JP2023551619A - ロボティックプロセスオートメーションアーキテクチャならびに機械学習モデルのホスティング、監視、および再訓練のためのプロセス - Google Patents

Abstract

ＭＬ機械学習（ＭＬ）モデルをホスティング、監視、および再訓練するためのロボティックプロセスオートメーション（ＲＰＡ）アーキテクチャおよびプロセスが開示される。再訓練は、ＭＬモデルライフサイクルの重要な部分である。再訓練は、ＭＬモデルのタイプおよびＭＬモデルが訓練されるデータに依存し得る。安全なストレージ層を使用して、再訓練のためにＲＰＡロボットからのデータを格納することができる。この再訓練は、自動的に、遠隔で、ユーザーの関与なしに実行することができる。

Description

（関連出願の相互参照）
本出願は、２０２１年１月８日に出願された米国特許出願第１７／１４４，４６７号の利益を主張し、上記出願は、２０２１年１月７日に出願された米国特許出願第１７／１４３，３９２号の継続であってその利益を主張し、上記出願は、２０２０年１１月２５日に出願されたインド特許出願第２０２０１１０５１２３７号および２０２０年１１月２５日に出願されたインド特許出願第２０２０１１０５１２３６号の利益を主張する。これらの先願の主題は、その全体が参照により本明細書に組み込まれる。

本発明は、一般に、ロボティックプロセスオートメーション（ＲＰＡ）用の人工知能（ＡＩ）に関し、より具体的には、機械学習（ＭＬ）モデルをホスティング、監視、および再訓練するためのＲＰＡアーキテクチャおよびプロセスに関する。

ＭＬは、定義が困難であり、変動性が高く、確率的手法を必要とするステップを自動化するために、ＲＰＡにおいて有益であり得る。しかしながら、ＲＰＡにおけるＭＬは、現在、実用的な操作運用ビヒクルを欠いている。より具体的には、ＭＬは、高速ＭＬを提供するためにビジネスプロセスにシームレスにプラグインされるべきである。

ＲＰＡとＭＬとがシームレスに作業することを妨げる３つの重要な障壁、すなわち操作、技術、およびプロセスがある。操作の観点から、ロボット操作センター（ＲＯＣ）およびデータサイエンスチームは、通常、異なるスキルセット、フォーカス、およびビジネス上の優先順位を有するサイロとして独立して存在する。技術的観点から、ＲＰＡ開発者は、ロボットによって実行される自動化を構築、展開、および管理するためにＲＰＡプラットフォームを使用する。一方、データサイエンティストは専用のＭＬモデリングツールを使用する。現在、アプリケーション・プログラミング・インターフェース（ＡＰＩ）としてＭＬモデルをパブリッシュすることは、Ａｚｕｒｅ（登録商標）、Ｇｏｏｇｌｅ（登録商標）、Ａｍａｚｏｎ（登録商標）などのプラットフォームを介して行われている。ＭＬモデルは、ＨＴＴＰを介して公開される。しかし、ユーザーは、ＡＰＩを利用するためのコードを書く必要がある。

これらのツール、パイプライン、および技術は現在切断されており、ＲＰＡとＭＬは別々のプロセスとして管理されている。ＭＬモデルを組み込むことを試みるとき、ＲＯＣは、モデルが正しい出力を生成しているかどうか、またはモデルが更新されたかどうかを知らない。また、データサイエンスチームは、モデルが正しく使用されているかどうか、およびモデルがどの程度有用であるかを知らない。例えば、データサイエンティストは、現在、ワークフローに含めるためにスキーマ定義をＲＰＡ開発者に渡す簡単な機構を持っていない。また、ＲＰＡ開発者がＭＬモデルを展開するためのエンドポイントが変更されるかどうか、またはＭＬモデルがどの他のタスクに使用されているかも不明である。さらに、データサイエンティストには、モデルが破損した原因（例えば、データサイエンティストは、エンドポイントが到達可能であるかどうかを知らない場合がある）や、入力データが変化した場合にモデルを再訓練してワークフローを更新する方法は知られていない。これにより、ＲＰＡとＭＬとの間に基本的な切断が生じる。したがって、ＲＰＡとＭＬとの統合に対する改善された手法、およびＭＬモデル管理が有益であり得る。

本発明の特定の実施形態は、現在のＲＰＡ技術によってまだ完全に識別、認識、または解決されていない当技術分野の問題および必要性に対するソリューションを提供することができる。例えば、本発明のいくつかの実施形態は、ＭＬモデルをホスティング、監視、および再訓練するためのＲＰＡアーキテクチャおよびプロセスに関する。

一実施形態では、システムは、１つまたは複数のＭＬモデルを呼び出すように構成された１つまたは複数のＲＰＡロボットを含む。システムはまた、１つまたは複数のＭＬモデルを格納し、１つまたは複数のＲＰＡロボットのそれぞれのＲＰＡロボットからの呼び出し時に１つまたは複数のＭＬモデルを遂行するように構成されたＡＩセンターを含む。ＡＩセンターはまた、ＭＬモデル用の複数のデータセットを格納するように構成される。各データセットは、論理的または物理的グループ化において類似のタイプのデータを含む。ＡＩセンターは、訓練条件が満たされた場合、またはＭＬモデルの訓練構成で指定された複数のデータセットのサブセットを使用して再訓練が手動で要求された場合に、１つまたは複数のＭＬモデルのうちの１つのＭＬモデルを再訓練し、１つまたは複数のＲＰＡロボットによって呼び出される再訓練されたＭＬモデルを展開するようにさらに構成される。

別の実施形態では、非一時的コンピュータ可読媒体がコンピュータプログラムを格納する。コンピュータプログラムは、少なくとも１つのプロセッサに、複数のＭＬモデルと、ＭＬモデル用の複数のデータセットと、を格納させるように構成される。各データセットは、論理的または物理的グループ化において類似のタイプのデータを含む。コンピュータプログラムはまた、訓練条件が満たされた場合、またはＭＬモデルの訓練構成で指定された複数のデータセットのサブセットを使用して再訓練が手動で要求された場合に、少なくとも１つのプロセッサに複数のＭＬモデルのうちの１つのＭＬモデルを再訓練させるように構成される。コンピュータプログラムは、再訓練されたＭＬモデルを１つまたは複数のＲＰＡロボットによって呼び出されるように利用可能にすることによって、少なくとも１つのプロセッサに再訓練されたＭＬモデルを展開させるようにさらに構成される。

さらに別の実施形態では、ＡＩセンターは、１つまたは複数の再訓練パイプラインを実行するように構成された訓練クラスタと、１つまたは複数のＭＬモデルの作成／読み取り／更新／削除（ＣＲＵＤ）動作を実行し、訓練クラスタの再訓練パイプラインに１つまたは複数のＭＬモデルの再訓練を開始させるように構成されたコア・マイクロサービス・クラスタと、を含む。ＡＩセンターはまた、１つまたは複数のＭＬモデルを遂行し、遂行の結果を呼び出しＲＰＡロボットに提供するように構成されたＭＬサービスクラスタを含む。

さらに別の実施形態では、システムは、ＭＬモデルをコンテナに格納し、ＲＰＡロボットからの呼び出し時に格納されたＭＬモデルを遂行するように構成されたＡＩセンターを含む。ＭＬモデルを含むコンテナの内容が暗号化もしくは難読化されるか、ＭＬモデルが暗号化されるか、またはその両方である。

別の実施形態では、ＡＩセンターは、コンピュータプログラム命令を記憶するメモリと、コンピュータプログラム命令を遂行するように構成された少なくとも１つのプロセッサと、を含む。コンピュータプログラム命令は、少なくとも１つのプロセッサに、複数のＭＬモデルの複数のデータセットを格納させるように構成される。各データセットは、論理的または物理的グループ化において類似のタイプのデータを含む。コンピュータプログラム命令はまた、ＭＬモデルの訓練構成において指定された複数のデータセットのサブセットを使用して、または要求に応じて手動で、訓練条件が満たされた場合に、少なくとも１つのプロセッサに、複数のＭＬモデルのうちの１つのＭＬモデルを再訓練させるように構成される。コンピュータプログラム命令は、少なくとも１つのプロセッサに、再訓練されているＭＬモデルの１つまたは複数の性能尺度を受信させ、再訓練中に１つまたは複数の性能尺度の１つまたは複数のスコアを生成させるようにさらに構成される。１つまたは複数のスコアが改善すると、コンピュータプログラム命令は、少なくとも１つのプロセッサに、ＭＬモデルの以前のバージョンの代わりに再訓練されたＭＬモデルを展開させるか、またはＭＬモデルの再訓練されたバージョンを展開させ、ＭＬモデルの再訓練されたバージョンとＭＬモデルの以前のバージョンの両方を使用させ、最も高い信頼度を有する結果を選択させるように構成される。

さらに別の実施形態では、コンピュータにより実施される方法は、ＡＩセンターによって、ＭＬモデルをコンテナに格納するステップを含む。コンピュータにより実施される方法はまた、ＲＰＡロボットからの呼び出し時に、ＡＩセンターによって、格納されたＭＬモデルを遂行するステップを含む。ＭＬモデルを含むコンテナの内容が暗号化もしくは難読化されるか、ＭＬモデルが暗号化されるか、またはその両方である。

本発明の特定の実施形態の利点が容易に理解されるように、上記で簡単に説明した本発明のより具体的な説明は、添付の図面に示されている特定の実施形態を参照することによって提供される。これらの図面は、本発明の典型的な実施形態のみを示しており、したがってその範囲を限定するものと見なされるべきではないことを理解されたいが、本発明は、添付の図面を使用することによって追加の具体性および詳細を伴って説明および説明される。

本発明の一実施形態による、ＲＰＡシステムを示すアーキテクチャ図である。

本発明の一実施形態による、展開されたＲＰＡシステムを示すアーキテクチャ図である。

本発明の一実施形態による、デザイナ、アクティビティ、およびドライバの間の関係を示すアーキテクチャ図である。

本発明の一実施形態による、ＲＰＡシステムを示すアーキテクチャ図である。

本発明の一実施形態による、ＭＬモデルをホスト、監視、および再訓練するように、またはそうするシステムの一部として動作するように構成されたコンピューティングシステムを示すアーキテクチャ図である。

本発明の一実施形態による、ＭＬモデルをホスティング、監視、および再訓練するためのＲＰＡアーキテクチャを示すアーキテクチャ図である。 本発明の一実施形態による、ＭＬモデルをホスティング、監視、および再訓練するためのＲＰＡアーキテクチャを示すアーキテクチャ図である。

本発明の一実施形態による、ＭＬモデルのホスティング、監視、および再訓練を実行するように構成されたシステムを示すアーキテクチャ図である。

本発明の一実施形態による、低コードＭＬモデルパイプライン作成インターフェースを示す図である。

本発明の一実施形態による、ＭＬモデルをホスティング、監視、および再訓練するためのプロセスを示すフローチャートである。

別段の指示がない限り、同様の符号は、添付の図面を通して一貫して対応する特徴を示す。

いくつかの実施形態は、ＭＬモデルをホスティング、監視、および再訓練するためのＲＰＡアーキテクチャおよびプロセスに関する。再訓練は、ＭＬモデルライフサイクルの重要な部分である。再訓練は、ＭＬモデルのタイプ（例えば、そのアルゴリズムのアーキテクチャ）およびＭＬモデルが訓練されるデータに依存し得る。いくつかの実施形態は、テナントが訓練したいデータを含むことができる安全なテナントレベルのストレージ層を使用し、ＲＰＡロボットはこのストレージ層とインタラクトすることができる。データは経時的に収集されてもよく（例えば、ユーザーコンピューティングシステム、サーバー、モバイルデバイス、それらの組み合わせなどから）、ＲＰＡロボットはこのデータをストレージ層に提供することができる。

いくつかの実施形態では、ＭＬモデルを再訓練するためのロジックは、ＭＬモデルの挙動に基づく。ＭＬモデルは、訓練／再訓練に使用されるデータがＭＬモデルの挙動を様々な程度に変化させ得るデータに対して異なる感度を有する。また、あるＭＬモデルから別のＭＬモデルへの再訓練には、異なる量のデータが必要とされ得る。いくつかのＭＬモデルは、少数のサンプルまたはデータポイントを使用して再訓練され得るが、他のＭＬモデルは、効果的に訓練／再訓練されるために数百、数千、数万、またはそれ以上のサンプルまたはデータポイントを必要とし得る。さらに、ＭＬモデルは、数値またはテキストデータ、文書、スクリーンショット、画像などの異なるタイプの訓練データを必要とする場合がある。

いくつかの実施形態では、ＲＰＡロボットのワークフローに含まれる場合、ＲＰＡロボットがストレージがどこにあるかを自動的に認識し、データをアップロードすることを可能にするデータプッシュアクティビティがある。それに加えてまたはその代わりに、ＲＰＡロボットは、ローカルデータおよび／またはリモートデータベースに格納されたデータを通して繰り返し、次いでこのデータをストレージ層に送信することができる。しかしながら、いくつかの実施形態では、人間はアプリケーション（例えば、デスクトップアプリケーション、ウェブブラウザ、携帯電話アプリケーションなど）を使用し、そこからデータをアップロードすることができる。経時的にストレージ層で収集されるデータは、異なるタイプのデータ（例えば、データセット）のグループ化を可能にすることができる。同様のタイプのデータは、論理的または物理的なグループにすることができる。いくつかの実施形態では、ユーザーは、訓練したいＭＬモデルを選択し、ＭＬモデルを訓練したいデータセットを選択し、再訓練をいつ行いたいか（例えば、要求に応じて、または定期的に）を選択することができる。

いくつかの実施形態では、データセットは、ＭＬモデルがデータセット内のデータにアクセスするためのポインタとして提示されてもよい。ＭＬモデルは、ＭＬモデルが最後に訓練されたときに利用できなかった新しいデータ、古いデータと新しいデータとの組み合わせ、完全なデータセットなどに基づいて再訓練され得る。ＭＬモデルは、新しいデータが取得されるにつれて、経時的により正確になり得る。

いくつかの実施形態では、ユーザーは、使用したい性能尺度を選択することができ、システムは、選択された性能尺度に基づいて再訓練されたＭＬモデルの１つまたは複数のスコアを生成する。スコアが改善する場合、再訓練されたＭＬモデルは、ユーザーが望む場合に自動的に前のバージョンの代わりに使用され得る。そうでなければ、ユーザーに通知され、再訓練バージョンを展開することが望ましいかどうかを決定することができる。いくつかの実施形態では、スコアの変化を経時的に追跡することができ、精度の改善と低下の両方を強調する。次いで、ユーザーまたはシステムは、何が負のドリフトを引き起こしているかを判定しようと試みることができる。

いくつかの実施形態では、使用されるデータの量は自動的に調整されてもよい。例えば、本発明の範囲から逸脱することなく、ユーザーがデータポイントの数、データが収集される頻度、収集されるデータの量、再訓練のためのトリガ、および／または任意の他の適切な訓練パラメータを調整することを可能にする訓練インターフェースが提供され得る。

いくつかの実施形態のアーキテクチャは、知的財産（ＩＰ）の盗難を軽減または防止するのに役立ち得る。例えば、いくつかのホストされたＭＬモデルは、顧客によって提供されない場合があり、ホスティングアーキテクチャを提供する会社に専有される場合がある。これらのＭＬモデルは、説明のみによって利用可能にされ、ユーザーのＲＰＡロボットに呼び出し可能にされてもよく、ＭＬモデル自体は、ユーザーまたは呼び出しＲＰＡロボットに提供されなくてもよい。むしろ、ＭＬモデル遂行の結果のみが提供されてもよい。

いくつかの実施形態は、顧客サイトでのＩＰ盗難を軽減または防止することができる。例えば、ＭＬモデルを含むＤｏｃｋｅｒ（商標）コンテナのコンテンツが暗号化もしくは難読化されてもよく、および／またはＭＬモデル自体が暗号化されてもよい。これにより、ＲＰＡサービスプロバイダは、それ自身の独自のＭＬモデル（含まれる場合）がコピーまたはリバースエンジニアリングされるリスクを抑えて、ＭＬ操作プラットフォームを顧客サイトに展開することができる。

いくつかの実施形態では、ＲＰＡ用の低コードＭＬモデルデプロイメントおよび訓練システムを提供することができる。ＭＬパッケージは、ユーザーによるコーディングなしで１クリックで展開することができる。例えば、ユーザーは、ＭＬモデルのカタログから選択し、選択されたＭＬモデルをターゲットコンピューティング環境（例えば、シングルノードコンピュータネットインストール、マルチノードインストールなど）に展開することができる。特定の実施形態では、ユーザーは、ボタンのシングルクリックでＭＬモデルを訓練することができる。そのような実施形態は、ユーザーが技術的知識を有することを必要としない場合があり、ユーザーは、手動プログラミングなしでこの機能をＲＰＡワークフローにプラグインすることができる。

いくつかの実施形態では、ユーザーは、複数のＭＬモデルを一緒にチェーン化することができる。これは、特定のロジックまたは構成に基づくことができる。ＭＬモデルのネットワークは、潜在的にシステムが最も適切である可能性が高いと判定したＭＬモデルを用いて、インターフェース内のユーザーに利用可能にすることができる。例えば、ユーザーがボタンをクリックするアクティビティのＭＬモデルを追加しようとしている場合、グラフィカル要素認識ＭＬモデルが提案され得る。次いで、ユーザーは、ＭＬモデルを選択し、所望の結果を達成するために必要に応じてそれらをチェーン化することができる。

ＡＩ／ＭＬモデルのチェーン化は、クライアント側、サーバー側、またはその両方で行われ得る。クライアント側の連鎖について、ＲＰＡ開発者は、ＲＰＡワークフローにおいて連鎖ロジックを手動で開発することができる。例えば、ＲＰＡ開発者は、１つのＡＩ／ＭＬモデルを呼び出すアクティビティ、モデル遂行結果を別のＡＩ／ＭＬモデルに供給するシーケンスで別のアクティビティに供給するアクティビティなどを含み得る。

サーバー側では、グラフに互いに接続可能なＡＩ／ＭＬモデルが提供されてもよいし、複数のＡＩ／ＭＬモデルを互いに接続可能なワークフローが作成されてもよい。例えば、ユーザーは、グラフ内のＡＩ／ＭＬモデルを見て、それらを自分が望むように一緒にチェーン化することができる。クライアント側およびサーバー側の両方の連鎖について、ユーザーは、直列ＡＩ／ＭＬモデル接続、並列接続、またはそれらの組み合わせを作成することができる。

いくつかの実施形態では、ＭＬ操作プラットフォームの機能は、１つのコンピューティングシステム（例えば、単一のサーバー）に含まれ得る。このコンピューティングシステムは、例えば、ＲＰＡサービスプロバイダによって遠隔でホストされるのではなく、クライアントサイトに配置されてもよい。そのようなコンピューティングシステムは、ホストされたクラウドシステム上で提供することができる機能をローカルに提供することができるという意味で「クラウド様」機能を提供することができる。そのような実施形態は、特定のヘルスケアアプリケーション、金融サービスアプリケーションなどのためにコンピューティングシステムが規制上またはセキュリティ上の理由でグリッドから外れなければならないエアギャップシナリオに特に有用であり得る。そのようなシナリオでは、特定の特権ユーザーおよび／または他のコンピューティングシステムは、ＭＬ動作プラットフォームを提供するコンピューティングシステムにアクセスすることができる。

いくつかの実施形態では、ユーザーが訓練／再訓練のためにデータをマーク／ラベル付けすることができるラベリングツールを有するアプリケーションを提供することができる。次いで、ラベル付けされたデータを、訓練／再訓練のためのデータセットにプッシュすることができる。ユーザーがデータを検証することができる検証機能も提供され得る。

図１は、本発明の一実施形態による、ＲＰＡシステム１００を示すアーキテクチャ図である。ＲＰＡシステム１００は、開発者がワークフローを設計および実装することを可能にするデザイナ１１０を含む。デザイナ１１０は、アプリケーション統合、ならびにサードパーティアプリケーション、管理情報技術（ＩＴ）タスク、およびビジネスＩＴプロセスを自動化するためのソリューションを提供することができる。デザイナ１１０は、ビジネスプロセスのグラフィカル表現である自動化プロジェクトの開発を容易にすることができる。簡単に言えば、デザイナ１１０は、ワークフローおよびロボットの開発およびデプロイメントを容易にする。

自動化プロジェクトは、本明細書で「アクティビティ」と定義される、ワークフローで開発されたステップのカスタムセット間の遂行順序および関係の制御を開発者に与えることによって、ルールベースのプロセスの自動化を可能にする。デザイナ１１０の一実施形態の一商用例は、ＵｉＰａｔｈ Ｓｔｕｄｉｏ（商標）である。各アクティビティは、ボタンのクリック、ファイルの読み取り、ログパネルへの書き込みなどのアクションを含むことができる。いくつかの実施形態では、ワークフローはネストまたは埋め込みされてもよい。

いくつかのタイプのワークフローは、シーケンス、フローチャート、有限状態機械（ＦＳＭ）、および／またはグローバル例外ハンドラを含むことができるが、これらに限定されない。シーケンスは、ワークフローを乱すことなく１つのアクティビティから別のアクティビティへの流れを可能にする線形プロセスに特に適し得る。フローチャートは、より複雑なビジネスロジックに特に適しており、複数の分岐論理演算子を介してより多様な方法で決定の統合およびアクティビティの接続を可能にする。ＦＳＭは、大規模なワークフローに特に適している場合がある。ＦＳＭは、条件（すなわち、遷移）またはアクティビティによってトリガされる有限数の状態をそれらの遂行において使用することができる。グローバル例外ハンドラは、遂行エラーに遭遇したときのワークフローの挙動を判定し、プロセスをデバッグするのに特に適し得る。

ワークフローがデザイナ１１０で開発されると、ビジネスプロセスの遂行は、デザイナ１１０で開発されたワークフローを遂行する１つまたは複数のロボット１３０を編成するコンダクタ１２０によって編成される。コンダクタ１２０の一実施形態の一商用例は、ＵｉＰａｔｈオーケストレータ（商標）である。コンダクタ１２０は、環境内のリソースの作成、監視、およびデプロイメントの管理を容易にする。コンダクタ１２０は、第三者のソリューションおよびアプリケーションとの統合ポイントとして機能することができる。

コンダクタ１２０は、集中ポイントからロボット１３０を接続し遂行するすべてのロボット１３０を管理することができる。管理され得るロボット１３０のタイプは、これらに限定されないが、アテンディッドロボット１３２、アンアテンディッドロボット１３４、開発ロボット（アンアテンディッドロボット１３４と同様であるが、開発および試験の目的で使用される）、および非生産ロボット（アテンディッドロボット１３２と同様であるが、開発および試験の目的で使用される）を含む。アテンディッドロボット１３２は、ユーザーイベントによってトリガされ、同じコンピューティングシステム上で人間と一緒に動作する。アテンディッドロボット１３２は、集中プロセスデプロイメントおよび記録媒体のためのコンダクタ１２０と共に使用することができる。アテンディッドロボット１３２は、人間のユーザーが様々なタスクを達成するのを助けることができ、ユーザーイベントによってトリガすることができる。いくつかの実施形態では、プロセスは、このタイプのロボットのコンダクタ１２０から開始することができず、および／またはロックされた画面の下で実行することができない。特定の実施形態では、アテンディッドロボット１３２は、ロボットトレイまたはコマンドプロンプトからのみ起動することができる。いくつかの実施形態では、アテンディッドロボット１３２は人間の監督下で動作するべきである。

アンアテンディッドロボット１３４は、仮想環境で無人で動作し、多くのプロセスを自動化することができる。アンアテンディッドロボット１３４は、リモート遂行、監視、スケジューリング、および作業待ち行列のサポートの提供を担当することができる。いくつかの実施形態では、すべてのロボットタイプのデバッグを、デザイナ１１０で実行することができる。アテンディッドロボットおよびアンアテンディッドロボットの両方は、メインフレーム、ウェブアプリケーション、ＶＭ、エンタープライズアプリケーション（例えば、ＳＡＰ（登録商標）、ＳａｌｅｓＦｏｒｃｅ（登録商標）、Ｏｒａｃｌｅ（登録商標）などによって製造されたもの）、およびコンピューティングシステムアプリケーション（例えば、デスクトップおよびラップトップアプリケーション、モバイルデバイスアプリケーション、ウェアラブルコンピュータアプリケーションなど）を含むがこれらに限定されない様々なシステムおよびアプリケーションを自動化することができる。

コンダクタ１２０は、プロビジョニング、デプロイメント、構成、キューイング、監視、ロギング、および／または相互接続性の提供を含むがこれらに限定されない様々な機能を有することができる。プロビジョニングは、ロボット１３０とコンダクタ１２０（例えば、ウェブアプリケーション）との間の接続の作成および保守を含むことができる。デプロイメントは、遂行のために割り当てられたロボット１３０へのパッケージバージョンの正しい配信を保証することを含むことができる。構成は、ロボット環境およびプロセス構成の維持および配信を含むことができる。キューイングは、キューおよびキュー項目の管理を提供することを含むことができる。監視は、ロボット識別データを追跡し、ユーザー権限を維持することを含むことができる。ロギングは、データベース（例えば、ＳＱＬデータベース）および／または別のストレージ機構（例えば、大規模なデータセットを格納し、迅速にクエリする能力を提供するＥｌａｓｔｉｃＳｅａｒｃｈ（登録商標））へのログの格納およびインデックス付けを含むことができる。コンダクタ１２０は、第三者のソリューションおよび／またはアプリケーションのための通信の集中ポイントとして作用することによって相互接続性を提供することができる。

ロボット１３０は、デザイナ１１０に構築されたワークフローを実行する遂行エージェントである。ロボット１３０のいくつかの実施形態の一商用例は、ＵｉＰａｔｈ Ｒｏｂｏｔｓ（商標）である。いくつかの実施形態では、ロボット１３０は、デフォルトでＭｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（登録商標）Ｓｅｒｖｉｃｅ Ｃｏｎｔｒｏｌ Ｍａｎａｇｅｒ（ＳＣＭ）管理サービスをインストールする。結果として、そのようなロボット１３０は、ローカルシステムアカウントの下でインタラクティブなＷｉｎｄｏｗｓ（登録商標）セッションを開き、Ｗｉｎｄｏｗｓ（登録商標）サービスの権利を有することができる。

いくつかの実施形態では、ロボット１３０は、ユーザーモードで設置することができる。このようなロボット１３０の場合、これは、所与のロボット１３０が設置されているユーザーと同じ権利を有することを意味する。この特徴は、その最大の可能性で各機械の完全な利用を保証する高密度（ＨＤ）ロボットにも利用可能であり得る。いくつかの実施形態では、任意のタイプのロボット１３０をＨＤ環境で構成することができる。

いくつかの実施形態におけるロボット１３０は、各々が特定の自動化タスク専用であるいくつかのコンポーネントに分割される。いくつかの実施形態におけるロボットコンポーネントは、ＳＣＭ管理ロボットサービス、ユーザーモードロボットサービス、エグゼキュータ、エージェント、およびコマンドラインを含むが、これらに限定されない。ＳＣＭ管理ロボットサービスは、Ｗｉｎｄｏｗｓ（登録商標）セッションを管理および監視し、コンダクタ１２０と遂行ホスト（すなわち、ロボット１３０が遂行されるコンピューティングシステム）との間のプロキシとして機能する。これらのサービスは、ロボット１３０の資格情報で信頼され、管理する。コンソールアプリケーションは、ローカルシステムの下でＳＣＭによって起動される。

いくつかの実施形態におけるユーザーモードロボットサービスは、Ｗｉｎｄｏｗｓ（登録商標）セッションを管理および監視し、コンダクタ１２０と遂行ホストとの間のプロキシとして機能する。ユーザーモードロボットサービスは、ロボット１３０のための資格情報を信頼し管理することができる。ＳＣＭ管理ロボットサービスがインストールされていない場合、Ｗｉｎｄｏｗｓ（登録商標）アプリケーションを自動的に起動することができる。

エグゼキュータは、Ｗｉｎｄｏｗｓ（登録商標）セッション下で所与のジョブを実行することができる（すなわち、エグゼキュータはワークフローを遂行することができる）。エグゼキュータは、モニターごとのドット／インチ（ＤＰＩ）設定を認識することができる。エージェントは、システムトレイウィンドウに利用可能なジョブを表示するＷｉｎｄｏｗｓ（登録商標）Ｐｒｅｓｅｎｔａｔｉｏｎ Ｆｏｕｎｄａｔｉｏｎ（ＷＰＦ）アプリケーションであってもよい。エージェントは、サービスのクライアントであってもよい。エージェントは、ジョブの開始または停止および設定の変更を要求することができる。コマンドラインは、サービスのクライアントである。コマンドラインは、ジョブの開始を要求し、その出力を待つことができるコンソールアプリケーションである。

上記で説明したようにロボット１３０のコンポーネントを分割することは、開発者、サポートユーザー、およびコンピューティングシステムが各コンポーネントが実行しているものをより容易に実行、識別、および追跡するのに役立つ。このようにして、エグゼキュータおよびサービスに対して異なるファイアウォールルールを設定するなど、特別な挙動をコンポーネントごとに構成することができる。エグゼキュータは、いくつかの実施形態では、モニターごとにＤＰＩ設定を常に認識することができる。結果として、ワークフローは、それらが作成されたコンピューティングシステムの構成にかかわらず、任意のＤＰＩで遂行され得る。いくつかの実施形態では、デザイナ１１０からのプロジェクトは、ブラウザのズームレベルとは無関係であってもよい。ＤＰＩを認識していない、または意図的に認識していないとマークされたアプリケーションの場合、いくつかの実施形態ではＤＰＩを無効にすることができる。

図２は、本発明の一実施形態による、展開されたＲＰＡシステム２００を示すアーキテクチャ図である。いくつかの実施形態では、ＲＰＡシステム２００は、図１のＲＰＡシステム１００であってもよいし、その一部であってもよい。クライアント側、サーバー側、またはその両方は、本発明の範囲から逸脱することなく、任意の所望の数のコンピューティングシステムを含むことができることに留意されたい。クライアント側では、ロボットアプリケーション２１０は、エグゼキュータ２１２と、エージェント２１４と、デザイナ２１６と、を含む。しかしながら、いくつかの実施形態では、デザイナ２１６は、コンピューティングシステム２１０上で実行されていなくてもよい。エグゼキュータ２１２は、実行中のプロセスである。図２に示すように、いくつかのビジネスプロジェクトが同時に実行されてもよい。エージェント２１４（例えば、Ｗｉｎｄｏｗｓ（登録商標）サービス）は、この実施形態ではすべてのエグゼキュータ２１２に対する単一の接続ポイントである。この実施形態におけるすべてのメッセージは、データベースサーバー２４０、インデクササーバー２５０、またはその両方を介してそれらをさらに処理するコンダクタ２３０にログされる。図１に関して上述したように、エグゼキュータ２１２はロボットコンポーネントであってもよい。

いくつかの実施形態では、ロボットは、機械名とユーザー名との間の関連付けを表す。ロボットは、複数のエグゼキュータを同時に管理することができる。同時に実行される複数のインタラクティブなセッション（例えば、Ｗｉｎｄｏｗｓ（登録商標）Ｓｅｒｖｅｒ ２０１２）をサポートするコンピューティングシステムでは、複数のロボットが同時に実行され、それぞれが一意のユーザー名を使用して別々のＷｉｎｄｏｗｓ（登録商標）セッションで実行されてもよい。これは、上記ではＨＤロボットと呼ばれる。

エージェント２１４はまた、ロボットのステータス（例えば、ロボットがまだ機能していることを示す「ハートビート」メッセージを定期的に送信する）を送信し、遂行されるパッケージの必要なバージョンをダウンロードする役割も担う。エージェント２１４とコンダクタ２３０との間の通信は、いくつかの実施形態では常にエージェント２１４によって開始される。通知シナリオでは、エージェント２１４は、ロボットにコマンド（例えば、始動、停止など）を送信するためにコンダクタ２３０によって後で使用されるＷｅｂＳｏｃｋｅｔチャネルを開くことができる。

サーバー側には、プレゼンテーション層（ウェブアプリケーション２３２、オープンデータプロトコル（ＯＤａｔａ）代表状態転送（ＲＥＳＴ）アプリケーション・プログラミング・インターフェース（ＡＰＩ）エンドポイント２３４、ならびに通知および監視２３６）、サービス層（ＡＰＩ実装／ビジネスロジック２３８）、永続層（データベースサーバー２４０、インデクササーバー２５０）が含まれる。コンダクタ２３０は、ウェブアプリケーション２３２、ＯＤａｔａ ＲＥＳＴ ＡＰＩエンドポイント２３４、通知および監視２３６、ならびにＡＰＩ実装／ビジネスロジック２３８を含む。いくつかの実施形態では、ユーザーがコンダクタ２３０のインターフェース内で（例えば、ブラウザ２２０を介して）実行するほとんどのアクションは、様々なＡＰＩを呼び出すことによって実行される。そのようなアクションは、本発明の範囲から逸脱することなく、ロボット上のジョブの開始、キュー内のデータの追加／削除、無人で実行するためのジョブのスケジューリングなどを含むことができるが、これらに限定されない。ウェブアプリケーション２３２は、サーバープラットフォームのビジュアル層である。この実施形態では、ウェブアプリケーション２３２は、ハイパーテキストマークアップ言語（ＨＴＭＬ）およびＪａｖａＳｃｒｉｐｔ（ＪＳ）を使用する。しかしながら、本発明の範囲から逸脱することなく、任意の所望のマークアップ言語、スクリプト言語、または任意の他のフォーマットを使用することができる。ユーザーは、コンダクタ２３０を制御するための様々なアクションを実行するために、この実施形態ではブラウザ２２０を介してウェブアプリケーション２３２からのウェブページとインタラクトする。例えば、ユーザーは、ロボットグループを作成し、ロボットにパッケージを割り当て、ロボットごとおよび／またはプロセスごとにログを分析し、ロボットを起動および停止することなどができる。

ウェブアプリケーション２３２に加えて、コンダクタ２３０はまた、ＯＤａｔａ ＲＥＳＴ ＡＰＩエンドポイント２３４を公開するサービス層を含む。しかしながら、本発明の範囲から逸脱することなく、他のエンドポイントが含まれてもよい。ＲＥＳＴ ＡＰＩは、ウェブアプリケーション２３２とエージェント２１４の両方によって消費される。エージェント２１４は、この実施形態ではクライアントコンピュータ上の１つまたは複数のロボットの管理者である。

この実施形態におけるＲＥＳＴ ＡＰＩは、構成、ロギング、監視、およびキューイング機能をカバーする。構成エンドポイントは、いくつかの実施形態では、アプリケーションユーザー、権限、ロボット、アセット、リリース、および環境を定義および構成するために使用され得る。例えば、エラー、ロボットによって送信された明示的なメッセージ、および他の環境固有の情報などの様々な情報をログに記録するために、ＲＥＳＴエンドポイントをロギングすることができる。開始ジョブコマンドがコンダクタ２３０内で使用される場合に遂行されるべきパッケージバージョンをクエリするために、デプロイメントＲＥＳＴエンドポイントがロボットによって使用されてもよい。ＲＥＳＴエンドポイントをキューイングすることは、キューにデータを追加すること、キューからトランザクションを取得すること、トランザクションの状態を設定することなど、キューおよびキュー項目管理を担当することができる。

ＲＥＳＴエンドポイントの監視は、ウェブアプリケーション２３２およびエージェント２１４を監視することができる。通知監視ＡＰＩ２３６は、エージェント２１４の登録、エージェント２１４への構成設定の配信、ならびにサーバーおよびエージェント２１４からの通知の送信／受信に使用されるＲＥＳＴエンドポイントであってもよい。通知監視ＡＰＩ２３６はまた、いくつかの実施形態では、ＷｅｂＳｏｃｋｅｔ通信を使用してもよい。

永続層は、この実施形態におけるサーバーのペア、すなわちデータベースサーバー２４０（例えば、ＳＱＬサーバー）およびインデクササーバー２５０を含む。この実施形態におけるデータベースサーバー２４０は、ロボット、ロボットグループ、関連するプロセス、ユーザー、役割、スケジュールなどの構成を格納する。この情報は、いくつかの実施形態ではウェブアプリケーション２３２を介して管理される。データベースサーバー２４０は、キューおよびキュー項目を管理することができる。いくつかの実施形態では、データベースサーバー２４０は、（インデクササーバー２５０に加えて、またはその代わりに）ロボットによって記録されたメッセージを格納することができる。

インデクササーバー２５０は、いくつかの実施形態ではオプションであり、ロボットによって記録された情報を格納し、インデックス付けする。特定の実施形態では、インデクササーバー２５０は、構成設定を通じて無効にすることができる。いくつかの実施形態では、インデクササーバー２５０は、オープンソースプロジェクトのフルテキスト探索エンジンであるＥｌａｓｔｉｃＳｅａｒｃｈ（登録商標）を使用する。ロボット（例えば、ログメッセージまたは行書き込みのようなアクティビティを使用する）によってログされたメッセージは、ロギングＲＥＳＴエンドポイントを介してインデクササーバー２５０に送信されてもよく、そこでそれらは将来の利用のためにインデックス付けされる。

図３は、本発明の一実施形態による、デザイナ３１０、アクティビティ３２０，３３０、ドライバ３４０、およびＡＩ／ＭＬモデル３５０の間の関係３００を示すアーキテクチャ図である。上記により、開発者は、デザイナ３１０を使用して、ロボットによって遂行されるワークフローを開発する。ワークフローは、ユーザー定義のアクティビティ３２０およびＵＩ自動化アクティビティ３３０を含むことができる。ユーザー定義のアクティビティ３２０および／またはＵＩ自動化アクティビティ３３０は、いくつかの実施形態では、１つまたは複数のＡＩ／ＭＬモデル３５０を呼び出すことができ、これは、ロボットが動作しているコンピューティングシステムに対してローカルにおよび／またはそこから遠隔に配置することができる。いくつかの実施形態は、本明細書ではコンピュータビジョン（ＣＶ）と呼ばれる、画像内の非テキスト視覚コンポーネントを識別することができる。そのようなコンポーネントに関係するいくつかのＣＶアクティビティは、クリック、タイプ、テキストを取得、ホバー、要素存在、リフレッシュ範囲、ハイライトなどを含み得るが、これらに限定されない。いくつかの実施形態では、クリックは、例えば、ＣＶ、光学文字認識（ＯＣＲ）、ファジー文字マッチング、およびマルチアンカーを使用して要素を識別し、それをクリックする。タイプは、上記および要素内のタイプを使用して要素を識別することができる。テキストを取得し、ＯＣＲを使用して特定のテキストの位置を識別し、それをスキャンすることができる。ホバーは、要素を識別し、それをホバーすることができる。要素が存在することは、上述した技術を使用して、画面上に要素が存在するかどうかをチェックすることができる。いくつかの実施形態では、デザイナ３１０に実装することができるアクティビティは、数百または数千であってもよい。しかしながら、本発明の範囲から逸脱することなく、任意の数および／またはタイプのアクティビティが利用可能であり得る。

ＵＩ自動化アクティビティ３３０は、下位レベルコード（例えば、ＣＶアクティビティ）に書き込まれ、画面とのインタラクションを容易にする特別な低レベルのアクティビティのサブセットである。ＵＩ自動化アクティビティ３３０は、ロボットが所望のソフトウェアとインタラクトすることを可能にするドライバ３４０および／またはＡＩ／ＭＬモデルを介したこれらのインタラクションを容易にする。例えば、ドライバ３４０は、ＯＳドライバ３４２、ブラウザドライバ３４４、ＶＭドライバ３４６、エンタープライズアプリケーションドライバ３４８などを含むことができる。ＡＩ／ＭＬモデル３５０のうちの１つまたは複数は、コンピューティングシステムとのインタラクションの実行を決定するためにＵＩ自動化アクティビティ３３０によって使用され得る。いくつかの実施形態では、ＡＩ／ＭＬモデル３５０は、ドライバ３４０を増強するか、それらを完全に置き換えることができる。実際、特定の実施形態では、ドライバ３４０は含まれない。

ドライバ３４０は、フックを探し、キーを監視するなど、低レベルでＯＳとインタラクトすることができる。それらは、Ｃｈｒｏｍｅ（登録商標）、ＩＥ（登録商標）、Ｃｉｔｒｉｘ（登録商標）、ＳＡＰ（登録商標）などとの統合を容易にすることができる。例えば、「クリック」アクティビティは、ドライバ３４０を介してこれらの異なるアプリケーションで同じ役割を実行する。

図４は、本発明の一実施形態による、ＲＰＡシステム４００を示すアーキテクチャ図である。いくつかの実施形態では、ＲＰＡシステム４００は、図１および／または図２のＲＰＡシステム１００および／または２００であり得るか、それらを含み得る。ＲＰＡシステム４００は、ロボットを実行する複数のクライアントコンピューティングシステム４１０を含む。コンピューティングシステム４１０は、その上で実行されるウェブアプリケーションを介してコンダクタコンピューティングシステム４２０と通信することができる。次に、コンダクタコンピューティングシステム４２０は、データベースサーバー４３０および任意選択のインデクササーバー４４０と通信することができる。

図１および図３に関して、これらの実施形態ではウェブアプリケーションが使用されているが、本発明の範囲から逸脱することなく、任意の適切なクライアント／サーバーソフトウェアを使用できることに留意されたい。例えば、コンダクタは、クライアントコンピューティングシステム上の非ウェブベースのクライアントソフトウェアアプリケーションと通信するサーバー側アプリケーションを実行することができる。

図５は、本発明の一実施形態による、ＡＩ／ＭＬモデルをホスト、監視、および再訓練するように、またはそうするシステムの一部として動作するように構成されたコンピューティングシステム５００を示すアーキテクチャ図である。いくつかの実施形態では、コンピューティングシステム５００は、本明細書に図示および／または記載されたコンピューティングシステムのうちの１つまたは複数であってもよい。コンピューティングシステム５００は、情報を通信するためのバス５０５または他の通信機構と、情報を処理するためにバス５０５に結合されたプロセッサ５１０と、を含む。プロセッサ５１０は、中央プロセッシングユニット（ＣＰＵ）、特定用途集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、グラフィックスプロセッシングユニット（ＧＰＵ）、それらの複数のインスタンス、および／またはそれらの任意の組み合わせを含む、任意のタイプの汎用または専用プロセッサであってもよい。プロセッサ５１０はまた、複数の処理コアを有してもよく、コアの少なくともいくつかは、特定の機能を実行するように構成されてもよい。いくつかの実施形態では、複数並列処理が使用されてもよい。特定の実施形態では、プロセッサ５１０の少なくとも一方は、生体ニューロンを模倣する処理要素を含むニューロモーフィック回路であってもよい。いくつかの実施形態では、ニューロモーフィック回路は、フォン・ノイマン・コンピューティングアーキテクチャの典型的なコンポーネントを必要としない場合がある。

コンピューティングシステム５００は、プロセッサ５１０によって遂行される情報および命令を格納するためのメモリ５１５をさらに含む。メモリ５１５は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、フラッシュメモリ、キャッシュ、磁気もしくは光ディスクなどの静的ストレージ、または任意の他のタイプの非一時的コンピュータ可読媒体、またはそれらの組み合わせの任意の組み合わせで構成することができる。非一時的コンピュータ可読媒体は、プロセッサ５１０によってアクセス可能な任意の利用可能な媒体であってもよく、揮発性媒体、不揮発性媒体、またはその両方を含んでもよい。媒体はまた、取り外し可能、取り外し不能、またはその両方であってもよい。

さらに、コンピューティングシステム５００は、無線接続および／または有線接続を介して通信ネットワークへのアクセスを提供するためのトランシーバなどの通信デバイス５２０を含む。いくつかの実施形態では、通信デバイス５２０は、周波数分割多元接続（ＦＤＭＡ）、シングルキャリアＦＤＭＡ（ＳＣ－ＦＤＭＡ）、時分割多元接続（ＴＤＭＡ）、符号分割多元接続（ＣＤＭＡ）、直交周波数分割多重方式（ＯＦＤＭ）、直交周波数分割多元接続（ＯＦＤＭＡ）、移動体用グローバルシステム（ＧＳＭ）通信、汎用パケット無線サービス（ＧＰＲＳ）、ユニバーサル移動体通信システム（ＵＭＴＳ）、ｃｄｍａ２０００、広帯域ＣＤＭＡ（Ｗ－ＣＤＭＡ）、高速ダウンリンクパケットアクセス（ＨＳＤＰＡ）、高速アップリンクパケットアクセス（ＨＳＵＰＡ）、高速パケットアクセス（ＨＳＰＡ）、ロングタームエボリューション（ＬＴＥ）、ＬＴＥアドバンスト（ＬＴＥ－Ａ）、８０２．１１ｘ、Ｗｉ－Ｆｉ、Ｚｉｇｂｅｅ、超広帯域無線（ＵＷＢ）、８０２．１６ｘ、８０２．１５、ホームノードＢ（ＨｎＢ）、Ｂｌｕｅｔｏｏｔｈ、無線周波数識別（ＲＦＩＤ）、赤外線データ協会（ＩｒＤＡ）、近距離通信（ＮＦＣ）、第５世代（５Ｇ）、新無線（ＮＲ）、それらの任意の組み合わせ、ならびに／あるいは本発明の範囲から逸脱することなく、任意の他の現在存在する、または将来実施される通信規格および／またはプロトコルを使用するように構成されてもよい。いくつかの実施形態では、通信デバイス５２０は、本発明の範囲から逸脱することなく、単一、アレイ、位相、切り替え、ビームフォーミング、ビームステア、それらの組み合わせ、および／または任意の他のアンテナ構成である１つまたは複数のアンテナを含むことができる。

プロセッサ５１０はさらに、バス５０５を介して、プラズマディスプレイ、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイ、電界放出ディスプレイ（ＦＥＤ）、有機発光ダイオード（ＯＬＥＤ）ディスプレイ、フレキシブルＯＬＥＤディスプレイ、フレキシブル基板ディスプレイ、プロジェクションディスプレイ、４Ｋディスプレイ、高精細ディスプレイ、Ｒｅｔｉｎａ（登録商標）ディスプレイ、インプレーンスイッチング（ＩＰＳ）ディスプレイ、またはユーザーに情報を表示するための任意の他の適切なディスプレイなどのディスプレイ５２５にさらに結合される。ディスプレイ５２５は、抵抗性、容量性、表面弾性波（ＳＡＷ）容量性、赤外線、光学イメージング、分散信号技術、音響パルス認識、フラストレート全内部反射などを使用して、タッチ（触覚）ディスプレイ、３次元（３Ｄ）タッチディスプレイ、マルチ入力タッチディスプレイ、マルチタッチディスプレイなどとして構成され得る。本発明の範囲から逸脱することなく、任意の適切なディスプレイデバイスおよび触覚Ｉ／Ｏが使用され得る。

キーボード５３０およびコンピュータマウス、タッチパッドなどのカーソル制御デバイス５３５は、ユーザーがコンピューティングシステムとインターフェースすることを可能にするためにバス５０５にさらに結合される。しかしながら、特定の実施形態では、物理的なキーボードおよびマウスが存在しなくてもよく、ユーザーは、ディスプレイ５２５および／またはタッチパッド（図示せず）のみを介してデバイスとインタラクトすることができる。入力デバイスの任意のタイプおよび組み合わせを、設計上の選択事項として使用することができる。特定の実施形態では、物理的入力デバイスおよび／またはディスプレイは存在しない。例えば、ユーザーは、それと通信する別のコンピューティングシステムを介してコンピューティングシステム５００と遠隔でインタラクトすることができ、またはコンピューティングシステム５００は自律的に動作することができる。

メモリ５１５は、プロセッサ５１０によって遂行されると機能を提供するソフトウェアモジュールを格納する。モジュールは、コンピューティングシステム５００のためのオペレーティングシステム５４０を含む。モジュールは、本明細書に記載のプロセスまたはその派生物の全部または一部を実行するように構成されたＡＩ／ＭＬモデルホスティング、監視、および再訓練モジュール５４５をさらに含む。コンピューティングシステム５００は、追加の機能を含む１つまたは複数の追加の機能モジュール５５０を含むことができる。

当業者は、「システム」が、本発明の範囲から逸脱することなく、サーバー、組込みコンピューティングシステム、パーソナルコンピュータ、コンソール、パーソナルデジタルアシスタント（ＰＤＡ）、携帯電話、タブレットコンピューティングデバイス、量子コンピューティングシステム、もしくは任意の他の適切なコンピューティングデバイス、またはデバイスの組み合わせとして具現化され得ることを理解するであろう。上記の機能を「システム」によって実行されるものとして提示することは、本発明の範囲を決して限定することを意図するものではなく、本発明の多くの実施形態の一例を提供することを意図している。実際、本明細書に開示する方法、システム、および装置は、クラウドコンピューティングシステムを含むコンピューティング技術と一致する局所化された形態および分散された形態で実装されてもよい。コンピューティングシステムは、ローカルエリアネットワーク（ＬＡＮ）、移動通信ネットワーク、衛星通信ネットワーク、インターネット、パブリッククラウドもしくはプライベートクラウド、ハイブリッドクラウド、サーバーファーム、それらの任意の組み合わせなどの一部であるか、またはそれらによってアクセス可能であり得る。本発明の範囲から逸脱することなく、任意の局所化されたまたは分散されたアーキテクチャが使用されてもよい。

本明細書に記載されたシステム特徴のいくつかは、それらの実施態様の独立性をより具体的に強調するために、モジュールとして提示されていることに留意されたい。例えば、モジュールは、カスタムの超大規模集積（ＶＬＳＩ）回路またはゲートアレイ、ロジックチップ、トランジスタ、または他のディスクリートコンポーネントなどの既製の半導体を含むハードウェア回路として実装されてもよい。モジュールはまた、フィールドプログラマブルゲートアレイ、プログラマブルアレイロジック、プログラマブルロジックデバイス、グラフィックスプロセッシングユニットなどのプログラマブルハードウェアデバイスに実装されてもよい。

モジュールはまた、様々なタイプのプロセッサによって遂行するためのソフトウェアに少なくとも部分的に実装されてもよい。遂行可能コードの識別されたユニットは、例えば、オブジェクト、プロシージャ、または関数として編成することができるコンピュータ命令の１つまたは複数の物理ブロックまたは論理ブロックを含むことができる。それにもかかわらず、識別されたモジュールの遂行可能ファイルは、物理的に共に配置される必要はないが、論理的に共に結合されたときにモジュールを含み、モジュールの記載された目的を達成する異なる場所に格納された異なる命令を含むことができる。さらに、モジュールは、コンピュータ可読媒体に格納されてもよく、それは、例えば、ハードディスクドライブ、フラッシュデバイス、ＲＡＭ、テープ、および／または本発明の範囲から逸脱することなくデータを格納するために使用される任意の他のそのような非一時的コンピュータ可読媒体であってもよい。

実際、遂行可能コードのモジュールは、単一の命令、または多くの命令であってもよく、いくつかの異なるコードセグメント、異なるプログラム、およびいくつかのメモリデバイスに分散されてもよい。同様に、操作データは、本明細書ではモジュール内で識別および図示されてもよく、任意の適切な形態で具現化され、任意の適切なタイプのデータ構造内に編成されてもよい。操作データは、単一のデータセットとして収集されてもよく、または異なるストレージデバイスを含む異なる場所に分散されてもよく、少なくとも部分的に、システムまたはネットワーク上の電子信号としてのみ存在してもよい。

図６Ａおよび図６Ｂは、本発明の一実施形態による、ＭＬモデルをホスティング、監視、および再訓練するためのＲＰＡアーキテクチャ６００を示すアーキテクチャ図である。アーキテクチャ６００は、ＡＩセンタークライアント階層６５０、ＡＩセンターサービス階層６６０、およびＡＩセンターストレージ階層６７０を含む。ＡＩセンターサービス階層６６０内のサービスコンポーネントは、この実施形態では、クラウドネット（ｋ８ｓ）クラスタ内でホストされる。しかしながら、いくつかの実施形態では、本発明の範囲から逸脱することなく、単一のｋ８ｓクラスタを使用することができる。

この実施形態のクライアント階層６５０では、クラウドＲＰＡ６１０は、ＡＩセンターユーザー６０４などのユーザーを登録することができ、組織からの他のユーザーに様々なサービスを使用するように招待することができるサービスとしてのソフトウェア（ＳａａＳ）を提供するクラウドプラットフォーム（例えば、パブリッククラウド、プライベートクラウド、ハイブリッドクラウドなど）である。管理者６０２は、組織内のユーザーに対してＡＩセンターを有効にする能力を有することができる。管理者６０２はまた、そのアカウントの下でテナント／グループにライセンスを割り当てることができる。いくつかの実施形態では、クラウドＲＰＡ６１０とＡＩセンターとの間の典型的なインタラクションは、ＡＩセンターを有効化／無効化し、ＭＬスキルを展開するために使用できるテナントへのライセンスの割り当てである。ＡＩセンターサービス階層６６０によって供給される使用統計６１１はまた、クラウドＲＰＡ６１０を介して管理者６０２によってアクセス可能である。

ユーザー６０４（例えば、ＭＬエンジニア、プロセスエンジニア、またはデータサイエンティスト）は、ＡＩアプリケーション６１４の一部として事前構成されたＭＬモデルを構築する。いくつかの実施形態では、ＡＩアプリケーション６１４は、ユーザーがＭＬモデルのライフサイクルを作成および管理することができるＵＩを提供するウェブアプリケーションである。ＲＰＡ開発者６０６は、ＲＰＡデザイナ６１６（例えば、ＵｉＰａｔｈ Ｓｔｕｄｉｏ（商標））によってワークフローを開発し、ワークフローはその後に、ＲＰＡロボット６１８を作成するために使用される。ＲＰＡデザイナ６１６およびＲＰＡロボット６１８は、コンダクタ６１２と通信して構成およびトークンをフェッチし、ＡＩセンターサービス階層６６０のＡＩセンターサービスにアクセスする。いくつかの実施形態では、認証および許可されたクライアントのみがコンダクタ６１２からデータを取得することができる。クライアントが認可されている場合、トークンが有効である間にサービス階層６６０へのアクセスを可能にするトークンが提供されてもよい。

ＲＰＡロボット６１８は、それらが動作しているコンピューティングシステムおよび／またはそれらがアクセスすることができる任意の他のデータソースまたはストレージからデータを取得することができる。このデータは、ＲＰＡロボット６１８によって、それぞれＡＰＩゲートウェイ６３２、６４２を介してコアマイクロサービスまたはＭＬスキルに送信され得る。ＭＬスキル６４６、６４７、６４８は、例えば、ＭＬパッケージの消費者対応のライブデプロイメントであり得る。いくつかの実施形態におけるロボット６１８の役割は、異なる場所（例えば、ブロブ／ファイルストレージおよび／またはデータストリームからのデータ）から異なるタイプのデータを取得し、それをＭＬスキルに供給すること、ならびにＭＬスキル６４６、６４７、６４８の出力を取得し、それを所望のストレージおよび／またはストリームにプッシュすることである。いくつかの実施形態では、ＲＰＡロボット６１８はデータセットにデータをアップロードすることもできる。

ＲＰＡ開発者６０６は、ＲＰＡデザイナ６１６を使用してＲＰＡワークフローを構築し、ユーザー６０４はＭＬモデルを構築し、それらをコンダクタ６１２またはＡＩアプリケーション６１４にアップロードする。プロビジョニング、作成／読み取り／更新／削除（ＣＲＵＤ）、およびＭＬスキル（およびそれぞれのＭＬモデル）のリスト化は、コアサービスからＭＬモデルのメタデータを受信するＡＰＩゲートウェイ６３２を介して行われる。ロボット６１８はまた、それらの動作のためにモデル（例えば、ＭＬスキル６４６、６４７、６４８）を遂行するＭＬスキルを消費する。

ＡＰＩゲートウェイ６３２との通信に関して、クラウドＲＰＡ６１０は、テナントプロビジョニング（ＴＰ）情報を送信する。本実施形態におけるＴＰ情報は、テナントに関するメタデータである。テナントは、ＭＬモデルおよびその顧客に関連するデータを所有する顧客の論理的ユニットである。このメタデータは、コンダクタテナントへの参照、名前および場所などのいくつかの基本的な詳細を含むことができる。

ＡＩアプリケーション６１４は、コアエンティティ（ＣＥ）のＣＲＵＤを実行する。本実施形態におけるコアエンティティは、他のエンティティ（例えば、ＭＬパッケージ、ＭＬスキル、テナント、プロジェクト、監査ログ、データセットなど）との関係を有するデータベースに格納されたメタデータテーブルである。コンダクタ６１２またはＡＩアプリケーション６１４は、ＭＬスキル（ＬＳ）をリスト化し、ＲＰＡロボット６１８は、ＭＬスキルをリスト化する。コンダクタ６１２および／またはＡＩアプリケーション６１４は、ＭＬスキルをリスト化して、ＭＬスキルに対するＣＲＵＤ操作に関与する管理者に詳細を示すことができるが、ＲＰＡロボット６１８は、ＲＰＡ開発者がＭＬスキルを選択し、それをＲＰＡワークフローで使用することができるように、読み取り専用ＭＬスキルリストを示すことができる。ＲＰＡロボットはまた、ＭＬサービスクラスタ６４０のＡＰＩゲートウェイ６４２を介してＭＬスキル６４６、６４７、６４８から予測を受信する。

この実施形態におけるサービス階層６９４のサービスは、訓練クラスタ６２０、コア・マイクロサービス・クラスタ６３０、およびＭＬサービスクラスタ６４０の３つのｋ８ｓクラスタを含む。コア・マイクロサービス・クラスタは、この実施形態ではデータベース６３３を使用することができるＡＰＩゲートウェイ６３２を含む。同様に、ＭＬサービスクラスタ６４０は、データベース６４３を使用することができるＡＰＩゲートウェイ６４２を含む。データベース６３３、６４３は、入ってくる要求を検証するために使用され得るそれぞれのＡＰＩゲートウェイ６３２、６４２の構成および規則を格納する。ＡＰＩゲートウェイ６３２、６４２は、不正使用、乱用、盗難、サービス妨害攻撃などを防ぐためにサービス／スキルの前に位置するサービスである。ゲートウェイ６３２、６４２は、要求を検証し、より多くのセキュリティポリシーを適用して背後のリソースを保護することもできる。次いで、ゲートウェイ６３２、６４２は、ゲートウェイ６３２、６４２の背後に存在するサービスからの検証された要求についての情報を返す。

ＡＩトレーナ６３４は、訓練クラスタ６２０の再訓練パイプライン６２２、６２４、６２６を介してＭＬモデルの再訓練を容易にするサービスである。再訓練パイプライン６２２、６２４、６２６は、異なるテナントのために訓練クラスタ６２０で実行される訓練ジョブである。ＡＩトレーナ６３４は、ＡＩアプリケーション６１４で再訓練パイプライン６２２、６２４、６２６を作成するときにユーザーが指定した内容に基づいて、必要なコンピューティングリソース（例えば、ＣＰＵリソース設定、ＧＰＵリソース設定、ＲＡＭ割り当てなど）を有する訓練ジョブを作成するように訓練クラスタ６２０に命令する。所与の訓練ジョブが完了すると、生成されたアーチファクトをストレージ（例えば、ブロブストレージ６７２）にブッシュすることができ、リソースを解放することができる。

ＡＩヘルパー６３５は、非同期操作、ステートマシン管理、ストレージ抽象化およびアクセスなどの内部ユーティリティサービスの集合を提供する。ＡＩパッケージマネージャ６３６は、コンダクタ６１２および／またはＡＩアプリケーション６１４によって呼び出されるＭＬパッケージおよびプロジェクトＣＲＵＤならびに関連するＲＥＳＴ ＡＰＩを提供する。ＡＩディプロイア６３７は、必要な依存関係を有するＭＬモデルの画像（例えば、Ｄｏｃｋｅｒ（商標）画像）を構築し、コンテナレジストリ６７４にプッシュし、ＭＬサービスクラスタ６４０のＫｕｂｅｒｎｅｔｅｓ ＡＰＩとインタラクトして、ＭＬスキル６４６、６４７、６４８のＭＬスキルとしてコンテナを配備する。上記のように、いくつかの実施形態では、Ｄｏｃｋｅｒ（商標）を使用してＭＬモデル画像をパッケージ化することができる。

コア・マイクロサービス・クラスタ６３０はメッセージブローカ６３８を含み、これは、長時間実行および非同期タスクをサポートするパブリッシュ／サブスクライブモデルベースのメッセージング機能を提供するマルチテナントサーバーである。ブロブストレージ６７２は、ＭＬモデルおよび他の依存ファイルを格納するためのマルチテナントストレージを提供する。コンテナレジストリ６７４は、顧客がアップロードしたＭＬモデルのドッカー画像を格納するためのマルチテナント専用コンテナレジストリを提供する。ＳＱＬサーバー６７６は、ＭＬスキル、ＭＬパッケージ、データセットなどのためのメタデータを格納する。イベント／ログストレージ６７８は、ｋ８ｓクラスタ６２０、６３０、６４０内で動作するアプリケーション／ポッドのログおよびメトリックを格納する。ｋ８ｓクラスタ６２０、６３０、６４０とイベント／ログストレージ６７８との間の接続は存在するが、それらは図６Ｂには示されていない。

サービスメッシュコントローラ６４４（例えば、Ｉｓｔｉｏ（商標））は、ＭＬスキル６４６、６４７、６４８のためのトラフィックルーティングルール、監視などのサービスメッシュ機能を提供する。ＭＬスキル６４６、６４７、６４８に出入りできるものは、サービスメッシュコントローラ６４４によって制御される。サービスメッシュコントローラ６４４は、ＭＬスキルのためのネットワーキングポリシーおよび監視ポリシーをプッシュする。例えば、サービスメッシュコントローラ６４４は、要求が来る可能性のあるインターネットプロトコル（ＩＰ）アドレスを制御し、ウイルスをブロックし、顧客が独自のコードをダウンロードすること、および／または特定のポートにアクセスすることをブロックすることなどができる。ＡＰＩゲートウェイ６４２は、ＭＬスキル６４６、６４７、６４８に対するクライアント要求を検証する。

ＭＬモデルが検証および展開され、ＭＬスキル６４６、６４７、６４８としてＲＰＡロボット６１８に利用可能になると、ＲＰＡロボット６１８が動作中にＭＬモデルを使用するアクティビティに達した場合に、ＲＰＡロボット６１８は、要求および関連するデータをＭＬサービスクラスタ６４０のＡＰＩゲートウェイ６４２に送信する。しかしながら、いくつかの実施形態では、ＭＬモデルの遂行のためのデータは、ＲＰＡロボット６１８とは異なるソースによって補足されてもよく、または完全に異なるソースからもたらされてもよいことに留意されたい。

所与のＲＰＡロボット６１８のＭＬ動作のためのデータは、サービスメッシュコントローラ６４４を介して適切なＭＬスキル６４６、６４７、６４８にルーティングされる。次いで、ＭＬスキル６４６、６４７、６４８からの出力は、ＡＰＩゲートウェイ６４２を介して適切なＲＰＡロボット６１８に送り返される。次いで、ロボットは、このデータを使用してそのＭＬアクティビティを実行する。特定のＭＬアクティビティについて、ロボット６１８は、ＭＬスキル６４６、６４７、６４８にデータを複数回送信および／またはＭＬスキルからデータを受信することができることに留意されたい。

しかしながら、ＭＬスキル６４６、６４７、６４８が配備されると、ＭＬスキル６４６、６４７、６４８のさらなる管理が望ましい。いくつかの実施形態における再訓練は、ＭＬモデルのタイプおよびＭＬモデルが訓練されるデータに依存し得る。いくつかの実施形態は、テナントが訓練したいデータを含むことができるＡＩセンターストレージ階層６７０を使用し、ＲＰＡロボット６１８はＡＩセンターストレージ階層６７０とインタラクトすることができる。データは経時的に収集されてもよく、ＲＰＡロボット６１８はこのデータをＡＩセンターストレージ階層６７０に提供することができる。いくつかの実施形態では、訓練データはブロブストレージ６７２に格納される。

例えば、ＲＰＡロボット６１８は、それぞれのＲＰＡロボット６１８がＡＩセンターストレージ階層６７０がどこにあるかを自動的に認識し、データをアップロードすることを可能にするＲＰＡワークフローのアクティビティを介して、ＡＩセンターストレージ階層６７０にデータをプッシュし続けることができる。それに加えてまたはその代わりに、ＲＰＡロボット６１８は、ローカルデータおよび／またはＡＩセンターストレージ階層６７０の外側のリモートデータベースに格納されたデータを繰り返し、次いでこのデータをＡＩセンターストレージ階層６７０に送信することができる。このデータは、ＭＬスキル６４６、６４７、６４８に関連するＭＬモデルを再訓練するために使用され得る。例えば、ＭＬスキル６４６、６４７、６４８のＭＬモデルの性能を監視することができる。ＭＬスキル６４６、６４７、６４８のＭＬモデルの性能が特定のしきい値（例えば、用途に応じて６０％、８０％、９５％、９９％などの信頼度）を下回る場合には、ＡＩトレーナ６３４は、ＡＩセンターストレージ階層６７０に格納されたデータを使用してそのＭＬモデルの再訓練を開始することができる。それに加えてまたはその代わりに、ＭＬスキル６４６、６４７、６４８のＭＬモデルは、そのそれぞれのＭＬモデルを訓練するために一定量のデータが受信された後に、一定時間が経過した後などに再訓練され得る。

経時的にＡＩセンターストレージ階層６７０に収集されたデータは、異なるタイプのデータをデータセットにグループ化することを可能にし得る。同様のタイプのデータは、論理的または物理的なグループにすることができる。いくつかの実施形態では、ユーザーは、ＡＩアプリケーション６１４を介して、どのＭＬモデルを訓練したいかを選択し（適切なアクセス権を持っている場合）、それぞれのＭＬモデルを訓練したいデータセットを選択および管理し、いつ再訓練を行いたいか（例えば、要求に応じて、または定期的に）を選択し、再訓練パイプラインを作成／監視することなどができる。

いくつかの実施形態では、データセットは、ＭＬモデルがデータセット内のデータにアクセスするためのポインタとして提示されてもよい。ＭＬスキル６４６、６４７、６４８のＭＬモデルは、それぞれのＭＬモデルが最後に訓練されたときに利用できなかったより新しいデータ、古いデータとより新しいデータとの組み合わせ、完全なデータセットなどに基づいて再訓練することができる。ＭＬモデルは、新しいデータが取得されるにつれて経時的により正確になり得る。

いくつかの実施形態では、ユーザーは、使用したい性能尺度を選択または定義することができ、再訓練パイプライン６２２、６２４、６２６は、選択された性能尺度に基づいて再訓練されたＭＬモデルのための１つまたは複数のスコアを生成する。訓練クラスタ６２０は、再訓練のためのリソース（例えば、ＣＰＵ、ＧＰＵ、ＲＡＭなど）の管理を可能にする抽象化の層を提供する。いくつかの実施形態では、本発明の範囲から逸脱することなく、複数のｋ８ｓクラスタ、複数のストレージ階層、またはその両方を使用できることに留意されたい。スコアが改善する場合、再訓練されたＭＬモデルは、ユーザーが望む場合に自動的に前のバージョンの代わりに使用され得る。そうでなければ、ユーザーに通知され、再訓練バージョンを展開することが望ましいかどうかを決定することができる。いくつかの実施形態では、スコアの変化を経時的に追跡することができ、精度の改善と低下の両方を強調する。次いで、ユーザーまたは訓練クラスタ６２０は、何が負のドリフトを引き起こしているかを判定しようと試みることができる。

いくつかの実施形態では、使用されるデータの量は自動的に調整されてもよい。例えば、本発明の範囲から逸脱することなく、ユーザーがデータポイントの数、データが収集される頻度、収集されるデータの量、再訓練のためのトリガ、および／または任意の他の適切な訓練パラメータを調整することを可能にする訓練インターフェースを、コンダクタ６１２またはＡＩアプリケーション６１４の一部として提供することができる。

図６Ａおよび図６Ｂのアーキテクチャは、ＩＰ盗難を軽減または防止するのに役立ち得る。例えば、ホストされたＭＬスキル６４６、６４７、６４８のＭＬモデルまたは他の利用可能なホストされたＭＬモデルのうちの少なくともいくつかは、いくつかの実施形態では顧客によって提供されなくてもよく、アーキテクチャ６００を提供する会社の専有であってもよい。これらのＭＬモデルは、説明のみによってＲＰＡロボット６１８によって利用可能にされ、呼び出し可能にされてもよく、独自のＭＬモデル自体は、ユーザーまたは呼び出しＲＰＡロボット６１８に提供されなくてもよい。むしろ、ＭＬモデル遂行の結果のみが提供されてもよい。

いくつかの実施形態では、ＲＰＡ用の低コードＭＬモデルデプロイメントおよび訓練システムを提供することができる。ＭＬパッケージは、ユーザー６０４および／またはＲＰＡ開発者６０６によるコーディングなしで１クリックで展開することができる。例えば、ユーザーは、ＭＬモデルのカタログから選択し、選択されたＭＬモデルをターゲットコンピューティング環境（例えば、単一ノードｋ８ｓインストール、マルチノードｋ８ｓインストールなど）に展開することができる。特定の実施形態では、ユーザーは、ボタンのシングルクリックでＭＬスキル６４６、６４７、６４８のＭＬモデルを訓練することができる。例えば、図８の低コードＭＬモデルパイプライン作成インターフェース８００を参照されたい。そのような実施形態は、ユーザー６０４および／またはＲＰＡ開発者６０６が技術的知識を有することを必要としなくてもよく、手動プログラミングなしで訓練／再訓練をトリガすることができる。しかしながら、これは、ＭＬモデルパッケージが顧客に属し、ＵｉＰａｔｈ（登録商標）などのＲＰＡプロバイダによって提供されるアウトオブボックスのＭＬモデルではない場合には、完全には当てはまらない可能性がある。訓練可能なＭＬモデルパッケージを構築するために、独自のカスタムＭＬモデルを生成する顧客は、ＭＬモデルパッケージ上の予測のために行うことに加えて、いくつかのコーディングを行うことができる。

いくつかの実施形態では、ＲＰＡ開発者６０６は、複数のＭＬモデルを一緒にチェーン化することができる。これは、特定のロジックまたは構成に基づくことができる。ＭＬモデルのネットワークは、潜在的にシステムが最も適切である可能性が高いと判定したＭＬモデルを用いて、インターフェース（例えば、ＲＰＡデザイナアプリケーション６０６）内のユーザーに利用可能にすることができる。例えば、ＲＰＡ開発者６０６が、デザイナアプリケーション６１６を使用してボタンをクリックするアクティビティのためのＭＬモデルを追加しようとしている場合、グラフィカル要素認識ＭＬモデルは、例えば、コア・マイクロサービス・クラスタ６３０によって提案され得る。次いで、ＲＰＡ開発者６０６は、ＭＬモデルを選択し、所望の結果を達成するために必要に応じてそれらをチェーン化することができる。

図７は、本発明の一実施形態による、ＭＬモデルのホスティング、監視、および再訓練を実行するように構成されたシステム７００を示すアーキテクチャ図である。システム７００は、デスクトップコンピュータ７０２、タブレット７０４、およびスマートフォン７０６などのユーザーコンピューティングシステムを含む。しかしながら、限定はしないが、スマートウォッチ、ラップトップコンピュータなどを含む、本発明の範囲から逸脱することなく、任意の所望のコンピューティングシステムを使用することができる。また、図７には３つのユーザーコンピューティングシステムが示されているが、本発明の範囲から逸脱することなく、任意の適切な数のコンピューティングシステムを使用することができる。例えば、いくつかの実施形態では、数十、数百、数千、または数百万のコンピューティングシステムを使用することができる。

各コンピューティングシステム７０２、７０４、７０６は、データベース（図示せず）に送信するためのデータを収集し、および／または特定のタスク（例えば、連鎖または非連鎖のいずれかのＡＩ／ＭＬモデル７３２のうちの１つまたは複数）の性能においてＡＩ／ＭＬモデルを遂行するＲＰＡロボット７１０を有する。例えば、ＲＰＡロボット７１０のうちの１つまたは複数は、ＣＶを使用してユーザーがそれぞれのコンピューティングシステム上で何をしているかを認識するように訓練されたＡＩ／ＭＬモデルを使用することができる。コンピューティングシステム７０２、７０４、７０６は、ネットワーク７２０（例えば、ローカルエリアネットワーク（ＬＡＮ）、移動通信ネットワーク、衛星通信ネットワーク、インターネット、それらの任意の組み合わせなど）を介してサーバー７３０に情報を送信する。いくつかの実施形態では、サーバー７３０は、パブリッククラウドアーキテクチャ、プライベートクラウドアーキテクチャ、ハイブリッドクラウドアーキテクチャなどの一部であってもよい。特定の実施形態では、サーバー７３０は、単一のコンピューティングシステム７３０上で複数のソフトウェアベースのサーバーをホストしてもよい。いくつかの実施形態では、サーバー７３０は、１つまたは複数の仮想マシン（ＶＭ）を介して実装されてもよい。特定の実施形態では、サーバー７３０は、インターネット接続性を有さない「エアギャップ」サーバーであってもよい。サーバー７３０は、いくつかの実施形態では、ＡＩセンター機能を提供する単一のマシンまたはマシンのクラスタであってもよい。サーバー７３０は、この実施形態では、それぞれの呼び出しＲＰＡロボットが自動化を完了するのを支援する情報を提供するためにＲＰＡロボット７１０のうちの１つまたは複数によって呼び出されるＡＩ／ＭＬモデル７３２を含む。いくつかの実施形態では、ＲＰＡロボット７１０によって呼び出されるＡＩ／ＭＬモデル７３２は、統計的モデリング（例えば、隠れマルコフモデル（ＨＭＭ））などの様々な機能を実行する複数の層を有し、深層学習技術（例えば、長期短期記憶（ＬＳＴＭ）深層学習、以前の隠れ状態の符号化など）を利用してユーザーインタラクションのシーケンスを識別することができる。

展開されると、ＡＩ／ＭＬモデル７３２の再訓練が望ましい場合がある。しかしながら、ＭＬモデルまたはＭＬスキルのデプロイメントは、いくつかの実施形態では訓練のための前提条件ではない場合がある。実際、いくつかのＭＬモデルは、展開される前に訓練される必要がある。いくつかの実施形態における再訓練は、ＭＬモデルのタイプおよびＭＬモデルが訓練されるデータに依存し得る。いくつかの実施形態は、テナントが訓練したいデータを含むことができる安全なテナントレベルのストレージ層（例えば、データベース７４０の一部として）を使用し、ＲＰＡロボット７１０のうちの１つまたは複数はこのストレージ層とインタラクトすることができる。データは経時的に収集されてもよく、ＲＰＡロボット７１０のうちの１つまたは複数は、このデータをデータベース７４０に提供することができる。

例えば、ＲＰＡロボット７３２のうちの１つまたは複数は、それぞれのＲＰＡロボット７１０がデータベース７４０がどこにあるかを自動的に知り、データをアップロードすることを可能にするＲＰＡワークフロー内のアクティビティを介してデータベース７４０にデータをプッシュし続けることができる。それに加えてまたはその代わりに、ＲＰＡロボット７１０は、ローカルデータおよび／または別のリモートデータベースに格納されたデータを繰り返し、次いでこのデータをデータベース７４０に送信することができる。このデータは、ＡＩ／ＭＬモデル７３２を再訓練するために使用することができる。例えば、サーバー７３０は、ＡＩ／ＭＬモデル７３２の性能を監視することができる。ＡＩ／ＭＬモデル７３２の性能が特定のしきい値（例えば、用途に応じて６０％、８０％、９５％、９９％などの信頼度）を下回る場合には、サーバー７３０は、データベース７４０に格納されたデータを使用してそのＡＩ／ＭＬモデル７３２の再訓練を開始することができる。それに加えてまたはその代わりに、ＡＩ／ＭＬモデル７３２は、特定の時間が経過した後などに、そのそれぞれのＡＩ／ＭＬモデルを訓練するために特定の量のデータが受信された後に再訓練されてもよい。

経時的にデータベース７４０に収集されるデータは、異なるタイプのデータをデータセットにグループ化することを可能にすることができる。同様のタイプのデータは、論理的または物理的なグループにすることができる。いくつかの実施形態では、ユーザーは、訓練したいＡＩ／ＭＬモデル７３２のＡＩ／ＭＬモデルを選択し（適切なアクセス権を持っている場合）、それぞれのＡＩ／ＭＬモデルを訓練したいデータセットを選択し、いつ再訓練を行いたいか（例えば、要求に応じて、または定期的に）を選択することができる。

いくつかの実施形態では、データセットは、ＡＩ／ＭＬモデル７３２がデータセット内のデータにアクセスするためのポインタとして提示されてもよい。ＡＩ／ＭＬモデル７３２は、それぞれのＡＩ／ＭＬモデルが最後に訓練されたときに利用できなかった新しいデータ、古いデータと新しいデータの組み合わせ、フルデータセットなどに基づいて再訓練することができる。ＡＩ／ＭＬモデル７３２は、新しいデータが取得されるにつれて経時的により正確になることができる。

いくつかの実施形態では、ユーザーは、使用したい性能尺度を選択することができ、サーバー７３０は、選択された性能尺度に基づいて再訓練されたＡＩ／ＭＬモデルのための１つまたは複数のスコアを生成する。いくつかの実施形態では、本発明の範囲から逸脱することなく、複数のサーバー、複数のデータベース、またはその両方を使用することができることに留意されたい。スコアが改善された場合、再訓練されたＡＩ／ＭＬモデルは、自動的に前のバージョンの代わりに使用するためにサーバー７３０によって展開され得る。あるいは、コンピューティングシステム７５０のユーザーに通知し、再訓練バージョンを展開することが望ましいかどうかを決定することができる。いくつかの実施形態では、スコアの変化を経時的に追跡することができ、精度の改善と低下の両方を強調する。次いで、コンピューティングシステム７５０またはサーバー７３０のユーザーは、何が負のドリフトを引き起こしているかを判定しようと試みることができる。

いくつかの実施形態では、使用されるデータの量は自動的に調整されてもよい。例えば、本発明の範囲から逸脱することなく、コンピューティングシステム７５０のユーザーがデータポイントの数、データが収集される頻度、収集されるデータの量、再訓練のためのトリガ、および／または任意の他の適切な訓練パラメータを調整することを可能にする訓練インターフェース７５２を提供することができる。

システム７００のアーキテクチャは、ＩＰ盗難を緩和または防止するのに役立ち得る。例えば、ホストされたＡＩ／ＭＬモデル７３２の少なくともいくつかは、ユーザーコンピューティングシステム７０２、７０４、７０６の会社によって提供されなくてもよい。そのようなＡＩ／ＭＬモデルは、説明のみによってＲＰＡロボット７１０によって利用可能にされ、呼び出し可能にされてもよく、独自のＡＩ／ＭＬモデル自体は、ユーザーまたは呼び出しＲＰＡロボット７１０に提供されなくてもよい。むしろ、ＡＩ／ＭＬモデル遂行の結果のみが提供されてもよい。

ＡＩ層

いくつかの実施形態では、複数のＡＩ層を使用することができる。各ＡＩ層は、データ上で実行されるアルゴリズム（またはモデル）であり、ＡＩモデル自体は、訓練データで訓練された訓練済人工「ニューロン」の深層学習ニューラルネットワーク（ＤＬＮＮ）であってもよい。層は、直列、並列、またはそれらの組み合わせで実行されてもよい。

ＡＩ層は、シーケンス抽出層、クラスタリング検出層、視覚コンポーネント検出層、テキスト認識層（例えば、ＯＣＲ）、音声テキスト変換層、またはそれらの任意の組み合わせを含むことができるが、これらに限定されない。しかしながら、本発明の範囲から逸脱することなく、任意の所望の数およびタイプの層を使用することができる。複数の層を使用することにより、システムは画面内で何が起こっているかの全体像を作成することができる。例えば、１つのＡＩ層はＯＣＲを実行することができ、別のＡＩ層はボタンを検出することができ、別のＡＩ層はシーケンスを比較することができるなどである。パターンは、ＡＩ層によって個別に、または複数のＡＩ層によって集合的に決定され得る。

図８は、本発明の一実施形態による、低コードＭＬモデルパイプライン作成インターフェース８００を示す。インターフェース８００は、ユーザーがプログラミングなしで新しいＭＬパイプラインランを作成することを可能にする。例えば、ユーザーは、パイプラインタイプ（例えば、訓練、評価、または完全（訓練＋評価））、ＭＬパッケージ、ＭＬパッケージのメジャーバージョンおよびマイナーバージョン、入力データセット、および評価データセットを指定することができる。いくつかの実施形態では、訓練パイプラインは、パッケージおよびデータセットを入力として受け取り、新しいパッケージバージョンを生成し、評価パイプラインは、パッケージバージョンおよびデータセットを入力として受け取り、メトリックおよびログのセットを生成し、完全パイプラインは、処理機能、訓練パイプライン、およびその直後の評価パイプラインを実行する。ＭＬパッケージのメジャーバージョンは、ＲＰＡプロバイダによって提供されたバージョンまたは顧客によってアップロードされたバージョンであり、ＭＬパッケージのマイナーバージョンは、メジャー／マイナーバージョンがパイプラインを使用して訓練されたときに生成されるバージョンである。すべての訓練パイプライン実行は、いくつかの実施形態ではＭＬパッケージのマイナーバージョンを生成する。ユーザーはまた、環境変数を追加し、ＧＰＵ訓練を有効にするかどうかを選択し、ＭＬパイプラインをいつ実行すべきか（例えば、すぐに、時間に基づく、繰り返しなど）を選択することができる。環境変数は、例えば、訓練ジョブを調整するためにＭＬモデルアルゴリズムによって使用され得るハイパーパラメータ（例えば、推定器の数、エポックの数など）など、データに加えて任意選択的に提供され得るモデル固有の構成を含むことができる。

図９は、本発明の一実施形態による、ＭＬモデルをホスティング、監視、および再訓練するためのプロセス９００を示すフローチャートである。プロセスは、９１０において、ＭＬモデルおよびＭＬモデルのデータセットを格納することから始まる。いくつかの実施形態では、各データセットは、論理的または物理的グループ化において類似のタイプのデータを含む。特定の実施形態では、データセットは、ローカルデータ、リモートデータベースに格納されたデータ、またはその両方を繰り返し、再訓練のためにデータをＡＩセンターのストレージに送信するＲＰＡロボットによって提供される。その後に、９２０において、ＲＰＡロボットによって呼び出された格納されたＭＬモデルが遂行される。いくつかの実施形態では、呼び出しＲＰＡロボットのＲＰＡワークフローは、それぞれのＲＰＡロボットが再訓練のためにデータをアップロードするための格納場所を含むデータプッシュアクティビティを含む。特定の実施形態では、ＡＩセンターまたはＲＰＡロボットのアクティビティは、再訓練のためのデータポイントの数、再訓練データが収集される頻度、収集される再訓練データの量、再訓練のための１つまたは複数のトリガ、またはそれらの組み合わせを調整するように構成される。いくつかの実施形態では、ＲＰＡロボットは、モデルを呼び出し、ＭＬモデルの遂行の結果を受信することを許可されるが、１つまたは複数のＭＬモデル自体にアクセスすることは許可されない。特定の実施形態では、ＭＬモデルはコンテナに格納され、ＭＬモデルを含むコンテナの内容が暗号化もしくは難読化されるか、ＭＬモデルが暗号化されるか、またはその両方である。

９３０において再訓練要求が受信されるか、または再訓練条件が満たされた場合には、９４０において、ＭＬモデルの訓練構成において指定された複数のデータセットのサブセットを使用してＭＬモデルが再訓練される。いくつかの実施形態では、複数のデータセットは、再訓練中にＭＬモデルへのポインタとして提示され、再訓練中のＭＬモデルは、それぞれのポインタを介して再訓練のために複数のデータセットのサブセットにアクセスする。９５０において、再訓練されているＭＬモデルの１つまたは複数の性能尺度が受信され、再訓練中に１つまたは複数の性能尺度の１つまたは複数のスコアが生成され、１つまたは複数のスコアの変化が経時的に追跡される。次いで、９６０で再訓練されたＭＬモデルが展開され、プロセスはステップ９２０に戻る。いくつかの実施形態では、１つまたは複数のスコアが改善すると、ＡＩセンターは、ＭＬモデルの以前のバージョンの代わりに再訓練されたＭＬモデルを展開するように構成され得る。特定の実施形態では、１つまたは複数のスコアが改善すると、ＡＩセンターは、ＭＬモデルの再訓練バージョンを展開し、ＭＬモデルの再訓練バージョンとＭＬモデルの以前のバージョンの両方を使用し、最も高い信頼度を有する結果を選択するように構成される。いくつかの実施形態では、プロセス９００は、１つまたは複数の再訓練パイプラインを実行するように構成された訓練クラスタと、ＭＬモデルのＣＲＵＤ操作を実行し、訓練クラスタの再訓練パイプラインにＭＬモデルの再訓練を開始させるように構成されたコア・マイクロサービス・クラスタと、ＭＬモデルを遂行し、その遂行の結果を呼び出しＲＰＡロボットに提供するように構成されたＭＬサービスクラスタと、によって実行されてもよい。

いくつかの実施形態では、ＲＰＡ用の低コードＭＬモデルデプロイメントおよび訓練アプリケーションが使用され、低コードＭＬモデルデプロイメントおよび訓練アプリケーションは、ユーザーによるコーディングなしに１クリックでＭＬパッケージを展開するように構成される。特定の実施形態では、低コードＭＬモデルデプロイメントおよび訓練アプリケーションは、ＭＬモデルのカタログからの選択を容易にし、選択されたＭＬモデルをターゲットコンピューティング環境としてＡＩセンターに展開するように構成される。いくつかの実施形態では、低コードＭＬモデルデプロイメントおよび訓練アプリケーションは、互いに接続可能なＭＬモデルのグラフを表示するように構成される。特定の実施形態では、グラフ内のＭＬモデルは、直列、並列、またはその両方で接続可能である。

図９で実行されるプロセスステップは、本発明の実施形態に従って、プロセッサが図９で説明したプロセスの少なくとも一部を実行するための命令を符号化するコンピュータプログラムによって実行されてもよい。コンピュータプログラムは、非一時的コンピュータ可読媒体上で具現化されてもよい。コンピュータ可読媒体は、ハードディスクドライブ、フラッシュデバイス、ＲＡＭ、テープ、および／またはデータを格納するために使用される任意の他のそのような媒体または媒体の組み合わせであってもよいが、これらに限定されない。コンピュータプログラムは、コンピュータ可読媒体に格納することもできる、図９で説明したプロセスステップの全部または一部を実施するようにコンピューティングシステムのプロセッサ（例えば、図５のコンピューティングシステム５００のプロセッサ５１０）を制御するための符号化命令を含むことができる。

コンピュータプログラムは、ハードウェア、ソフトウェア、またはハイブリッド実装で実施することができる。コンピュータプログラムは、互いに動作可能に通信し、表示するために情報または命令を渡すように設計されたモジュールから構成することができる。コンピュータプログラムは、汎用コンピュータ、ＡＳＩＣ、または任意の他の適切なデバイス上で動作するように構成することができる。

本発明の様々な実施形態のコンポーネントは、本明細書の図に一般的に記載および図示するように、多種多様な異なる構成で配置および設計されてもよいことが容易に理解されよう。したがって、添付の図面に表される本発明の実施形態の詳細な説明は、特許請求される本発明の範囲を限定することを意図するものではなく、本発明の選択された実施形態を単に代表するものである。

本明細書を通して説明される本発明の特徴、構造、または特性は、１つまたは複数の実施形態において任意の適切な方法で組み合わせることができる。例えば、本明細書全体を通して「特定の実施形態」、「いくつかの実施形態」、または同様の文言への言及は、実施形態に関連して説明される特定の特徴、構造、または特性が本発明の少なくとも１つの実施形態に含まれることを意味する。したがって、本明細書全体を通して、「特定の実施形態では」、「いくつかの実施形態では」、「他の実施形態では」、または同様の文言の出現は、必ずしもすべてが同じ実施形態のグループを指すわけではなく、記載された特徴、構造、または特性は、１つまたは複数の実施形態において任意の適切な方法で組み合わせることができる。

本明細書を通して特徴、利点、または同様の文言を参照することは、本発明で実現され得る特徴および利点のすべてが本発明の任意の単一の実施形態であるべきであること、または本発明の任意の単一の実施形態であることを意味するものではないことに留意されたい。むしろ、特徴および利点に言及する文言は、一実施形態に関連して説明される特定の特徴、利点、または特性が本発明の少なくとも１つの実施形態に含まれることを意味すると理解される。したがって、本明細書を通して、特徴および利点、ならびに同様の文言の説明は、必ずしもそうとは限らないが、同じ実施形態を参照することができる。

さらに、本発明の記載された特徴、利点、および特性は、１つまたは複数の実施形態において任意の適切な方法で組み合わせることができる。当業者は、特定の実施形態の特定の特徴または利点の１つまたは複数なしで本発明を実施できることを認識するであろう。他の例では、本発明のすべての実施形態には存在しない可能性がある特定の実施形態において、追加の特徴および利点が認識され得る。

当業者は、上述の本発明が、異なる順序のステップ、および／または開示されているものとは異なる構成のハードウェア要素を用いて実施され得ることを容易に理解するであろう。したがって、本発明をこれらの好ましい実施形態に基づいて説明してきたが、本発明の趣旨および範囲内に留まりながら、特定の修正、変形、および代替構築が明らかであることは、当業者には明らかであろう。したがって、本発明の範囲を決定するために、添付の特許請求の範囲を参照すべきである。

Claims (20)

1. 人工知能（ＡＩ）センターを含み、前記人工知能（ＡＩ）センターは、
   ＭＬモデルをコンテナに格納し、
   前記格納されたＭＬモデルを、ロボティックプロセスオートメーション（ＲＰＡ）ロボットからの呼び出し時に遂行するように構成され、前記ＭＬモデルを含む前記コンテナの内容が暗号化もしくは難読化されるか、前記ＭＬモデルが暗号化されるか、またはその両方である、システム。
2. ＲＰＡ用の低コードＭＬモデルデプロイメントおよび訓練アプリケーションを含むコンピューティングシステムをさらに含み、
   前記低コードＭＬモデルデプロイメントおよび訓練アプリケーションは、ユーザーによるコーディングなしに１クリックでＭＬパッケージを展開するように構成される、請求項１に記載のシステム。
3. 前記低コードＭＬモデルデプロイメントおよび訓練アプリケーションは、ＭＬモデルのカタログからの選択を容易にし、前記選択されたＭＬモデルをターゲットコンピューティング環境として前記ＡＩセンターに展開するように構成される、請求項２に記載のシステム。
4. 前記低コードＭＬモデルデプロイメントおよび訓練アプリケーションは、互いに接続可能なＭＬモデルのグラフを表示するように構成される、請求項２に記載のシステム。
5. 前記グラフ内の前記ＭＬモデルは、直列、並列、またはその両方で接続可能である、請求項４に記載のシステム。
6. 前記ＡＩセンターはシングルノードクラスタインストールである、請求項１に記載のシステム。
7. 前記システムは、施設の外部の外部通信を許可しないエアギャップシステムである、請求項１に記載のシステム。
8. 前記ＡＩセンターは、
   複数のＭＬモデルのための複数のデータセットを格納し、各データセットが論理的または物理的グループ化において類似のタイプのデータを含み、
   前記ＭＬモデルの訓練構成において指定された前記複数のデータセットのサブセットを使用して、または要求に応じて手動で、訓練条件が満たされた場合に、前記複数のＭＬモデルのうちの１つのＭＬモデルを再訓練し、
   ＲＰＡロボットによって呼び出される前記再訓練されたＭＬモデルを展開する、ように構成される、請求項１に記載のシステム。
9. 前記ＡＩセンターは、
   再訓練されている前記ＭＬモデルの１つまたは複数の性能尺度を受信し、
   前記再訓練中に前記１つまたは複数の性能尺度に対する１つまたは複数のスコアを生成するように構成される、請求項８に記載のシステム。
10. 前記１つまたは複数のスコアが改善する場合に、前記ＡＩセンターは、前記ＭＬモデルの以前のバージョンの代わりに前記再訓練されたＭＬモデルを展開するように構成される、請求項９に記載のシステム。
11. 前記１つまたは複数のスコアが改善する場合に、前記ＡＩセンターは、前記ＭＬモデルの前記再訓練されたバージョンを展開し、前記ＭＬモデルの前記再訓練されたバージョンと前記ＭＬモデルの以前のバージョンとの両方を使用し、最も高い信頼度を有する結果を選択するように構成される、請求項９に記載のシステム。
12. 人工知能（ＡＩ）センターであって、
    コンピュータプログラム命令を格納するメモリと、
    前記コンピュータプログラム命令を遂行するように構成された少なくとも１つのプロセッサと、を含み、前記コンピュータプログラム命令は、前記少なくとも１つのプロセッサに、
    複数の機械学習（ＭＬ）モデルのための複数のデータセットを格納させ、各データセットが論理的または物理的グループ化における類似のタイプのデータを含み、
    前記ＭＬモデルの訓練構成において指定された前記複数のデータセットのサブセットを使用して、または要求に応じて手動で、訓練条件が満たされた場合に、前記複数のＭＬモデルのうちの１つのＭＬモデルを再訓練させ、
    再訓練されている前記ＭＬモデルの１つまたは複数の性能尺度を受信させ、
    前記再訓練中に前記１つまたは複数の性能尺度に対する１つまたは複数のスコアを生成させ、前記１つまたは複数のスコアが改善する場合に、
    前記ＭＬモデルの以前のバージョンの代わりに前記再訓練されたＭＬモデルを展開させるか、または
    前記ＭＬモデルの前記再訓練されたバージョンを展開させ、前記ＭＬモデルの前記再訓練されたバージョンと前記ＭＬモデルの前記以前のバージョンとの両方を使用させ、最も高い信頼度を有する結果を選択させる、ように構成される、人工知能（ＡＩ）センター。
13. 前記再訓練されたＭＬモデルは、コンテナに格納され、
    前記再訓練されたＭＬモデルを含む前記コンテナの内容が暗号化もしくは難読化されるか、前記再訓練されたＭＬモデルが暗号化されるか、またはその両方である、
    請求項１２に記載のＡＩセンター。
14. 前記ＡＩセンターはシングルノードクラスタインストールである、請求項１２に記載のＡＩセンター。
15. 前記ＡＩセンターは、施設の外部の外部通信を許可しないエアギャップシステムである、請求項１２に記載のＡＩセンター。
16. コンピュータにより実施される方法であって、人工知能（ＡＩ）センターにより、ＭＬモデルをコンテナに格納するステップと、
    前記ＡＩセンターにより、前記格納されたＭＬモデルを、ロボティックプロセスオートメーション（ＲＰＡ）ロボットからの呼び出し時に遂行するステップと、を含み、前記ＭＬモデルを含む前記コンテナの内容が暗号化もしくは難読化されるか、前記ＭＬモデルが暗号化されるか、またはその両方である、コンピュータにより実施される方法。
17. 低コードＭＬモデルデプロイメントおよび訓練アプリケーションにより、ユーザーによるコーディングなしに１クリックでＭＬパッケージを展開するステップと、
    前記低コードＭＬモデルデプロイメントおよび訓練アプリケーションにより、ＭＬモデルのカタログからの選択を容易にし、前記選択されたＭＬモデルをターゲットコンピューティング環境として前記ＡＩセンターに展開するステップと、
    をさらに含む、請求項１６に記載のコンピュータにより実施される方法。
18. 低コードＭＬモデルデプロイメントおよび訓練アプリケーションにより、互いに接続可能なＭＬモデルのグラフを表示するステップを、さらに含み、
    前記グラフ内の前記ＭＬモデルは、直列、並列、またはその両方で接続可能である、
    請求項１６に記載のコンピュータにより実施される方法。
19. 前記ＡＩセンターにより、複数のＭＬモデルのための複数のデータセットを格納するステップであって、各データセットが論理的または物理的グループ化において類似のタイプのデータを含む、ステップと、
    前記ＭＬモデルの訓練構成において指定された前記複数のデータセットのサブセットを使用して、または要求に応じて手動で、訓練条件が満たされた場合に、前記ＡＩセンターにより、前記複数のＭＬモデルのうちの１つのＭＬモデルを再訓練するステップと、
    前記ＡＩセンターにより、再訓練されている前記ＭＬモデルの１つまたは複数の性能尺度を受信するステップと、
    前記ＡＩセンターにより、前記再訓練中に前記１つまたは複数の性能尺度に対する１つまたは複数のスコアを生成するステップと、前記ＡＩセンターにより、ＲＰＡロボットによって呼び出される前記再訓練されたＭＬモデルを展開するステップと、をさらに含む、請求項１６に記載のコンピュータにより実施される方法。
20. 前記１つまたは複数のスコアが改善する場合に、前記方法は、
    前記ＡＩセンターにより、前記ＭＬモデルの以前のバージョンの代わりに前記再訓練されたＭＬモデルを展開するステップか、または
    前記ＡＩセンターにより、前記ＭＬモデルの前記再訓練されたバージョンを展開し、前記ＭＬモデルの前記再訓練されたバージョンと前記ＭＬモデルの前記以前のバージョンとの両方を使用し、最も高い信頼度を有する結果を選択するステップ、をさらに含む、請求項１９に記載のコンピュータにより実施される方法。
    
    

Images