值。通过预估可信度确定RPA示例文本的业务类型分析结果,比如将预估可信度满足类型可信度临界值的业务类型确定为业务类型分析结果,比如,类型可信度临界值为0.7,通过数字业务处理模型预估得到某RPA示例文本的对应目标业务类型的预估可信度为0.8,不对应目标业务类型的预估可信度为0.4,则得到RPA示例文本的业务类型分析结果为属于目标业务类型。但是,如果RPA示例文本的预估类型和RPA示例文本的实际业务类型不同,代表数字业务处理模型对RPA示例文本识别错误,那么,可信度临界值大于类型可信度临界值的RPA示例文本中,同时涵盖业务类型分析结果与实际业务类型相同的文本和业务类型分析结果与实际业务类型不同的文本。
获得RPA示例文本库中各个RPA示例文本的预估可信度后,获取可信度临界值,将预估可信度满足可信度临界值的RPA示例文本作为备选RPA示例文本择取出来。择取得到的备选RPA示例文本包含了实际业务类型为目标业务类型的RPA示例文本,以及实际业务类型不为目标业务类型的RPA示例文本。其中,可信度临界值为不小于类型可信度临界值的值,可信度临界值可以只包括最小值,或包括最小值和最大值,如果可信度临界值只包括最小值,则预估可信度不小于最小值,视为预估可信度满足可信度临界值;如果可信度临界值同时包括最小值和最大值,则预估可信度不小于最小值、同时不大于最大值时,视为预估可信度满足可信度临界值。
步骤S230,获取各个备选RPA示例文本与错误RPA示例文本之间的共性度量结果。
共性度量结果用于反映备选RPA示例文本与错误RPA示例文本之间的相似度,错误RPA示例文本为过往的类型分析记录中被错误识别成属于目标业务类型的RPA示例文本。共性度量结果包括备选RPA示例文本与错误RPA示例文本之间的文本共性度量结果和划簇共性度量结果中的一个或多个,文本共性度量结果表示一个备选RPA示例文本与一个错误RPA示例文本之间的共性度量结果,划簇共性度量结果表示一个备选RPA示例文本与错误RPA示例文本的划簇质心之间的共性度量结果。
其中,可以获取过往一定时间中,对预设业务类型文本进行类型分析的分析文本,依据分析文本确定被错误识别成目标业务类型的错误文本,通过各错误文本构建错误RPA示例文本库,错误RPA示例文本库中的各错误RPA示例文本为错误RPA示例文本。
可选地,步骤S230可以包括:在各备选RPA示例文本中进行表征向量挖掘,得到备选示例表征向量集合;对错误RPA示例文本进行表征向量挖掘,得到错误示例表征向量集合;通过备选示例表征向量集合和错误示例表征向量集合,确定备选RPA示例文本与错误RPA示例文本之间的共性度量结果。
例如,将各备选RPA示例文本和各错误RPA示例文本分别加载到表征向量挖掘模型,基于表征向量挖掘模型对加载的备选RPA示例文本进行表征向量挖掘,得到备选RPA示例文本的备选示例表征向量集合;通过表征向量挖掘模型对加载的错误RPA示例文本进行表征向量挖掘,得到错误RPA示例文本的错误示例表征向量集合,基于备选RPA示例文本的备选示例表征向量集合和错误RPA示例文本的错误示例表征向量集合,确定备选RPA示例文本与错误RPA示例文本之间的共性度量结果。其中,表征向量挖掘模型与数字业务处理模型中的表征向量挖掘模块具有一致的组成架构。
例如,表征向量挖掘模型为卷积神经网络,包括多个卷积模块和多个残差模块,卷积模块用于对文本数据进行线性变换,通道数产生变化,得到变化后的表征向量集合(特征图),再经过多个残差块对表征向量集合进行池化。
通过抽取备选RPA示例文本的表征向量和错误RPA示例文本的表征向量,之后依据抽取的表征向量获取备选RPA示例文本和错误RPA示例文本的共性度量结果,以依据共性度量结果在备选RPA示例文本中筛选能进行调校的目标RPA示例文本,满足基本质量要求下,减少调校所需数据,防止直接通过所有备选RPA示例文本进行模型调校过程中,调试的时间过长,同时不能得到较优的模型。
步骤S240,基于共性度量结果择取备选RPA示例文本,得到积极RPA示例文本和消极RPA示例文本。
共性度量结果包括备选RPA示例文本与错误RPA示例文本之间的文本共性度量结果和划簇共性度量结果中的一个或多个,文本共性度量结果代表一个备选RPA示例文本与一个错误RPA示例文本之间的共性度量结果,划簇共性度量结果代表一个备选RPA示例文本与错误RPA示例文本的划簇质心之间的共性度量结果。
例如,在得到各备选RPA示例文本与错误RPA示例文本的共性度量结果之后,基于共性度量结果对备选RPA示例文本进行择取,基于择取出的备选RPA示例文本确定积极RPA示例文本和消极RPA示例文本。
可选地,步骤S240包括:基于共性度量结果对备选RPA示例文本进行择取,得到目标RPA示例文本;获取目标RPA示例文本的业务类型指示信息;将积极示例指示信息对应的目标RPA示例文本确定为积极RPA示例文本;将消极示例指示信息对应的目标RPA示例文本确定为消极RPA示例文本。
业务类型指示信息为在确定目标RPA示例文本属于目标业务类型的预估可信度前,对目标RPA示例文本进行指示的信息,例如label,业务类型指示信息包括积极示例指示信息和消极示例指示信息,其中,如果积极示例指示信息所指示的目标RPA示例文本对应预设业务类型,则消极示例指示信息所指示的RPA示例文本不对应预设业务类型;如果积极示例指示信息所指示的目标RPA示例文本不对应预设业务类型,则消极示例指示信息所指示的RPA示例文本对应预设业务类型。
以上实施方式,依据共性度量结果在备选RPA示例文本中筛选适于模型调校的目标RPA示例文本,满足基本质量要求下,减少调校所需数据,防止直接通过所有备选RPA示例文本进行模型调校过程中,调试的时间过长,同时不能得到较优的模型。
步骤S250,通过积极RPA示例文本、错误RPA示例文本和消极RPA示例文本对数字业务处理模型进行调校,直到数字业务处理模型的误差结果满足误差结果阈值时停止调校,获得调试完成的数字业务处理模型。
目标误差结果包括类型分析误差结果、错误RPA示例文本的表征向量与积极RPA示例文本的表征向量之间的误差结果,即损失信息,以及错误RPA示例文本的表征向量与消极RPA示例文本的表征向量之间的误差结果,即损失信息。
例如,获得积极RPA示例文本、错误RPA示例文本和消极RPA示例文本之后,将积极RPA示例文本、错误RPA示例文本和消极RPA示例文本输入数字业务处理模型,基于数字业务处理模型对加载的文本进行表征向量挖掘与业务类型分析,基于表征向量挖掘结果与业务类型分析结果,确定目标误差结果,依据目标误差结果对数字业务处理模型的模型内部配置变量进行优化(例如通过梯度优化算法进行调参),直到数字业务处理模型的误差结果满足误差结果阈值时停止调校,获得调试完成的数字业务处理模型。
可选地,步骤S250包括:通过积极RPA示例文本、错误RPA示例文本和消极RPA示例文本对初始调试的数字业务处理模型进行调校,直到数字业务处理模型的误差结果满足误差结果阈值时停止调校,获得调试完成的数字业务处理模型。
初始调试的数字业务处理模型可以为在S210中用于确定RPA示例文本库中各RPA示例文本对应目标业务类型的预估可信度的初始调试的数字业务处理模型。通过积极RPA示例文本、错误RPA示例文本和消极RPA示例文本对初始调试的数字业务处理模型执行的调试是二次调试,能强化调试得到的数字业务处理模型对错误RPA示例文本的表征向量挖掘效果,帮助调试得到的数字业务处理模型可以精确对RPA文本进行类型分析,防止对容易产生错误识别的目标业务类型的RPA示例文本的错误识别。
在步骤S120中,数字业务处理模型对RPA整理文本进行分析,得到RPA整理文本的匹配类型的过程中,在将RPA整理文本加载到调试完成的数字业务处理模型后,基于调试完成的数字业务处理模型的表征向量挖掘模块挖掘抽取RPA整理文本的拟进行类型分析的文本表征向量集合,将该文本表征向量集合加载到调试完成的数字业务处理模型的类型分析预估模块,基于类型分析预估模块依据该文本表征向量集合,对RPA整理文本的业务类型进行分析,得到业务类型分析结果,通过业务类型分析结果确定RPA整理文本是否对应目标业务类型,即RPA整理文本的匹配类型。
本申请提供的基于AI的RPA数字化业务处理方法及计算机设备,通过RPA机器人处理数字化业务数据中大量重复性、弱技能性的数据,得到整理好的RPA整理文本,然后结合预先调试好的AI模型(即数字业务处理模型)对RPA整理文本进行业务类型识别分析,得到分析结果。本申请将RPA工具的过程自动化和AI的智能化进行结合,使得业务能力得到高度提升。此外,在数字业务处理模型的调试过程中,通过确定RPA示例文本库中各RPA示例文本属于目标业务类型的预估可信度,在RPA示例文本库中,选取预估可信度满足可信度临界值的备选RPA示例文本,并获取各个备选RPA示例文本与错误RPA示例文本之间的共性度量结果,从而基于共性度量结果择取备选RPA示例文本,得到积极RPA示例文本和消极RPA示例文本,再通过积极RPA示例文本、错误RPA示例文本和消极RPA示例文本对数字业务处理模型进行调校,直到数字业务处理模型的目标误差结果满足误差结果阈值时停止调校,获得调试完成的数字业务处理模型,其中,错误RPA示例文本为过往的类型分析记录中被错误识别成属于目标业务类型的RPA示例文本,目标误差结果包括类型分析误差结果、错误RPA示例文本的表征向量集合与积极RPA示例文本的表征向量集合之间的第一误差结果,以及错误RPA示例文本的表征向量集合与消极RPA示例文本的表征向量集合之间的第二误差结果,基于以上调试过程,获得的数字业务处理模型对强相似业务类型的RPA整理文本能拥有优异的分辨性能,这样在基于其对RPA整理文本进行类型分析时,可以增加类型分析的准确性,减少错误率。
可选地,共性度量结果包括备选RPA示例文本与错误RPA示例文本之间的文本共性度量结果和划簇共性度量结果中的有个或两个,基于备选示例表征向量集合和错误示例表征向量集合,确定备选RPA示例文本与错误RPA示例文本之间的共性度量结果,具体可以包括:基于备选示例表征向量集合和错误示例表征向量集合,确定备选RPA示例文本与错误RPA示例文本之间的文本共性度量结果;对错误示例表征向量集合进行划簇,得到划簇质心,基于备选示例表征向量集合和划簇质心,确定备选RPA示例文本与错误RPA示例文本的划簇共性度量结果。划簇的过程即进行聚类的过程,划簇的方式例如基于常用的聚类算法(如K-means)执行。
作为一种示例,对于每一备选RPA示例文本,分别确定该备选RPA示例文本和各错误RPA示例文本之间的文本共性度量结果,示例性地,备选RPA示例文本的数量为10,错误RPA示例文本的数量为3,那么,对于10个中的随机的一个备选RPA示例文本,分别确定该备选RPA示例文本与3个错误RPA示例文本中的每一错误RPA示例文本的文本共性度量结果,得到备选RPA示例文本对应的3个文本共性度量结果;对于错误RPA示例文本,先确定对应的划簇质心(即用于进行聚类的中心),划簇质心的个数不做限定,对于每个备选RPA示例文本,分别获取该备选RPA示例文本与每个划簇质心之间的划簇共性度量结果,示例性地,备选RPA示例文本数量为10,错误RPA示例文本数量为5,将错误RPA示例文本划簇为3个簇,得到3个划簇质心,对于10个备选RPA示例文本中的一个备选RPA示例文本,获取该备选RPA示例文本与3个簇中的每一划簇质心的文本共性度量结果,得到备选RPA示例文本对应的3个划簇共性度量结果。
可选地,基于备选示例表征向量集合和错误示例表征向量集合,确定备选RPA示例文本与错误RPA示例文本之间的文本共性度量结果,包括:确定备选示例表征向量集合和错误示例表征向量集合之间的欧几里得距离,将欧几里得距离确定为备选RPA示例文本与错误RPA示例文本之间的文本共性度量结果;基于备选示例表征向量集合和划簇质心,确定备选RPA示例文本与错误RPA示例文本的划簇共性度量结果,包括:获取备选示例表征向量集合和划簇质心之间的欧几里得距离,将该欧几里得距离确定为备选RPA示例文本与错误RPA示例文本的划簇共性度量结果。计算欧氏距离的方式为现有技术,此处不做赘述。
可选地,对错误示例表征向量集合进行划簇,得到划簇质心,包括:在各个错误示例表征向量集合中获取预设个数的目标错误示例表征向量集合;将目标错误示例表征向量集合确定为原始划簇质心,并确定其余错误示例表征向量集合与原始划簇质心之间第一空间相似度,例如计算二者之间的空间距离(空间距离越大,相似度越低,空间距离越小,相似度越高),基于第一空间相似度确定其余错误示例对应的业务类型,得到原始类型;在业务类型的错误示例表征向量集合中确定聚类中心,其中,业务类型为原始类型和更新后的业务类型中的一个,确定除聚类中心外的其余错误示例表征向量集合与聚类中心间的第二空间相似度,例如计算二者之间的空间距离(空间距离越大,相似度越低,空间距离越小,相似度越高),通过第二空间相似度确定除聚类中心外错误示例表征向量集合对应的业务类型,得到各个错误示例表征向量集合对应的更新业务类型,反复进行在业务类型的错误示例表征向量集合中确定聚类中心的过程,直到满足预设条件,该预设条件例如为达到预设的次数,或者第二空间相似度小于预设空间相似度,将第二空间相似度对应的聚类中心确定为对错误示例表征向量集合进行划簇得到的划簇质心。
可选地,共性度量结果包括文本共性度量结果,基于共性度量结果对备选RPA示例文本进行择取,得到目标RPA示例文本,包括:获取文本共性度量结果预设值,将文本共性度量结果达到文本共性度量结果预设值的备选RPA示例文本确定为目标RPA示例文本。
例如,对于任一备选RPA示例文本,获得该备选RPA示例文本与各错误RPA示例文本的文本共性度量结果后,确定备选RPA示例文本对应的文本共性度量结果中是否具有满足文本共性度量结果预设值的目标文本共性度量结果,如果具有,就选取备选RPA示例文本为目标RPA示例文本,如果没有,就不选取备选RPA示例文本。举例而言,一备选RPA示例文本与两个错误RPA示例文本的文本共性度量结果分别为0.6、0.3,如果文本共性度量结果预设值为0.5,则备选RPA示例文本中文本共性度量结果0.6满足文本共性度量结果预设值,确定该备选RPA示例文本为目标RPA示例文本;若共性度量结果预设值为0.7,则备选RPA示例文本中没有文本共性度量结果达到文本共性度量结果预设值,此时不选取备选RPA示例文本。
可选地,共性度量结果包括划簇共性度量结果,基于共性度量结果对备选RPA示例文本进行择取,得到目标RPA示例文本,包括:获取划簇共性度量结果预设值,将划簇共性度量结果达到划簇共性度量结果预设值的备选RPA示例文本确定为目标RPA示例文本。
例如,对于任一备选RPA示例文本,获得该备选RPA示例文本与各错误RPA示例文本的划簇质心的划簇共性度量结果后,确定备选RPA示例文本对应的划簇共性度量结果中是否具有满足划簇共性度量结果预设值的目标划簇共性度量结果,如果具有,就选取备选RPA示例文本为目标RPA示例文本,如果没有,就不选取备选RPA示例文本。
以上基于确定备选RPA示例文本与错误RPA示例文本之间的文本共性度量结果,并确定备选RPA示例文本与错误RPA示例文本的划簇质心的划簇共性度量结果,这样可以通过文本共性度量结果和/或划簇共性度量结果,从备选RPA整理文本中筛选得到适于模型调校的目标RPA示例文本,满足基本质量要求下,减少调校所需数据,防止直接通过所有备选RPA示例文本进行模型调校过程中,调试的时间过长,同时不能得到较优的模型。
可选地,共性度量结果包括文本共性度量结果和划簇共性度量结果,本申请实施例基于共性度量结果对备选RPA示例文本进行择取,得到目标RPA示例文本,包括:将文本共性度量结果和划簇共性度量结果进行比较;如果文本共性度量结果大于划簇共性度量结果,将大于划簇共性度量结果的文本共性度量结果对应的备选RPA示例文本确定为目标RPA示例文本。
例如,对于任一备选RPA示例文本,获得该备选RPA示例文本与每一错误RPA示例文本的文本共性度量结果,以及备选RPA示例文本与每一错误RPA示例文本的划簇质心的划簇共性度量结果后,确定备选RPA示例文本对应的文本共性度量结果中是否具有大于备选RPA示例文本对应的划簇共性度量结果的目标文本共性度量结果,如果具有,就将目标文本共性度量结果对应的备选RPA示例文本确定为目标RPA示例文本。举例而言,如果一个备选RPA示例文本与3个错误RPA示例文本的文本共性度量结果分别为0.7、 0.4、0.3,3个错误RPA示例文本划簇得到1个划簇质心,备选RPA示例文本与该划簇质心的划簇共性度量结果为0.6,确定备选RPA示例文本的目标文本共性度量结果0.7大于划簇共性度量结果0.6,此时将备选RPA示例文本确定为目标RPA示例文本;如果一个备选RPA示例文本与3个错误RPA示例文本的文本共性度量结果分别为0.5、0.4、0.3,3个错误RPA示例文本划簇得到1个划簇质心,备选RPA示例文本与该划簇质心的划簇共性度量结果为0.6,确定该备选RPA示例文本的文本共性度量结果没有大于划簇共性度量结果的目标文本共性度量结果,此时不选取备选RPA示例文本。
可选地,共性度量结果包括文本共性度量结果和划簇共性度量结果,基于共性度量结果对备选RPA示例文本进行择取,得到目标RPA示例文本,包括:基于备选RPA示例文本的预估可信度和对应的文本共性度量结果获取优化后的文本共性度量结果,将优化后的文本共性度量结果和划簇共性度量结果进行比较;如果文本共性度量结果大于划簇共性度量结果,则将大于划簇共性度量结果的文本共性度量结果对应的备选RPA示例文本确定为目标RPA示例文本。
对于任一备选RPA示例文本,获得该备选RPA示例文本与各错误RPA示例文本的文本共性度量结果,以及备选RPA示例文本与各错误RPA示例文本的划簇质心的划簇共性度量结果后,将备选RPA示例文本的预估可信度与对应的文本共性度量结果的作积结果确定为对应的优化后的文本共性度量结果,确定备选RPA示例文本对应的优化后的文本共性度量结果中是否具有大于备选RPA示例文本对应的划簇共性度量结果的目标优化后的文本共性度量结果,如果有,则将目标优化后的文本共性度量结果对应的备选RPA示例文本确定为目标RPA示例文本。
以上实施方式中,通过文本共性度量结果和划簇共性度量结果从备选RPA整理文本中筛选得到适于模型调校的目标RPA示例文本,满足基本质量要求下,减少调校所需数据,防止直接通过所有备选RPA示例文本进行模型调校过程中,调试的时间过长,同时不能得到较优的模型。
可选地,步骤S250可以包括:将积极RPA示例文本、错误RPA示例文本和消极RPA示例文本进行归集,得到RPA示例文本集合,每个RPA示例文本集合中包含不少于一个积极RPA示例文本、不少于一个错误RPA示例文本和不少于一个消极RPA示例文本;将各RPA示例文本集合逐一加载至数字业务处理模型,以通过RPA示例文本集合对数字业务处理模型进行调校,直到数字业务处理模型的目标误差结果满足误差结果阈值时停止调校。
例如,可以获取预设的batch操作变量(即批处理参变量,b_s),通过batch操作变量对将积极RPA示例文本、错误RPA示例文本和消极RPA示例文本进行归集,得到RPA示例文本集合,也就是对积极RPA示例文本、错误RPA示例文本和消极RPA示例文本进行batch划定,每一个batch为一个RPA示例文本集合;获得RPA示例文本集合后,每次提取相同batch的RPA示例文本、错误RPA示例文本和消极RPA示例文本加载到数字业务处理模型,以通过输入的RPA示例文本、错误RPA示例文本和消极RPA示例文本对数字业务处理模型进行调校,直到数字业务处理模型的目标误差结果满足误差结果阈值时停止调校。其中,batch操作变量为每一batch中涵盖的积极RPA示例文本、错误RPA示例文本和消极RPA示例文本个数。示例性地,batch操作变量为(1,1,1,),即每一batch包括一个积极RPA示例文本、一个错误RPA示例文本和一个消极RPA示例文本。
以上实施方式采取对积极RPA示例文本、错误RPA示例文本和消极RPA示例文本进行归集,基于各RPA示例文本集合对数字业务处理模型,每个RPA示例文本集合中都包括积极RPA示例文本、错误RPA示例文本和消极RPA示例文本,完成对数字业务处理模型的多元组调试,帮助调试得到的数字业务处理模型可以精确对RPA文本进行类型分析,防止对容易产生错误识别的目标业务类型的RPA示例文本的错误识别,增加数字业务处理模型的类型分析精确度。
可选地,基于RPA示例文本集合对数字业务处理模型进行调校,可以包括:基于数字业务处理模型对加载的RPA示例文本集合中各个RPA示例文本进行表征向量挖掘,得到错误示例表征向量集合、积极示例表征向量集合和消极示例表征向量集合;基于错误示例表征向量集合和积极示例表征向量集合确定第一误差结果;并通过错误示例表征向量集合和消极示例表征向量集合确定第二误差结果;基于错误示例表征向量集合、积极示例表征向量集合和消极示例表征向量集合分别对RPA示例文本集合中的RPA示例文本进行类型分析,依据类型分析结果与对应的业务类型指示信息确定类型分析误差结果;基于类型分析误差结果、第一误差结果和第二误差结果确定目标误差结果;基于目标误差结果对数字业务处理模型的模型配置变量进行优化。
例如,获得错误示例表征向量集合、积极示例表征向量集合和消极示例表征向量集合后,依据错误示例表征向量集合和积极示例表征向量集合的误差得到第一误差结果,依据错误示例表征向量集合和消极示例表征向量集合的误差得到第二误差结果,以及依据错误示例表征向量集合对错误示例进行类型分析,得到第一业务类型分析结果,通过积极示例表征向量集合对积极RPA示例文本进行类型分析,得到第二业务类型分析结果,通过消极示例表征向量集合对消极RPA示例文本进行类型分析,得到第三业务类型分析结果,依据第一业务类型分析结果与错误RPA示例文本的业务类型指示信息之间的误差得到第一类型分析误差结果,依据第二业务类型分析结果与积极RPA示例文本的业务类型指示信息之间的误差获得第二类型分析误差结果,依据第三业务类型分析结果与消极RPA示例文本的业务类型指示信息之间的误差获取第三类型分析误差结果,依据第一类型分析误差结果、第二类型分析误差结果和第三类型分析误差结果确定类型分析误差结果,通过第一误差结果和第二误差结果确定多元误差结果,基于类型分析误差结果和多元误差结果确定目标误差结果,例如,通过以下方式进行获取:
C=a·C1+b·C2
其中,C为目标误差结果,C1为类型分析误差结果,C2为多元误差结果,a、b分别为误差结果调节权值。
本申请实施例中,错误RPA示例文本为过往的类型分析记录中被错误识别成属于目标业务类型的RPA示例文本,也即,错误RPA示例文本并不对应预设业务类型,则错误RPA示例文本的业务类型指示信息与不对应预设业务类型的非目标业务类型的目标RPA示例文本的业务类型指示信息相同,即如果对应预设业务类型的目标RPA示例文本的业务类型指示信息为积极示例指示信息,则错误RPA示例文本的业务类型指示信息也是积极示例指示信息;如果对应预设业务类型的RPA示例文本的业务类型指示信息为消极示例指示信息,则错误RPA示例文本的业务类型指示信息也是消极示例指示信息。
可选地,基于第一类型分析误差结果、第二类型分析误差结果和第三类型分析误差结果确定类型分析误差结果,包括:获取错误RPA示例文本对应的类型分析误差结果调节权值a、积极RPA示例文本对应的类型分析误差结果调节权值b、以及消极RPA示例文本对应的类型分析误差结果调节权值c,基于类型分析误差结果调节权值a、类型分析误差结果调节权值b和类型分析误差结果调节权值c,对第一类型分析误差结果、第二类型分析误差结果和第三类型分析误差结果进行加权求和,得到计算结果,将该计算结果确定为数字业务处理模型的类型分析误差结果。
以上实施方式,在对数字业务处理模型进行多元样本调试时,通过确定错误RPA示例文本的表征向量集合与积极RPA示例文本的表征向量集合间的第一误差结果、错误RPA示例文本的表征向量集合与消极RPA示例文本的表征向量集合之间的第二误差结果和类型分析误差结果,以得到目标误差结果,同时依据目标误差结果对数字业务处理模型的模型内部配置变量进行优化,完成对数字业务处理模型的多元样本调试,帮助调试得到的数字业务处理模型可以精确对RPA文本进行类型分析,防止对容易产生错误识别的目标业务类型的RPA示例文本的错误识别,增加数字业务处理模型的类型分析精确度。
可选地,基于错误示例表征向量集合和积极示例表征向量集合确定第一误差结果,包括:获取错误示例表征向量集合和积极示例表征向量集合的空间相似度,并将错误示例表征向量集合和积极示例表征向量集合的空间相似度确定为第一误差结果。可选地,基于错误示例表征向量集合和消极示例表征向量集合确定第二误差结果,包括:获取错误示例表征向量集合和消极示例表征向量集合的空间相似度,并将错误示例表征向量集合和消极示例表征向量集合的空间相似度确定为第二误差结果。其中,获取空间相似度可以是获取二者的向量距离,如欧几里得距离,用以表征错误示例表征向量集合和积极示例表征向量集合间的差别。
以上实施方式,通过获取错误示例表征向量集合和积极示例表征向量集合的空间相似度,以及获取错误示例表征向量集合和消极示例表征向量集合的空间相似度,从而获得第一误差结果和第二误差结果,得到目标误差结果,同时依据目标误差结果对数字业务处理模型的模型内部配置变量进行优化,完成对数字业务处理模型的多元样本调试,帮助调试得到的数字业务处理模型可以精确对RPA文本进行类型分析,防止对容易产生错误识别的目标业务类型的RPA示例文本的错误识别,增加数字业务处理模型的类型分析精确度。
可选地,基于类型分析误差结果、第一误差结果和第二误差结果确定目标误差结果,包括:获取协调系数;计算第一误差结果与第二误差结果之间的作差结果;如果作差结果与协调系数之间的求和结果大于0,则将作差结果、协调系数和类型分析误差结果之间的求和结果确定为目标误差结果;如果作差结果与协调系数之间的求和结果不大于0,则基于类型分析误差结果确定目标误差结果。其中,协调系数是一个用于对数值进行调节的参数,数值不做限定。作差结果、协调系数和类型分析误差结果之间的求和结果例如是加权求和后的结果。例如,获得协调系数后,通过协调系数、第一误差结果和第二误差结果确定多元误差结果,其中,如果第一误差结果与第二误差结果之间的作差结果与协调系数求和结果大于0,则确定作差结果与协调系数的求和结果为多元误差结果,将多元误差结果和类型分析误差结果的求和结果确定为目标误差结果;如果第一误差结果与第二误差结果之间的作差结果与协调系数求和结果不大于0,则确定多元误差结果为0,基于类型分析误差结果确定目标误差结果。
可选地,确定多元误差结果的方式可以为:
Cv=(D1-D2+g),if(D1-D2+g)≥0
Cv=0,if(D1-D2+g)<0
其中,D1为错误RPA示例文本和积极RPA示例文本的欧几里得距离,D2为错误RPA示例文本和消极RPA示例文本的欧几里得距离,g为协调系数。当
可以理解,在错误示例表征向量集合与消极示例表征向量集合的空间相似度,比错误示例表征向量集合与积极示例表征向量集合的空间相似度至少大g,多元误差结果才等于0,否则多元误差结果大于0,那么减小目标误差结果时,错误示例表征向量集合与消极示例表征向量集合的空间相似度,相对于错误示例表征向量集合与积极示例表征向量集合的空间相似度大g的方向延伸,令数字业务处理模型可以聚焦维持类型分析的特征。
可选地,处理数字业务处理模型可以包括以下步骤:
步骤S310,获取RPA示例文本库,将RPA示例文本库中的各RPA示例文本分别加载到初始调试的数字业务处理模型。
步骤S320,通过初始调试的数字业务处理模型对加载的各RPA示例文本分别进行类型分析预估,得到RPA示例文本属于目标业务类型的预估可信度。
步骤S330,在RPA示例文本库中,选取预估可信度满足可信度临界值的备选RPA示例文本。
步骤S340,在各备选RPA示例文本中进行表征向量挖掘,得到备选示例表征向量集合;对错误RPA示例文本进行表征向量挖掘,得到错误示例表征向量集合。
错误RPA示例文本为过往的类型分析记录中被错误识别成属于目标业务类型的RPA示例文本。
步骤S350,基于备选示例表征向量集合和错误示例表征向量集合,确定备选RPA示例文本与错误RPA示例文本之间的文本共性度量结果。
步骤S360,对错误示例表征向量集合进行划簇,得到划簇质心,基于备选示例表征向量集合和划簇质心,确定备选RPA示例文本与错误RPA示例文本的划簇共性度量结果。
步骤S370,将文本共性度量结果和划簇共性度量结果进行比较,基于对比结果确定目标RPA示例文本。
如果文本共性度量结果大于划簇共性度量结果,则将大于划簇共性度量结果的文本共性度量结果对应的备选RPA示例文本确定为目标RPA示例文本。
步骤S380,获取目标RPA示例文本的业务类型指示信息,基于业务类型指示信息确定积极RPA示例文本和消极RPA示例文本。
其中,业务类型指示信息包括积极示例指示信息和消极示例指示信息。
例如,将积极示例指示信息对应的目标RPA示例文本确定为积极RPA示例文本,将消极示例指示信息对应的目标RPA示例文本确定为消极RPA示例文本。
步骤S390,将积极RPA示例文本、错误RPA示例文本和消极RPA示例文本进行归集,得到RPA示例文本集合,每个RPA示例文本集合中包含不少于一个积极RPA示例文本、不少于一个错误RPA示例文本和不少于一个消极RPA示例文本。
步骤S400,将各RPA示例文本集合逐一加载至数字业务处理模型,以通过RPA示例文本集合对数字业务处理模型进行调校,直到数字业务处理模型的目标误差结果满足误差结果阈值时停止调校。
目标误差结果包括类型分析误差结果、错误RPA示例文本的表征向量集合与积极RPA示例文本的表征向量集合之间的第一误差结果,以及错误RPA示例文本的表征向量集合与消极RPA示例文本的表征向量集合之间的第二误差结果。
基于前述的实施例,本申请实施例提供一种RPA数字化业务处理装置,该装置所包括的各单元、以及各单元所包括的各模块,可以通过计算机设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CentralProcessing Unit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(DigitalSignal Processor,DSP)或现场可编程门阵列(Field Programmable Gate Array,FPGA)等。
图3为本申请实施例提供的一种RPA数字化业务处理装置的组成结构示意图,如图3所示,RPA数字化业务处理装置300包括:
RPA整理模块310,用于获取数字化业务数据,通过预设的RPA机器人,基于预设的业务规则对数字化业务数据进行整理,得到RPA整理文本;
模型调用模块320,用于将所述RPA整理文本加载至事先调试完成的数字业务处理模型,并基于所述数字业务处理模型对所述RPA整理文本进行分析,得到所述RPA整理文本的匹配类型;
模型调试模块330,用于对所述数字业务处理模型进行调试。
其中,所述数字业务处理模型的调试过程包括:
确定RPA示例文本库中各RPA示例文本属于目标业务类型的预估可信度;
在所述RPA示例文本库中,选取所述预估可信度满足可信度临界值的备选RPA示例文本;
获取各个所述备选RPA示例文本与错误RPA示例文本之间的共性度量结果;其中,所述错误RPA示例文本为过往的类型分析记录中被错误识别成属于所述目标业务类型的RPA示例文本;
基于所述共性度量结果择取所述备选RPA示例文本,得到积极RPA示例文本和消极RPA示例文本;
通过所述积极RPA示例文本、所述错误RPA示例文本和所述消极RPA示例文本对数字业务处理模型进行调校,直到所述数字业务处理模型的目标误差结果满足误差结果阈值时停止调校,获得调试完成的数字业务处理模型;其中,所述目标误差结果包括类型分析误差结果、所述错误RPA示例文本的表征向量集合与所述积极RPA示例文本的表征向量集合之间的第一误差结果,以及所述错误RPA示例文本的表征向量集合与所述消极RPA示例文本的表征向量集合之间的第二误差结果。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法,对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的基于AI的RPA数字化业务处理方法,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取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件、软件或固件,或者硬件、软件、固件三者之间的任意结合。
本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
本申请实施例提供一种计算机程序,包括计算机可读代码,在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一些实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
这里需要指出的是:上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
图4为本申请实施例提供的一种计算机设备的硬件实体示意图,如图4所示,该计算机设备1000的硬件实体包括:处理器1001和存储器1002,其中,存储器1002存储有可在处理器1001上运行的计算机程序,处理器1001执行程序时实现上述任一实施例的方法中的步骤。
存储器1002存储有可在处理器上运行的计算机程序,存储器1002配置为存储由处理器1001可执行的指令和应用,还可以缓存待处理器1001以及计算机设备1000中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
处理器1001执行程序时实现上述任一项的基于AI的RPA数字化业务处理方法的步骤。处理器1001通常控制计算机设备1000的总体操作。
本申请实施例提供一种计算机存储介质,计算机存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一实施例的基于AI的RPA数字化业务处理方法的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit,ASIC)、数字信号处理器(DigitalSignal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各步骤/过程的序号的大小并不意味着执行顺序的先后,各步骤/过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元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取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种基于AI的RPA数字化业务处理方法,其特征在于,应用于计算机设备,所述方法包括:
获取数字化业务数据,通过预设的RPA机器人,基于预设的业务规则对数字化业务数据进行整理,得到RPA整理文本;
将所述RPA整理文本加载至事先调试完成的数字业务处理模型,并基于所述数字业务处理模型对所述RPA整理文本进行分析,得到所述RPA整理文本的匹配类型;
其中,所述数字业务处理模型的调试过程包括:
确定RPA示例文本库中各RPA示例文本属于目标业务类型的预估可信度;
在所述RPA示例文本库中,选取所述预估可信度满足可信度临界值的备选RPA示例文本;
获取各个所述备选RPA示例文本与错误RPA示例文本之间的共性度量结果;其中,所述错误RPA示例文本为过往的类型分析记录中被错误识别成属于所述目标业务类型的RPA示例文本;
基于所述共性度量结果择取所述备选RPA示例文本,得到积极RPA示例文本和消极RPA示例文本;
通过所述积极RPA示例文本、所述错误RPA示例文本和所述消极RPA示例文本对数字业务处理模型进行调校,直到所述数字业务处理模型的目标误差结果满足误差结果阈值时停止调校,获得调试完成的数字业务处理模型;其中,所述目标误差结果包括类型分析误差结果、所述错误RPA示例文本的表征向量集合与所述积极RPA示例文本的表征向量集合之间的第一误差结果,以及所述错误RPA示例文本的表征向量集合与所述消极RPA示例文本的表征向量集合之间的第二误差结果;
所述获取各个所述备选RPA示例文本与错误RPA示例文本之间的共性度量结果,包括:
在各所述备选RPA示例文本中进行表征向量挖掘,得到备选示例表征向量集合;
对所述错误RPA示例文本进行表征向量挖掘,得到错误示例表征向量集合;
基于所述备选示例表征向量集合和所述错误示例表征向量集合,确定所述备选RPA示例文本与错误RPA示例文本之间的共性度量结果;
所述共性度量结果包括所述备选RPA示例文本与所述错误RPA示例文本之间的文本共性度量结果和划簇共性度量结果;
所述基于所述备选示例表征向量集合和所述错误示例表征向量集合,确定所述备选RPA示例文本与错误RPA示例文本之间的共性度量结果,包括:
基于所述备选示例表征向量集合和所述错误示例表征向量集合,确定所述备选RPA示例文本与错误RPA示例文本之间的文本共性度量结果;
对所述错误示例表征向量集合进行划簇,得到划簇质心;
基于所述备选示例表征向量集合和所述划簇质心,确定所述备选RPA示例文本与所述错误RPA示例文本的划簇共性度量结果;
其中,所述对所述错误示例表征向量集合进行划簇,得到划簇质心,包括:在各个所述错误示例表征向量集合中获取预设个数的目标错误示例表征向量集合;
将所述目标错误示例表征向量集合确定为原始划簇质心,并确定其余所述错误示例表征向量集合与所述原始划簇质心之间第一空间相似度;
基于所述第一空间相似度确定其余所述错误示例对应的业务类型,得到原始类型;
在业务类型的错误示例表征向量集合中确定聚类中心,其中,业务类型为原始类型或更新后的业务类型;
确定除所述聚类中心外的其余所述错误示例表征向量集合与所述聚类中心间的第二空间相似度;
通过所述第二空间相似度确定除所述聚类中心外的错误示例表征向量集合对应的业务类型,得到各个所述错误示例表征向量集合对应的更新业务类型;
反复进行在业务类型的错误示例表征向量集合中确定聚类中心的过程,直到满足预设条件;
将所述第二空间相似度对应的聚类中心确定为对所述错误示例表征向量集合进行划簇得到的划簇质心。
2.根据权利要求1所述的方法,其特征在于,所述确定RPA示例文本库中各RPA示例文本属于目标业务类型的预估可信度,包括:
获取RPA示例文本库;
将所述RPA示例文本库中的各RPA示例文本分别加载到初始调试的数字业务处理模型;
通过初始调试的所述数字业务处理模型对加载的所述各RPA示例文本分别进行类型分析预估,得到所述RPA示例文本属于目标业务类型的预估可信度;
所述通过所述积极RPA示例文本、所述错误RPA示例文本和所述消极RPA示例文本对数字业务处理模型进行调校,直到所述数字业务处理模型的目标误差结果满足误差结果阈值时停止调校,包括:
通过所述积极RPA示例文本、所述错误RPA示例文本和所述消极RPA示例文本对初始调试的所述数字业务处理模型进行调校,直到所述数字业务处理模型的误差结果满足误差结果阈值时停止调校,获得调试完成的数字业务处理模型。
3.根据权利要求1所述的方法,其特征在于,所述基于所述共性度量结果择取所述备选RPA示例文本,得到积极RPA示例文本和消极RPA示例文本,包括:
基于所述共性度量结果对所述备选RPA示例文本进行择取,得到目标RPA示例文本;
获取所述目标RPA示例文本的业务类型指示信息;所述业务类型指示信息包括积极示例指示信息和消极示例指示信息;
将所述积极示例指示信息对应的所述目标RPA示例文本确定为积极RPA示例文本;
将所述消极示例指示信息对应的所述目标RPA示例文本确定为消极RPA示例文本。
4.根据权利要求3所述的方法,其特征在于,所述共性度量结果包括所述备选RPA示例文本与所述错误RPA示例文本之间的文本共性度量结果和划簇共性度量结果;
所述基于所述共性度量结果对所述备选RPA示例文本进行择取,得到目标RPA示例文本,包括:
将所述文本共性度量结果和所述划簇共性度量结果进行比较;
当所述文本共性度量结果大于所述划簇共性度量结果时,将大于所述划簇共性度量结果的文本共性度量结果对应的备选RPA示例文本确定为目标RPA示例文本。
5.根据权利要求1~4任一项所述的方法,其特征在于,所述通过所述积极RPA示例文本、所述错误RPA示例文本和所述消极RPA示例文本对数字业务处理模型进行调校,包括:
将所述积极RPA示例文本、所述错误RPA示例文本和所述消极RPA示例文本进行归集,得到RPA示例文本集合,每个所述RPA示例文本集合中包含不少于一个所述积极RPA示例文本、不少于一个所述错误RPA示例文本和不少于一个所述消极RPA示例文本;
将各所述RPA示例文本集合逐一加载至数字业务处理模型,以通过所述RPA示例文本集合对所述数字业务处理模型进行调校,直到所述数字业务处理模型的目标误差结果满足误差结果阈值时停止调校。
6.根据权利要求5所述的方法,其特征在于,所述通过所述RPA示例文本集合对所述数字业务处理模型进行调校,包括:
通过所述数字业务处理模型,对加载的所述RPA示例文本集合中各个RPA示例文本进行表征向量挖掘,得到错误示例表征向量集合、积极示例表征向量集合和消极示例表征向量集合;
基于所述错误示例表征向量集合和所述积极示例表征向量集合确定第一误差结果;
基于所述错误示例表征向量集合和所述消极示例表征向量集合确定第二误差结果;
基于所述错误示例表征向量集合、所述积极示例表征向量集合和所述消极示例表征向量集合,分别对所述RPA示例文本集合中的RPA示例文本进行类型分析,依据类型分析结果与对应的业务类型指示信息确定类型分析误差结果;
基于所述类型分析误差结果、所述第一误差结果和所述第二误差结果确定目标误差结果;
基于所述目标误差结果对所述数字业务处理模型的模型配置变量进行优化。
7.根据权利要求6所述的方法,其特征在于,所述基于所述错误示例表征向量集合和所述积极示例表征向量集合确定第一误差结果;基于所述错误示例表征向量集合和所述消极示例表征向量集合确定第二误差结果,包括:
获取所述错误示例表征向量集合和所述积极示例表征向量集合的空间相似度,将所述错误示例表征向量集合和所述积极示例表征向量集合的空间相似度确定为第一误差结果;
获取所述错误示例表征向量集合和所述消极示例表征向量集合的空间相似度,将所述错误示例表征向量集合和所述消极示例表征向量集合的空间相似度确定为第二误差结果;
所述基于所述类型分析误差结果、所述第一误差结果和所述第二误差结果确定目标误差结果包括:
获取协调系数;
计算所述第一误差结果与所述第二误差结果之间的作差结果;
若所述作差结果与所述协调系数之间的求和结果大于0,则将所述作差结果、所述协调系数和所述类型分析误差结果之间的求和结果确定为目标误差结果;
若所述作差结果与所述协调系数之间的求和结果不大于0,则基于所述类型分析误差结果确定目标误差结果。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至7任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310894614.8A CN116610806B (zh) | 2023-07-20 | 2023-07-20 | 基于ai的rpa数字化业务处理方法及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310894614.8A CN116610806B (zh) | 2023-07-20 | 2023-07-20 | 基于ai的rpa数字化业务处理方法及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116610806A CN116610806A (zh) | 2023-08-18 |
CN116610806B true CN116610806B (zh) | 2023-11-03 |
Family
ID=87680503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310894614.8A Active CN116610806B (zh) | 2023-07-20 | 2023-07-20 | 基于ai的rpa数字化业务处理方法及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116610806B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021126757A1 (en) * | 2019-12-20 | 2021-06-24 | UiPath, Inc. | System and computer-implemented method for analyzing test automation workflow of robotic process automation (rpa) |
CN113723270A (zh) * | 2021-08-25 | 2021-11-30 | 北京来也网络科技有限公司 | 基于rpa及ai的文件处理方法及装置 |
CN114579718A (zh) * | 2022-02-15 | 2022-06-03 | 来也科技(北京)有限公司 | 结合rpa和ai的文本特征生成方法、装置、设备及存储介质 |
CN116340315A (zh) * | 2023-03-09 | 2023-06-27 | 杨光城 | 基于数字工厂的数据归档方法及ai系统 |
-
2023
- 2023-07-20 CN CN202310894614.8A patent/CN116610806B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021126757A1 (en) * | 2019-12-20 | 2021-06-24 | UiPath, Inc. | System and computer-implemented method for analyzing test automation workflow of robotic process automation (rpa) |
CN113723270A (zh) * | 2021-08-25 | 2021-11-30 | 北京来也网络科技有限公司 | 基于rpa及ai的文件处理方法及装置 |
CN114579718A (zh) * | 2022-02-15 | 2022-06-03 | 来也科技(北京)有限公司 | 结合rpa和ai的文本特征生成方法、装置、设备及存储介质 |
CN116340315A (zh) * | 2023-03-09 | 2023-06-27 | 杨光城 | 基于数字工厂的数据归档方法及ai系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116610806A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109471938B (zh) | 一种文本分类方法及终端 | |
CN112149705A (zh) | 分类模型的训练方法、系统、计算机设备及存储介质 | |
CN112000822B (zh) | 多媒体资源排序方法、装置、电子设备及存储介质 | |
CN111753863A (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN112149754B (zh) | 一种信息的分类方法、装置、设备及存储介质 | |
CN109871891B (zh) | 一种物体识别方法、装置和存储介质 | |
CN111310743B (zh) | 人脸识别方法、装置、电子设备及可读存储介质 | |
CN112906823A (zh) | 目标对象识别模型训练方法、识别方法及识别装置 | |
CN111242387A (zh) | 一种人才离职预测方法、装置、电子设备及存储介质 | |
CN110765292A (zh) | 图像检索方法、训练方法及相关装置 | |
CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
CN115294397A (zh) | 一种分类任务的后处理方法、装置、设备及存储介质 | |
CN110348516B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112632000A (zh) | 日志文件聚类方法、装置、电子设备和可读存储介质 | |
CN116610806B (zh) | 基于ai的rpa数字化业务处理方法及计算机设备 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN114139636B (zh) | 异常作业处理方法及装置 | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN115098679A (zh) | 文本分类标注样本的异常检测方法、装置、设备及介质 | |
CN111539576B (zh) | 一种风险识别模型的优化方法及装置 | |
CN111177388B (zh) | 一种处理方法及计算机设备 | |
Cai et al. | Fuzzy criteria in multi-objective feature selection for unsupervised learning | |
CN110879821A (zh) | 评分卡模型衍生标签生成方法、装置、设备及存储介质 | |
CN114020916A (zh) | 文本分类方法、装置、存储介质和电子设备 | |
CN113011503A (zh) | 一种电子设备的数据取证方法、存储介质及终端 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |