JP7088989B2 - 実行時のデジタルプロセスにおける人工知能／機械学習モデルの動的な更新、又は再訓練及び更新 - Google Patents

Description

本発明は、概して、人工知能（ＡＩ）に関し、より詳細には、実行時のデジタルプロセスにおけるＡＩ／機械学習（ＭＬ）モデルを動的に更新、又は再訓練及び更新することに関する。

現在、ＡＩ／ＭＬモデルが、様々な種類のコンピューティングシステムで実行されるデジタルプロセスの一部としてデプロイされている。このようなＡＩ／ＭＬモデルは、分類の実行、予測の提供、データ分析などを行う場合がある。ＡＩ／ＭＬモデルは、ドメイン又はビジネスルールの変更のため、より良い出力（例えば、予測、分類など）を提供するため、又はその他の理由のため、更新、又は再訓練及び更新が必要になる場合がある。

現在、ＡＩ／ＭＬモデルの更新プロセスには、システムのダウンタイムとスケジュールされたメンテナンス時間が必要である。これは、従業員の生産性、収益の発生、サービスの可用性などに影響を与える可能性がある。したがって、ＡＩ／ＭＬモデルの更新、並びにＡＩ／ＭＬモデルの再訓練及び更新に対する向上したアプローチが有益となる可能性がある。

本発明の特定の実施形態は、現在のＡＩ技術によってまだ完全に識別、認識、又は解決されていない、当該技術分野における課題及び必要性に対する解決方法を提供する可能性がある。例えば、本発明の幾つかの実施形態は、実行時のデジタルプロセスにおけるＡＩ／ＭＬモデルを動的に更新すること、又は再訓練して更新することに関する。

一実施形態において、コンピュータ実施方法は、コンピューティングシステムで実行されているデジタルプロセスによって、ＡＩ／ＭＬモデルの更新要求をリッスンすることを含む。コンピュータ実施方法は、ＡＩ／ＭＬモデルを更新するための更新要求が受け付けられたときに、コンピューティングシステムで実行されているデジタルプロセスによって、デジタルプロセスを再初期化又は再インスタンス化してＡＩ／ＭＬモデルの更新されたバージョンを呼び出し、別の更新要求をリッスンすることを含む。ＡＩ／ＭＬモデルの更新は、デジタルプロセスの実行中に行われる。

別の実施形態において、デジタルプロセスを含むコンピュータプログラムは、非一時的なコンピュータ読み取り可能な媒体で具現化される。該プログラムは、ＡＩ／ＭＬモデルの再訓練要求又は更新要求をリッスンすることを少なくとも１つのプロセッサに実行させるように構成されている。該プログラムは、ＡＩ／ＭＬモデルを再訓練するための再訓練要求が受け付けられたときに、ＡＩ／ＭＬモデルの再訓練を開始することを少なくとも１つのプロセッサに実行させるように構成されている。該プログラムは、ＡＩ／ＭＬモデルを更新するための更新要求が受け付けられたときに、デジタルプロセスを再初期化又は再インスタンス化してＡＩ／ＭＬモデルの更新されたバージョンを呼び出し、別の再訓練要求又は更新要求をリッスンすることを少なくとも１つのプロセッサに実行させるように構成されている。ＡＩ／ＭＬモデルの再訓練又は更新は、前記デジタルプロセスの実行中に行われる。

さらに別の実施形態において、コンピューティングシステムは、デジタルプロセスを含むコンピュータプログラムの命令を記憶するメモリと、該命令を実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備える。該命令は、ＡＩ／ＭＬモデルの再訓練要求をリッスンすることを少なくとも１つのプロセッサに実行させるように構成されている。該命令は、ＡＩ／ＭＬモデルを再訓練するための再訓練要求が受け付けられたときに、ＡＩ／ＭＬモデルの再訓練を開始することを少なくとも１つのプロセッサに実行させるように構成されている。ＡＩ／ＭＬモデルの再訓練は、デジタルプロセスの実行中に行われる。

さらに別の実施形態において、ＡＩ／ＭＬモデルの動的更新又は再訓練及び更新のためのコンピュータ実施方法は、コンピューティングシステムで実行されているＲＰＡデジタルプロセスによって、ＡＩ／ＭＬモデルの更新要求をリッスンすることを含む。コンピュータ実施方法は、ＡＩ／ＭＬモデルを更新するための更新要求が受け付けられたときに、コンピューティングシステムで実行されているＲＰＡデジタルプロセスによって、ＲＰＡデジタルプロセスを再初期化又は再インスタンス化してＡＩ／ＭＬモデルの更新されたバージョンを呼び出し、別の更新要求をリッスンすることを含む。ＡＩ／ＭＬモデルの更新は、ＲＰＡデジタルプロセスの実行中に行われる。ＲＰＡデジタルプロセスは、ＲＰＡワークフローを含み、ＡＩ／ＭＬモデルは、ＲＰＡワークフローのアクティビティによって呼び出される。

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、上記簡単に説明した本発明のより詳細な説明を、添付の図面に示す特定の実施形態を参照して行う。これらの図面は、本発明の典型的な実施形態のみを示すもので、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。本発明は、添付の図面の使用を通じて追加の特性及び詳細とともに記載され説明される。

本発明の一実施形態によるロボティックプロセスオートメーション（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、デプロイされた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、デザイナとアクティビティとドライバと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、実行時にＡＩ／ＭＬモデルを動的に更新する、又は再訓練して更新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、実行時にＡＩ／ＭＬモデルを動的に更新する、又は再訓練して更新するように構成された有限状態機械（ＦＳＭ）のフロー図のスクリーンショットである。

本発明の一実施形態による、図６のＦＳＭの初期状態のスクリーンショットである。

本発明の一実施形態による、図７Ａの初期状態のパラメータのスクリーンショットである。

本発明の一実施形態による、顧客フィードバックを含むテキストファイルを示すスクリーンショットである。

本発明の一実施形態による、図６のＦＳＭの項目処理状態のＲＰＡワークフローシーケンスを示すスクリーンショットである。

本発明の一実施形態による、図９のＲＰＡワークフローシーケンスによって呼び出されるＡＩ／ＭＬモデルのプロパティを示すスクリーンショットである。

本発明の一実施形態による、再訓練中の進行状況及び再訓練中のＦＳＭ実行ステータスを示すスクリーンショットである。

本発明の一実施形態による、ＡＩ／ＭＬモデル更新中のＦＳＭ実行ステータスを示すスクリーンショットである。

本発明の一実施形態による、ＡＩ／ＭＬモデルを更新するためのシーケンスを示すスクリーンショットである。

本発明の一実施形態による、ＡＩ／ＭＬモデルを再訓練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、実行時のＡＩ／ＭＬモデル動的再訓練及び更新のためのデジタルプロセス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、実行時のＡＩ／ＭＬモデル動的更新のためのデジタルプロセス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、実行中のデジタルプロセスにおける、ＡＩ／ＭＬモデル動的更新、又は動的再訓練及び更新のためのプロセスを示すフローチャートである。

特に示さない限り、同様の符号は、添付の図面全体を通して一貫して対応する特徴を示す。

幾つかの実施形態は、実行時（即ち、ソフトウェアが実行されているとき又は永続しているとき）のデジタルプロセスにおいてＡＩ／ＭＬモデルを動的に更新する、又は再訓練して更新することに関する。そのため、ＡＩ／ＭＬモデルの更新、又は再訓練及び更新のために、本番環境の動作を停止する必要はない。幾つかの実施形態において、ＡＩ／ＭＬモデルの更新ステップ及び／又は再訓練ステップは、デジタルプロセスの一部として含まれてもよい。幾つかの実施形態において、ＡＩ／ＭＬモデルの更新は、内部ロジックから（例えば、条件の評価から、ＡＩ／ＭＬモデルを呼び出す式によってなど）、外部要求から（例えば、ファイル変更、データベースデータ、サービス呼び出しなどの、有限状態機械（ＦＳＭ）における外部トリガからなど）、又はその両方から要求されてもよい。ここで使用される場合、デジタルプロセスには、全ての種類のソフトウェア実装ワークフロー（例えば、ロボティックプロセスオートメーション（ＲＰＡ）、ビジネスプロセス管理（ＢＰＭ）ソフトウェアフローチャート、シーケンシャルフロー、ＦＳＭなど）、アプリケーション、ソリューション、システムサービス、機能、メソッド、スクリプトなどが含まれる。デジタルプロセスの動作状態には、設計時（例えば、停止、構成、再設計など）、実行時（例えば、実行、永続など）などが含まれるが、これらに限定されない。

アプリケーションは、一般的には、機能の観点から細かいもので特定の役割を果たすものを含む。システムソリューションは、特定のトピックに役立つより大きなソリューションの一部であってもよい（例えば、ユーザ管理機能には、パスワードのリセット、個人の休暇要求、医療要求、従業員の新人研修などが含まれてもよい）。アプリケーションは一般的に、フロントエンド又はユーザインタフェース（ＵＩ）を含むが、システムサービスは通常、バックグラウンドで実行される。アプリケーションのコレクションはソリューションとしてグループ化されてもよく、サービスのコレクションはシステムサービスとしてグループ化されてもよい。

効率と投資収益率（ＲＯＩ）を最大化するために、システムとソリューションを可能な限りダウンタイムなしで実行することが望ましい場合がある。現在、デジタルプロセスにおいて、ＡＩ／ＭＬモデルの更新、又は再訓練及び更新にはメンテナンスダウンタイムが必要であり、プロセスが利用できなくなる。実行時のデジタルプロセスによって呼び出されるＡＩ／ＭＬモデルを動的に更新する、又は再訓練して更新する機能には、様々な利点がある。例えば、このような機能を使用するソフトウェアは、ＡＩ／ＭＬモデルの更新、又は再訓練及び更新によるダウンタイムがゼロ又は殆どない可能性がある。ＡＩ／ＭＬモデルの更新、又は再訓練及び更新の自動化が提供されてもよく、ＡＩ／ＭＬモデルが利用可能になった後（場合によっては直後に）、再訓練及び／又は更新されたＡＩ／ＭＬモデルを伴ってソフトウェアがリロード／再初期化／再インスタンス化されてもよい。

本明細書で使用される場合、「リロード」は、ＡＩ／ＭＬモデルデータがＡＩ／ＭＬモデルデータストア（例えば、ファイル、メモリなど）から、それを含む層（例えば、ＲＰＡの場合アクティビティなど）によって取得される動作である。「再初期化」は、一部／全てのコンポーネントの状態が初期／既知／所望の値にリセットされる汎用プロセスにおける状態／フェーズを指す。「再インスタンス化」は、オブジェクト指向プログラミングでのオブジェクトの作成を指し、この場合のオブジェクトは、実行時のアプリケーション、プロセス、関数などの内部のＡＩ／ＭＬモデルである。

幾つかの実施形態は、ＡＩ／ＭＬモデルの再訓練／更新プロセスを自動化して、それがユーザによって実行される必要がないようにしてもよい。例えば、最後の訓練動作から所定の時間が経過したとき、所定の量のデータが受け取られたとき、これらの組み合わせの場合などに、ＡＩ／ＭＬモデルが自動的に再訓練されてもよい。再訓練されたＡＩ／ＭＬモデルのパフォーマンスが期待に応える（例えば、９０％の正解率を達成する）、現在実行中のバージョンのパフォーマンスを超える、又はこれら両方の場合に、再訓練されたＡＩ／ＭＬモデルが、ユーザの操作なしで自動的にデプロイ（即ち、更新）されてもよい。

特定の実施形態は、ロボティックプロセスオートメーション（ＲＰＡ）に使用されてもよい。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及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、並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、及びビジネスＩＴプロセスの自動化のためのソリューションを提供してもよい。デザイナ１１０は、ビジネスプロセスのグラフィック表現である自動化プロジェクトの開発を容易にしてもよい。簡単に言うと、デザイナ１１０はワークフロー及びロボットの開発とデプロイメントを容易にしてもよい。

自動化プロジェクトは、開発者が、本明細書において「アクティビティ」として定義される、ワークフローで開発されたカスタムセットのステップ間の実行順序及び関係を制御できるようにすることで、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の実施形態の１つの商業的な例は、ＵｉＰａｔｈ Ｓｔｕｄｉｏ（商標）である。各アクティビティには、例えばボタンのクリック、ファイルの読み込み、ログパネルへの書き込みなどのアクションが含まれていてもよい。幾つかの実施形態において、ワークフローがネストされ又は埋め込まれてもよい。

一部の種類のワークフローには、シーケンス、フローチャート、ＦＳＭ、及び／又はグローバル例外ハンドラが含まれてもよいが、これらに限定されない。シーケンスは、線形プロセスに特に適している可能性があり、ワークフローを混乱させることなく、あるアクティビティから別のアクティビティへのフローを可能にする。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いる可能性があり、複数の分岐論理演算子によって、より多様な方法で決定の統合及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可能性がある。ＦＳＭは、実行時に有限数の状態を使用してもよく、それらの状態は、条件（即ち、遷移）又はアクティビティによってトリガされる。グローバル例外ハンドラは、実行エラーが発生したときのワークフローの振る舞いを決定したり、プロセスをデバッグしたりするのに特に適している可能性がある。

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実行は、デザイナ１１０で開発されたワークフローを実行する一又は複数のロボット１３０を調整するコンダクタ１２０によって調整される。コンダクタ１２０の実施形態の１つの商用的な例は、ＵｉＰａｔｈ Ｏｒｃｈｅｓｔｒａｔｏｒ（商標）である。コンダクタ１２０は、環境におけるリソースの作成、監視、及びデプロイメントの管理を容易にする。コンダクタ１２０は、サードパーティのソリューション及びアプリケーションとの統合ポイント又は集約ポイントの１つとして機能してもよい。

コンダクタ１２０は、全てのロボット１３０を管理して、集中ポイントからロボット１３０を接続して実行してもよい。管理可能なロボット１３０の種類には、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、開発及びテストの目的で使用される）、及び非生産ロボット（アテンディッドロボット１３２と同様であるが、開発及びテストの目的で使用される）が含まれるが、これらに限定されない。アテンディッドロボット１３２は、ユーザ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、集中プロセス展開及びロギング媒体のためにコンダクタ１２０と共に使用されてもよい。アテンディッドロボット１３２は、人間のユーザが様々なタスクを達成するのを助け、ユーザイベントによってトリガされてもよい。幾つかの実施形態において、プロセスは、この種のロボットのコンダクタ１２０から開始されることができず、且つ／又は、ロックされた画面の下で実行できない。特定の実施形態において、アテンディッドロボット１３２は、ロボットトレイから又はコマンドプロンプトから開始できるのみである。幾つかの実施形態において、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、仮想環境で操作不要で実行され、多くのプロセスを自動化できる。アンアテンディッドロボット１３４は、遠隔実行、監視、スケジューリング、及びワークキューのサポートの提供を担当してもよい。幾つかの実施形態において、全てのロボットの種類のデバッグをデザイナ１１０で実行してもよい。アテンディッドロボットとアンアテンディッドロボットの両方が、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）などによって生成されたもの）、及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、デスクトップ及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及びアプリケーションを自動化してもよい。

コンダクタ１２０は、プロビジョニング、デプロイメント、バージョニング、コンフィギュレーション、キューイング、監視、ロギング、及び／又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してもよい。プロビジョニングには、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など）の間の接続の作成及び保守が含まれてもよい。デプロイメントには、実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が含まれてもよい。バージョニングには、幾つかの実施形態において、幾つかのプロセス又はコンフィギュレーションの固有のインスタンスの管理が含まれてもよい。コンフィギュレーションには、ロボット環境及びプロセスコンフィギュレーションの保守及び配信が含まれてもよい。キューイングには、キュー及びキューアイテムの管理の提供が含まれてもよい。監視には、ロボット識別データの追跡及びユーザ権限の維持が含まれてもよい。ロギングには、データベース（例えば、ＳＱＬデータベースなど）及び／又は他のストレージメカニズム（例えば、ＥｌａｓｔｉｃＳｅａｒｃｈ（登録商標）など。これは、大規模なデータセットを記憶してすばやくクエリを実行する機能を提供する）へのログの記憶及びインデックス付けが含まれてもよい。コンダクタ１２０は、サードパーティのソリューション及び／又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機能することで、相互接続性を提供してもよい。

ロボット１３０は、デザイナ１１０に組み込まれたワークフローを実行する実行エージェントである。ロボット１３０の幾つかの実施形態のうち１つの商用的な例は、ＵｉＰａｔｈ Ｒｏｂｏｔｓ（商標）である。幾つかの実施形態において、ロボット１３０は、デフォルトで、Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（登録商標）サービスコントロールマネージャー（ＳＣＭ）が管理するサービスをインストールする。その結果、そのようなロボット１３０が、ローカルシステムアカウント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）サービスの権限を有してもよい。

幾つかの実施形態において、ロボット１３０は、ユーザモードでインストールされてもよい。そのようなロボット１３０の場合、これは、ユーザのもとでロボット１３０がインストールされて、そのユーザと同じ権利をロボット１３０が有することを意味する。この特徴は、高密度（ＨＤ）ロボットで利用可能であってもよく、各マシンの最大限の活用を確実にしてもよい。幾つかの実施形態において、任意の種類のロボット１３０が、ＨＤ環境で構成されてもよい。

幾つかの実施形態におけるロボット１３０は、それぞれが特定の自動化タスク専用である幾つかのコンポーネントに分割される。幾つかの実施形態におけるロボットコンポーネントには、ＳＣＭ管理のロボットサービス、ユーザモードのロボットサービス、エグゼキュータ、エージェント、及びコマンドラインが含まれるが、これらに限定されない。ＳＣＭ管理のロボットサービスは、Ｗｉｎｄｏｗｓ（登録商標）セッションを管理、監視してコンダクタ１２０と実行ホスト（即ち、ロボット１３０が実行されるコンピューティングシステム）の間のプロキシとして機能する。このようなサービスは、ロボット１３０の資格情報で信頼され、これを管理する。コンソールアプリケーションは、ローカルシステムのもとでＳＣＭによって起動される。

幾つかの実施形態におけるユーザ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、監視し、コンダクタ１２０と実行ホストの間のプロキシとして機能する。ユーザモードロボットサービスは、ロボット１３０の資格情報で信頼され、これを管理してもよい。ＳＣＭ管理の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）アプリケーションが自動的に起動されてもよい。

エグゼキュータは、Ｗｉｎｄｏｗｓ（登録商標）セッションのもとで所定のジョブを実行してもよい（即ち、エグゼキュータはワークフローを実行してもよい。エグゼキュータは、モニタ毎のドット／インチ（ＤＰＩ）設定を認識していてもよい。エージェントは、システムトレイウィンドウで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。エージェントはこの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、ジョブの開始又は停止を要求し、設定を変更してもよい。コマンドラインはそのサービスのクライアントであってもよい。コマンドラインは、ジョブの開始を要求可能なコンソールアプリケーションであり、その出力を待つ。

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により、開発者、サポートユーザ、及びコンピューティングシステムが、各コンポーネントの実行内容の実行、識別、及び追跡をより容易に行うことができる。このように、例えばエグゼキュータとサービスに異なるファイアウォールルールを設定するなど、コンポーネント毎に特別な振る舞いが構成されてもよい。幾つかの実施形態において、エグゼキュータは、モニタ毎のＤＰＩ設定を常に認識していてもよい。その結果、ワークフローが作成されたコンピューティングシステムの構成に関わらず、ワークフローが任意のＤＰＩで実行されてもよい。幾つかの実施形態において、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から独立していてもよい。ＤＰＩを認識しない又は意図的に認識しないとマークされているアプリケーションの場合、幾つかの実施形態においてＤＰＩが無効にされてもよい。

図２は、本発明の一実施形態による、デプロイされたＲＰＡシステム２００を示すアーキテクチャ図である。幾つかの実施形態において、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、サーバ側、又はこれらの両方が、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んでもよい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が、エグゼキュータ２１２、エージェント２１４、及びデザイナ２１６を含む。しかし、幾つかの実施形態において、デザイナ２１６はコンピューティングシステム２１０で実行されていなくてもよい。エグゼキュータ２１２はプロセスを実行する。図２に示すように、複数のビジネスプロジェクトが同時に実行されてもよい。このような実施形態において、エージェント２１４（例えば、Ｗｉｎｄｏｗｓ（登録商標）サービスなど）は、全てのエグゼキュータ２１２の単一の接続ポイントである。このような実施形態における全てのメッセージは、さらにデータベースサーバ２４０、インデクササーバ２５０、又はこれらの両方を介して、それらのメッセージを処理するコンダクタ２３０にログインされる。図１に関して上記で説明したように、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。

幾つかの実施形態において、ロボットは、マシン名とユーザ名の間の関連付けを表す。ロボットは同時に複数のエグゼキュータを管理してもよい。同時に実行されている複数の対話型セッションをサポートするコンピューティングシステム（例えば、Ｗｉｎｄｏｗｓ（登録商標）Ｓｅｒｖｅｒ ２０１２など）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名を使用する個別のＷｉｎｄｏｗｓ（登録商標）セッションで実行されてもよい。これを上記のＨＤロボットという。

エージェント２１４はまた、ロボットのステータスを送り（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り）、実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ことも担当する。幾つかの実施形態において、エージェント２１４とコンダクタ２３０の間の通信は、常にエージェント２１４によって開始される。通知シナリオにおいて、エージェント２１４は、コンダクタ２３０によって後で使用されるＷｅｂＳｏｃｋｅｔチャネルを開き、ロボットにコマンド（例えば、開始、停止など）を送ってもよい。

サーバ側では、プレゼンテーション層（ウェブアプリケーション２３２、Ｏｐｅｎ Ｄａｔａ Ｐｒｏｔｏｃｏｌ（ＯＤａｔａ）Ｒｅｐｒｅｓｅｎｔａｔｉｖｅ Ｓｔａｔｅ Ｔｒａｎｓｆｅｒ（ＲＥＳＴ）Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ（ＡＰＩ）エンドポイント２３４、通知監視２３６）、サービス層（ＡＰＩ実装／ビジネスロジック２３８）、及び永続層（データベースサーバ２４０及びインデクササーバ２５０）が含まれる。コンダクタ２３０には、ウェブアプリケーション２３２、ＯＤａｔａ ＲＥＳＴ ＡＰＩエンドポイント２３４、通知監視２３６、及びＡＰＩ実装／ビジネスロジック２３８が含まれる。幾つかの実施形態において、コンダクタ２２０のインタフェースで（例えば、ブラウザ２２０を介して）ユーザが実行する殆どのアクションが、様々なＡＰＩを呼び出すことで実行される。このようなアクションには、本発明の範囲から逸脱することなく、ロボットでのジョブの開始、キュー内のデータの追加／削除、操作不要で実行するジョブのスケジューリングなどが含まれてもよいが、これらに限定されない。ウェブアプリケーション２３２は、サーバプラットフォームのビジュアル層である。このような実施形態において、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）及びＪａｖａＳｃｒｉｐｔ（ＪＳ）を使用する。しかし、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、又は任意の他のフォーマットが使用されてもよい。このような実施形態において、ユーザは、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、ブラウザ２２０を介してウェブアプリケーション２３２からウェブページと対話する。例えば、ユーザは、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、ロボット毎に且つ／又はプロセス毎にログを分析し、ロボットを起動、停止させるなどしてもよい。

ウェブアプリケーション２３２に加えて、コンダクタ２３０には、ＯＤａｔａ ＲＥＳＴ ＡＰＩエンドポイント２３４を公開するサービス層も含まれる。しかし、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の両方によって使用される。このような実施形態において、エージェント２１４は、クライアントコンピュータ上の一又は複数のロボットのスーパーバイザである。

このような実施形態におけるＲＥＳＴ ＡＰＩは、コンフィギュレーション、ロギング、監視、及びキューイングの機能をカバーする。幾つかの実施形態において、コンフィギュレーションエンドポイントが使用されて、アプリケーションユーザ、権限、ロボット、アセット、リリース、及び環境を定義、構成してもよい。ロギングＲＥＳＴエンドポイントが使用されて、例えばエラー、ロボットによって送られた明示的なメッセージ、その他の環境固有の情報など、様々な情報をログに記録してもよい。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、コンダクタ２３０でジョブ開始コマンドが使用される場合に実行する必要があるパッケージバージョンをクエリしてもよい。キューイングＲＥＳＴエンドポイントは、例えばキューへのデータの追加、キューからのトランザクションの取得、トランザクションのステータスの設定など、キュー及びキューアイテムの管理を担当してもよい。

監視ＲＥＳＴエンドポイントは、ウェブアプリケーション２３２及びエージェント２１４を監視してもよい。通知監視ＡＰＩ２３６は、エージェント２１４の登録、エージェント２１４へのコンフィギュレーション設定の配信、並びにサーバ及びエージェント２１４からの通知の送受信に使用されるＲＥＳＴエンドポイントであってもよい。幾つかの実施形態において、通知監視ＡＰＩ２３６はまた、ＷｅｂＳｏｃｋｅｔ通信を使用してもよい。

永続層は、この実施形態では１対のサーバ、つまり、データベースサーバ２４０（例えば、ＳＱＬサーバなど）及びインデクササーバ２５０を含む。この実施形態のデータベースサーバ２４０は、ロボット、ロボットグループ、関連プロセス、ユーザ、ロール、スケジュールなどのコンフィギュレーションを記憶する。このような情報は、幾つかの実施形態において、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２４０は、キュー及びキューアイテムを管理してもよい。幾つかの実施形態において、データベースサーバ２４０は、（インデクササーバ２５０に加えて又はその代わりに）ロボットによってログに記録されたメッセージを記憶してもよい。

幾つかの実施形態において任意であるインデクササーバ２５０は、ロボットによってログに記録された情報を記憶し、インデックスを付ける。特定の実施形態において、インデクササーバ２５０は、コンフィギュレーション設定を通じて無効にされてもよい。幾つかの実施形態において、インデクササーバ２５０は、オープンソースプロジェクトの全文検索エンジンであるＥｌａｓｔｉｃＳｅａｒｃｈ（登録商標）を使用する。ロボットによって（例えば、ログメッセージ、行書き込みなどのアクティビティを使用して）ログに記録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２５０に送られてもよく、そこで将来の利用のためにインデックスが付けられてもよい。

図３は、本発明の一実施形態による、デザイナ３１０とアクティビティ３２０、３３０とドライバ３４０との間の関係３００を示すアーキテクチャ図である。上記のとおり、開発者は、デザイナ３１０を使用して、ロボットによって実行されるワークフローを開発する。ワークフローは、ユーザ定義のアクティビティ３２０とＵＩ自動化アクティビティ３３０を含んでもよい。幾つかの実施形態は、本明細書においてコンピュータビジョン（ＣＶ）という、画像における非テキストのビジュアル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連する一部のＣＶアクティビティには、クリック（ｃｌｉｃｋ）、タイプ（ｔｙｐｅ）、テキストを取得（ｇｅｔ ｔｅｘｔ）、ホバー（ｈｏｖｅｒ）、要素の有無を検出（ｅｌｅｍｅｎｔ ｅｘｉｓｔｓ）、スコープの更新（ｒｅｆｒｅｓｈ ｓｃｏｐｅ）、ハイライト（ｈｉｇｈｌｉｇｈｔ）などが含まれてもよいが、これらに限定されない。幾つかの実施形態において、クリック（ｃｌｉｃｋ）は、例えば、ＣＶ、光学式文字認識（ＯＣＲ）、ファジーテキストマッチング、及び複数のアンカーを使用する要素を識別し、クリックする。タイプ（ｔｙｐｅ）は、上記を使用して要素を識別してもよく、要素内でタイプする。テキストを取得（ｇｅｔ ｔｅｘｔ）は、特定のテキストの位置を識別し、ＯＣＲを使用してスキャンしてもよい。ホバー（ｈｏｖｅｒ）は、要素を識別し、その上にホバーしてもよい。要素の有無を検出（ｅｌｅｍｅｎｔ ｅｘｉｓｔｓ）は、上記の技術を使用して、要素が画面上に存在するか否かを確認してもよい。幾つかの実施形態において、デザイナ３１０で実装可能な数百又は数千ものアクティビティがあってもよい。しかし、本発明の範囲から逸脱することなく、任意の数及び／又は種類のアクティビティが利用可能であってもよい。

ＵＩ自動化アクティビティ３３０は、低レベルのコードで書かれた特別な低レベルのアクティビティ（例えば、ＣＶアクティビティなど）のサブセットであり、画面との対話を容易にする。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対話することを可能にするドライバ３４０を介して、このような対話を容易にする。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などを含んでもよい。

ドライバ３４０は、低レベルでＯＳと対話して、フックを探したりキーを監視したりするなどしてもよい。ドライバ３４０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してもよい。例えば、「クリック」アクティビティは、ドライバ３４０を介してそのような異なるアプリケーションで同じ役割を果たす。

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。幾つかの実施形態において、ＲＰＡシステム４００は、図１及び／又は図２のＲＰＡシステム１００及び／又は２００であってもよいし、それを含んでもよい。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、そこ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と通信可能である。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４３０及び任意のインデクササーバ４４０と通信可能である。

図１及び図３に関して、これらの実施形態において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／サーバソフトウェアが使用されてもよい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側アプリケーションを実行してもよい。

図５は、本発明の一実施形態による、実行時にＡＩ／ＭＬモデルを動的に更新する、又は再訓練して更新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。幾つかの実施形態において、コンピューティングシステム５００は、本出願において図示及び／又は説明される一又は複数のコンピューティングシステムであってもよい。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又は他の通信メカニズムと、情報を処理するためにバス５０５に接続されたプロセッサ５１０とを含む。プロセッサ５１０は、中央処理装置（ＣＰＵ）、特定用途向け集積回路（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）、それらの複数の例、及び／又はそれらのうちの任意の組み合わせを含む、任意の種類の汎用又は特定用途の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、コアの少なくとも一部が、特定の機能を実行するように構成されてもよい。幾つかの実施形態において、複数並列処理を使用されてもよい。特定の実施形態において、少なくとも１つのプロセッサ５１０が、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。幾つかの実施形態において、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くてもよい。

コンピューティングシステム５００は、プロセッサ５１０によって実行される情報及び命令を記憶するためのメモリ５１５をさらに含む。メモリ５１５は、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、フラッシュメモリ、キャッシュ、例えば磁気若しくは光ディスクなどの静的記憶装置、又は任意の他の種類の非一時的なコンピュータ読み取り可能な媒体、又はこれらのうちの組み合わせのうちの任意の組み合わせから構成されてもよい。非一時的なコンピュータ読み取り可能な媒体は、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、又はその両方を含んでもよい。媒体は、取り外し可能、取り外し不可能、又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、無線及び／又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に、例えばトランシーバなどの通信デバイス５２０を含む。幾つかの実施形態において、通信デバイス５２０は、本発明の範囲から逸脱することなく、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）、Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ（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、Ｈｏｍｅ Ｎｏｄｅ－Ｂ（ＨｎＢ）、Ｂｌｕｅｔｏｏｔｈ、Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ（ＲＦＩＤ）、Ｉｎｆｒａｒｅｄ Ｄａｔａ Ａｓｓｏｃｉａｔｉｏｎ（ＩｒＤＡ）、Ｎｅａｒ－Ｆｉｅｌｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ（ＮＦＣ）、第５世代（５Ｇ）、Ｎｅｗ Ｒａｄｉｏ（ＮＲ）、これらのうちの任意の組み合わせ、及び／又は任意の他の現在存在する又は将来実施される通信規格及び／又はプロトコルを使用するように構成されてもよい。幾つかの実施形態において、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、フェーズド、スイッチド、ビームフォーミング、ビームステアリング、これらのうちの組み合わせ、及び／又は任意の他のアンテナ構成である一又は複数のアンテナを含んでもよい。

プロセッサ５１０は、バス５０５を介して、例えば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、又はユーザ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にさらに接続される。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てもよい。任意の適切な表示デバイス及び触覚Ｉ／Ｏが、本発明の範囲から逸脱することなく、使用されてもよい。

キーボード５３０と、例えばコンピュータマウス、タッチパッドなどのようなカーソル制御デバイス５３５とが、さらにバス５０５に接続されて、ユーザがコンピューティングシステム５００とインタフェースをとることを可能にする。しかし、特定の実施形態において、物理的なキーボード及びマウスが存在しなくてもよく、ユーザは、ディスプレイ５２５及び／又はタッチパッド（図示略）を介してのみデバイスとインタフェースをとってもよい。入力デバイスの任意の種類及び組み合わせが、設計上の選択事項として使用されてもよい。特定の実施形態において、物理的な入力デバイス及び／又はディスプレイが存在しない。例えば、ユーザは、コンピューティングシステム５００と通信する別のコンピューティングシステムを介してリモートでコンピューティングシステム５００と対話してもよく、或いは、コンピューティングシステム５００は自律的に動作してもよい。

メモリ５１５は、プロセッサ５１０によって実行されると機能を提供するソフトウェアモジュールを記憶する。該モジュールは、コンピューティングシステム５００用のオペレーティングシステム５４０を含む。モジュールは、本明細書に記載されているプロセス又はその派生のプロセスの全て又は一部を実行するように構成されるＡＩ／ＭＬモデル再訓練／更新モジュール５４５をさらに含む。コンピューティングシステム５００は、追加の機能を含む一又は複数の追加の機能モジュール５５０を含んでもよい。

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、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、任意の他の適切なコンピューティングデバイス、又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示すことは、決して本発明の範囲を限定することを意図するものではなく、本発明の多くの実施形態の一例を示すことを意図する。実際、本明細書において開示される方法、システム、及び装置は、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整合するローカライズされ分散された形式で実装されてもよい。

本明細書に記載されているシステム機能の一部は、実装の独立性をより強調するため、モジュールとして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）回路又はゲートアレイを含むハードウェア回路、ロジックチップ、トランジスタ、又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として実装されてもよい。モジュールは、例えば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おいて実装されてもよい。

モジュールは、様々な種類のプロセッサによる実行のため、ソフトウェアで少なくとも部分的に実装されてもよい。例えば、実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、手順、又は機能として構成され得るコンピュータ命令の一又は複数の物理ブロック又は論理ブロックを含んでもよい。これにも関わらず、識別されたモジュールの実行可能ファイルは物理的に一緒に配置される必要はないが、論理的に結合されるとモジュールを含んでモジュールの上記目的を達成するような様々な場所に記憶された異種の命令を含んでもよい。さらに、モジュールは、本発明の範囲から逸脱することなく、コンピュータ読み取り可能な媒体に記憶されてもよく、コンピュータ読み取り可能な媒体は、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、及び／又はデータを記憶するために使用される他のそのような非一時的なコンピュータ読み取り可能な媒体であってもよい。

実際、実行可能コードのモジュールは、単一の命令であっても多数の命令であってもよく、異なるプログラム間で複数の異なるコードセグメントにわたり、複数のメモリデバイスにわたって分散されてもよい。同様に、動作データが、識別されて、本明細書においてモジュール内に示されてもよく、任意の適切な形式で具体化され、任意の適切な種類のデータ構造内で構成されてもよい。動作データは、単一のデータセットとしてまとめられてもよく、或いは、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、単にシステム又はネットワーク上の電子信号として存在してもよい。

ＲＰＡのコンテキストでは、ＡＩ／ＭＬモデルは、例えば、ドラッグアンドドロップ機能を使用してＲＰＡワークフローに統合され得るアクティビティの一部として利用可能であってもよい。アクティビティは、所望の種類の一又は複数の入力引数を含んでもよく、所望の種類の一又は複数の出力を返してもよい。ＡＩ／ＭＬモデルは、アクティビティに直接組み込まれてもよく、或いは、外部ソースからロード／実行又は呼び出し／実行されてもよい。例えば、ＡＩ／ＭＬモデルは、永久メモリ内のローカルファイル又はリモートファイル、サービス、ローカルデータベース又はリモートデータベース、ストリーム、非永久メモリ（例えば、ＲＡＭ、プロセッサキャッシュなど）などから、ロード／実行又は呼び出し／実行されてもよい。例えば、ＡＩ／ＭＬモデルがＭＬ．ＮＥＴで訓練された場合、ＡＩ／ＭＬモデルは実行時に外部．ｚｉｐファイルからロードされて、初期化／インスタンス化されてもよい。

ＡＩ／ＭＬモデルがローカルコンピューティングシステムに記憶されていない実装では、ＡＩ／ＭＬモデルは、（幾つかの実施形態においてそれ自体がサーバであってもよい）コンピューティングシステム、異なるサイトのリモートサーバ（例えば、サーバファームなど）、クラウドストレージソリューションなどによってアクセス可能なオンサイトサーバに記憶され、提供又は実行されてもよい。ＡＩ／ＭＬモデルは、本発明の範囲から逸脱することなく、ファイル、データベース（例えば、ＳＱＬを介して）、サービス、ユニバーサルリソースロケータ（ＵＲＬ）、ファイル転送プロトコル（ＦＴＰ）、ストリームから、又は任意の他の適切なメカニズムを介して実行されてもよい。実際、本発明の範囲から逸脱することなく、ＡＩ／ＭＬモデルがローカルコンピューティングシステムによってロード／実行又は呼び出し／実行され得る任意のアーキテクチャ／コンフィギュレーション。これは、ＲＰＡでない実施形態の場合にも当てはまってもよい。

ＲＰＡ実装

非限定的な例として、顧客から受け取ったコメントの感情を監視するサービスとして実行されているＲＰＡワークフロー（ワークフローはＦＳＭとして実装されている）を考えてみる。このワークフローは、顧客のコメントを含む新しいファイルのフォルダを監視し、コメントの感情が肯定的か否定的かを示す。図６は、本発明の一実施形態による、実行時にＡＩ／ＭＬモデルを動的に更新する、又は再訓練して更新するように構成されたＦＳＭ６００のフロー図のスクリーンショットである。ＦＳＭ６００はＵｉＰａｔｈ Ｓｔｕｄｉｏ（商標）に表示される。

初期状態６１０は、外部ファイルからＡＩ／ＭＬモデルをロードし、メモリにおいて、関連するＡＩ／ＭＬアクティビティがＡＩ／ＭＬモデルを呼び出すときにＦＳＭがアクセス可能な変数に、ＡＩ／ＭＬモデルを保持する。初期状態６１０のシーケンス及びリスニング状態６２０への遷移のさらなる詳細が、図７Ａ及び図７Ｂに示されている。７１０で、初期状態６１０の状態が「ｉｎｉｔ」に割り当てられる。この実施形態における初期化状態６１０は、ＡＩ／ＭＬモデル、変数、及びデータがロード／初期化／インスタンス化されるＦＳＭ６００のロジックにおける領域である。次に、７２０で、テキストが出力され、ＡＩ／ＭＬモデルがロードされていることをユーザに知らせる。７３０で、変数ＡＩ＿Ｍｏｄｅｌ＿ＩｎＭｅｍｏが新しいメモリストリームとして作成される。この変数は、ＦＳＭ６００による使用のためにＡＩ／ＭＬモデルをＲＡＭに記憶するであろう。しかし、上記のとおり、ＡＩ／ＭＬモデルは、本発明の範囲から逸脱することなく、任意の記憶場所からロード及び／又は呼び出しされてもよい。

次に、７４０で、メソッドが呼び出され、ローカルディスクからＡＩ／ＭＬモデルをロードして、ＲＡＭにコピーする。図７Ｂの関連するプロパティ７４２も参照されたい。７５０で、ｆｉｌｅＳｔｒｅａｍがＡＩ／ＭＬモデルに割り当てられ、７６０で、ｆｉｌｅＳｔｒｅａｍはコピー動作を実行する。図７Ｂの関連するプロパティ７５２も参照されたい。初期化状態６１０の変数７９０を図７Ｂに示す。

ｆｉｌｅＳｔｒｅａｍ変数は、データストアからロードされたＡＩ／ＭＬモデルを表すデータを保持する。ローカルディスクの場合、アクティビティがインスタンス化されたときに、この変数からアクティビティはＡＩ／ＭＬモデルをロードする（アクティビティオブジェクトのインスタンス化／作成では、コードの初期化セクションで、ＡＩ／ＭＬモデルが外部変数からロードされ、入力の処理に実際に使用される内部変数（この場合はテキストパラメータ）に割り当てられる）。

ＡＩ／ＭＬモデルがＲＡＭにコピーされた後、７７０で、ｆｉｌｅＳｔｒｅａｍは破棄され、７８０で、ＦＳＭ６００に「ｌｉｓｔｅｎ」状態が割り当てられる。これは、幾つかの実施形態においてトリガ（例えば、ＨＴＴＰエンドポイントなど）に基づくインスタンス化を含んでもよい。これにより、ｉｎｉｔ ｒｅａｄｙ遷移６２２を介してＦＳＭ６００がリスニング状態６２０に移行する。

リスニング状態６２０では、ＦＲＭ６００は要求をリッスンする（例えば、電子メールから、サービスから、チャットボットから、フォルダ内のファイルの存在を定期的にチェックするなど）。図６の例では、リスニング状態６２０は、フォルダに記憶された情報技術（ＩＴ）サービスチケットテキストファイルを処理する要求をリッスンする。図８のＩＴＳｅｒｖｉｃｅＤｅｓｋ Ｔｉｃｋｅｔ８００を参照されたい。図８におけるテキストは、ＡＩ／ＭＬモデルが感情について分析する、ＩＴサービスデスクによって実行されたサービスに対する顧客からのフィードバックである。

新しい処理要求６３２が受け付けられると、６３０で、ＦＳＭ６００は項目処理状態に移行する。項目処理状態６３０のシーケンス９１０を図９に示す。シーケンス９１０は、ロボットが現在項目を処理していることをユーザに知らせる行書き込みアクティビティ９１２を含む。「ｆｏｒ ｅａｃｈ」アクティビティ９２０により、ロボットは、ロボットがデータを反復処理して各情報を個別に処理できるように、配列、リスト、データテーブル、又は他の種類のコレクションをステップ実行する。この例では、「ｆｏｒ ｅａｃｈ」アクティビティ９２０の条件９２２は、選択されたフォルダ内の各ファイルに対するものである。

「ｆｏｒ ｅａｃｈ」アクティビティ９２０のボディ９３０は、他のネストされたアクティビティを含む。テキストファイル読み込みアクティビティ９３２は、「ｆｏｒ ｅａｃｈ」アクティビティ９２０がフォルダ内で反復処理している現在のファイルのテキストを読み込む。このテキストは、感情分析ＡＩ／ＭＬモデルアクティビティ９３４への入力として含まれる。行書き込みアクティビティ９３６は、ユーザが見ることができるように感情分析ＡＩ／ＭＬモデルアクティビティ９３４からの出力を書き込み、ファイル移動アクティビティ９３８は、「ｆｏｒ ｅａｃｈ」アクティビティ９２０が分析を完了した現在のファイルを異なるフォルダ内に移動する。

感情分析ＡＩ／ＭＬモデルアクティビティ９３４によって呼び出されるＡＩ／ＭＬモデルのプロパティ１０００を図１０００に示す。より詳細には、表示名１０１０、ＡＩ／ＭＬモデルがソースファイル１０２０からのものかストリーム１０３０からのものか、分析されるコンテンツがテキストであることを示す設定１０４０、及び出力される結果１０５０が設けられている。プロパティ１０００は、実装の要求に応じてユーザによってカスタマイズ又は変更されてもよい。

６３４で、項目処理状態６３０が完了すると、ＦＳＭ６００はリスニング状態６２０に戻る。ＦＳＭ６００は、再訓練要求６４２又は新しいＡＩ／ＭＬモデル通知６５２が受け付けられるまで、リスニング状態６２０及び項目処理状態６３０で要求の処理を続ける。再訓練要求６４２が受け付けられると（例えば、ユーザ又はソフトウェアアプリケーションによって再訓練が要求されたとき、再訓練用の新しいデータセットが受け付けられたとき、再訓練用の特定の量のデータが受け付けられた後、最初の訓練又は最後の再訓練から一定の時間が経過した後など）、ＦＳＭ６００は、再訓練初期状態６４０に入ることで、ＡＩ／ＭＬモデルを再訓練する。これは、ＦＳＭ６００を実行するコンピューティングシステムでローカルに実行されてもよいし、ＦＳＭ６００を実行するコンピューティングシステムの外部の他のコンピューティングシステムによって実行されてもよいし、又はこれらの組み合わせであってもよい。例えば、ＦＳＭ６００を実行しているコンピューティングシステムがパーソナルコンピュータで、ＡＩ／ＭＬモデルが複雑である場合、ＡＩ／ＭＬモデルの訓練用に最適化された強力なサーバでＡＩ／ＭＬモデルを再訓練すること（例えば、複数のＣＰＵ及びＧＰＵを使用する、サーバが処理タスクを分割するような複数のサーバを使用して分散訓練を実行するなど）は有益である可能性がある。例えば、図１４のシステム１４００を参照されたい。

この例では、ＡＩ／ＭＬモデルの再訓練がローカルで行われ、再訓練中の進行状況をユーザに示すウィンドウが表示されてもよい。例えば、再訓練が９５％の信頼区間で完了している、図１１の再訓練ウィンドウ１１００を参照されたい。ＦＳＭ６００の動作に関するステータスメッセージも表示されてもよい。図１１のステータスメッセージ１１１０を参照されたい。次に、ＦＳＭ６００は、作業６４４を再開し、リスニング状態６２０に戻る。これにより、ＦＳＭ６００は、ＡＩ／ＭＬモデルが再訓練されている間、要求の処理を続けることができる。

新しいＡＩ／ＭＬモデル又は現在のＡＩ／ＭＬモデルの再訓練されたバージョンが利用可能であるという通知６５２が受け付けられると、ＦＳＭ６００は更新状態６５０に入る。図１２にＡＩ／ＭＬモデル更新中のＦＳＭ実行ステータス１２００を示す。更新状態６５０において、ＡＩ／ＭＬモデルファイルが、新しいＡＩ／ＭＬモデルファイルに変更される。これにより、基本的に、本番環境のＡＩ／ＭＬモデルを更新されたＡＩ／ＭＬモデルに置き換える。次に、ＦＳＭ６００は遷移６５４に入り、新しいＡＩ／ＭＬモデルで再初期化し、ＦＳＭ６００は初期状態６１０に戻り、そこで新しいＡＩ／ＭＬモデルが初期化される。

図１３は、本発明の一実施形態による、ＡＩ／ＭＬモデルを更新するためのシーケンス１３００を示すスクリーンショットである。行書き込みアクティビティ１３１０は、ＡＩ／ＭＬモデルが更新されていることをユーザに知らせる。再訓練確認アクティビティ１３２０は、ＡＩ／ＭＬモデルの再訓練が現在行われているか否かを確認する。再訓練が行われている場合、シーケンス１３００は、再訓練が完了するまでＡＩ／ＭＬモデルの更新を遅らせる。ファイル移動アクティビティ１３３０は、新しいＡＩ／ＭＬモデルをそれが記憶される場所に移動させ、状態割り当てアクティビティ１３４０は、ＦＳＭ６００の状態を初期状態６１０に割り当てる。これで、ＦＳＭ６００は、更新及び／又は再訓練されたＡＩ／ＭＬモデルで初期化されることができる。

ＡＩ／ＭＬモデル更新又は再訓練及び更新アーキテクチャ

上記のとおり、幾つかの実施形態において、ＡＩ／ＭＬモデルの再訓練は、デジタルプロセスを実行するコンピューティングシステムから遠隔で行われてもよい。図１４は、本発明の一実施形態による、ＡＩ／ＭＬモデルを再訓練するように構成されたシステム１４００を示すアーキテクチャ図である。システム１４００は、例えばデスクトップコンピュータ１４０２、タブレット１４０４、スマートフォン１４０６などのユーザコンピューティングシステムを含む。しかし、本発明の範囲から逸脱することなく、スマートウォッチ、ラップトップコンピュータ、モノのインターネット（ＩｏＴ）デバイス、車両コンピューティングシステムなどを含むがこれらに限定されない、任意の所望のコンピューティングシステムが使用されてもよい。

各コンピューティングシステム１４０２、１４０４、１４０６はそこで実行されるデジタルプロセス１４１０を有し、デジタルプロセス１４１０はＡＩ／ＭＬモデルを呼び出し且つ／又は実行する。デジタルプロセス１４１０は、発明の範囲から逸脱することなく、ＲＰＡデザイナアプリケーションを介して生成されたロボットであってもよいし、オペレーティングシステムの一部であってもよいし、パーソナルコンピュータ（ＰＣ）又はスマートフォン用のダウンロード可能なアプリケーションであってもよいし、或いは任意の他のソフトウェア及び／又はハードウェアであってもよい。実際、幾つかの実施形態において、一又は複数のデジタルプロセス１４１０のロジックが、物理的なハードウェアを介して部分的又は完全に実装される。

デジタルプロセス１４１０は、ネットワーク１４２０（例えば、ローカルエリアネットワーク（ＬＡＮ）、モバイル通信ネットワーク、衛星通信ネットワーク、インターネット、これらのうちの任意の組み合わせなど）を介してサーバ１４３０に、ＡＩ／ＭＬモデル更新要求、又は再訓練及び更新要求を送る。幾つかの実施形態において、サーバ１４３０は、コンダクタアプリケーションを実行してもよく、データは、ハートビートメッセージの一部として定期的に送られてもよい。特定の実施形態において、所定の量の再訓練データが収集された後、所定の時間が経過した後、又はその両方で、要求がサーバ１４３０に送られてもよい。サーバ１４３０は、様々なバージョンのＡＩ／ＭＬモデルをデータベース１４４０に記憶する。

人間のユーザ（例えば、ＲＰＡエンジニア、データサイエンティストなど）から指示されたとき、所定の量の再訓練データが収集されたとき、最後の再訓練から所定の時間が経過したとき、再訓練要求が受け付けられたときなどに、サーバ１４３０は、複数のＡＩ層１４３２を介して再訓練データを実行する。ＡＩ層１４３２は、データを処理し、ＡＩ／ＭＬモデルの再訓練されたバージョンを生成する。ＡＩ層１４３２は、統計的モデリング（例えば、隠れマルコフモデル（ＨＭＭ）など）を実行し、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）を利用してもよい。

特定の実施形態において、データサイエンティストが、ＡＩ／ＭＬモデルの再訓練を開始及び／又は監視してもよい。例えば、データサイエンティストは、再訓練データセットに追加データを補足したり、再訓練されたＡＩ／ＭＬモデルが所望の信頼区間を達成できない場合に、異なる又は補足された訓練データを使用してＡＩ／ＭＬモデルを再訓練したりしてもよい。データサイエンティストは、ＡＩ／ＭＬモデルが準備され承認されたときに更新通知を生成し、それをユーザコンピューティングシステム１４０２、１４０４、１４０６に送ってもよい。或いは、サーバ１４３０が該通知を生成してもよい

幾つかの実施形態において、複数のＡＩ層１４３２が使用されてもよい。各ＡＩ層１４３２は、再訓練データで実行されるアルゴリズム（又はモデル）であり、ＡＩ／ＭＬモデル自体は、訓練データで訓練された訓練済み人工「ニューロン」の深層学習ニューラルネットワーク（ＤＬＮＮ）であってよい。層は順番に又は並列に実行されてもよい。

ＡＩ層１４３２は、シーケンス抽出層、クラスタリング検出層、ビジュアルコンポーネント検出層、テキスト認識層（例えば、ＯＣＲなど）、音声からテキストへの変換層、一又は複数の種類の層の複数のインスタンス、又はこれらのうちの任意の組み合わせを含んでもよいが、これらに限定されない。本発明の範囲から逸脱することなく、任意の所望の数及び種類の層が使用されてもよい。複数の層を使用することにより、システムが画面又はプロセスで何が起こっているかを全体的に把握することが可能であってもよい。例えば、あるＡＩ層がＯＣＲを実行し、別のＡＩ層がボタンを検出するなどしてもよい。パターンは、ＡＩ層によって個別に、又は複数のＡＩ層によってまとめて決定されてもよい。

ＡＩ／ＭＬモデル更新又は再訓練及び更新プロセス

図１５は、本発明の一実施形態による、実行時のＡＩ／ＭＬモデルの動的再訓練及び更新のためのデジタルプロセス１５００を示すアーキテクチャ図である。図示する実施形態において、デジタルプロセス１５００はＦＳＭである。しかし、本明細書における概念は、本発明の範囲から逸脱することなく、任意の適切なデジタルプロセスで具現化されてもよい。デジタルプロセス１５００は、初期／インスタンス化状態１５１０で始まり、ＡＩ／ＭＬモデルを該プロセスによって呼び出し可能にする。開始／インスタンス化状態１５１０は、ＡＩ／ＭＬモデルのインスタンス化／初期化コンポーネント１５１２、及びコンポーネント１５１４のデジタルプロセス１５００の他のプロパティ及びコンポーネントのインスタンス化又は初期化を含む。

初期化が完了すると、デジタルプロセス１５００は作業／処理状態１５２０に移行する。作業／処理状態１５２０では、デジタルプロセス１５００は作業要求１５３０及びＡＩ／ＭＬモデルの再訓練又は更新要求１５４０をリッスンし、作業／要求処理コンポーネント１５２２を介して要求処理を実行する。作業要求１５３０及びＡＩ／ＭＬモデル再訓練又は更新要求１５４０は、内部（即ち、デジタルプロセス１５００を実行するコンピューティングシステムから）にあっても又は外部（即ち、別のコンピューティングシステムから）にあってもよい。

作業要求１５３０が受け取られると、ＡＩ／ＭＬモデルの情報がＡＩ／ＭＬモデルコンポーネント１５２４への入力として提供される。ＡＩ／ＭＬモデルコンポーネント１５２４は、入力情報を処理し、出力を作業／要求処理コンポーネント１５２２に提供する。次に、作業／要求処理コンポーネント１５２２は、ＡＩ／ＭＬモデルコンポーネント１５２４の実行の結果に関連する情報と共に、作業要求１５３０に関連するリクエスタ（例えば、別のソフトウェアアプリケーションなど）への応答を提供する。

作業／要求処理コンポーネント１５２２がＡＩ／ＭＬモデル再訓練要求１５４０を受け取ると、これはＡＩ／ＭＬモデル更新状態１５５０のＡＩ／ＭＬモデル再訓練コンポーネント１５５２に送られる。ＡＩ／ＭＬモデルを再訓練するための新しいデータ１６６２が、ＡＩ／ＭＬモデルストア１５６０（例えば、データベースなど）から読み込まれ、再訓練された（新しい）ＡＩ／ＭＬモデル１５６４が、ＡＩ／ＭＬモデルストア１５６０に書き込まれる。次に、リロード／再初期化／再インスタンス化コンポーネント１５５４が、再訓練された（新しい）ＡＩ／ＭＬモデル１５６４を伴うデジタルプロセス１５００をリロード／再初期化／再インスタンス化し、その後、デジタルプロセス１５００は、作業／処理状態１５２０に戻り、再訓練された（新しい）ＡＩ／ＭＬモデル１５６４を使用する。

図１６は、本発明の一実施形態による、実行時のＡＩ／ＭＬモデル動的更新のためのデジタルプロセス１６００を示すアーキテクチャ図である。図示する実施形態において、デジタルプロセス１６００はＦＳＭである。しかし、本明細書における概念は、本発明の範囲から逸脱することなく、任意の適切なデジタルプロセスで具現化されてもよい。

デジタルプロセス１５００と同様に、デジタルプロセス１６００は、初期化／インスタンス化１６１０、作業／処理状態１５２０、及び作業要求１６３０を含む。初期化／インスタンス化１６１０は、一又は複数のＡＩ／ＭＬモデルのインスタンス化又は初期化のためのコンポーネント１６１２、及びデジタルプロセス１６００の他のプロパティ及びコンポーネントのインスタンス化又は初期化のためのコンポーネント１６１４を含む。作業／処理状態１５２０は、作業／要求処理コンポーネント１６２２及びＡＩ／ＭＬモデルコンポーネント１５２４を含む。しかし、この実施形態では、デジタルプロセス１６００は、ＡＩ／ＭＬモデルの再訓練に関与しない。したがって、デジタルプロセス１６００は、ＡＩ／ＭＬモデル更新要求１６４０を受け取る。

ＡＩ／ＭＬモデル更新要求１６４０が作業／要求処理コンポーネント１６２２によって受け取られると、ＡＩ／ＭＬモデル更新要求１６４０は、ＡＩ／ＭＬモデル更新状態１６５０のリロード／再初期化／再インスタンス化コンポーネント１６５２に送られる。次に、ＡＩ／ＭＬモデルストア１６６０からの新しい（又は別で再訓練された）ＡＩ／ＭＬモデル１６６２を伴うデジタルプロセス１５００をリロード／再初期化／再インスタンス化する。その後、デジタルプロセス１６００は、作業／処理状態１６２０に戻り、新しいＡＩ／ＭＬモデル１６６２を使用する。

図１７は、本発明の一実施形態による、実行中のデジタルプロセスにおけるＡＩ／ＭＬモデルの動的更新、又は動的再訓練及び更新のためのプロセス１７００を示すフローチャートである。該プロセスは、１７１０で、ＡＩ／ＭＬモデルの実行要求、再訓練要求、又は更新要求の要求をリッスンすることから始まる。１７２０で再訓練要求が受け付けられた場合、又は１７３０で別の再訓練条件が満たされた場合、１７４０でＡＩ／ＭＬモデルの再訓練が開始される。プロセス１７００を実装するデジタルプロセスが、再訓練が行われている間、ＡＩ／ＭＬモデルの現在のバージョンで実行を継続してもよい。

幾つかの実施形態において、デジタルプロセスは、ＲＰＡワークフロー、ＢＰＭフローチャート、シーケンシャルフロー、又はＦＳＭである。特定の実施形態において、ＦＳＭは、ＲＰＡワークフローの一部であってもよい。特定の実施形態において、ＡＩ／ＭＬモデルは、ＲＰＡワークフローのアクティビティによって呼び出される。幾つかの実施形態において、ＡＩ／ＭＬモデルは、ＲＰＡワークフローのアクティビティに直接組み込まれる。

他の再訓練条件が、ＡＩ／ＭＬモデルの自動再訓練のメカニズムを提供してもよい。このような条件は、受け取られている所定の量の訓練データ、最後の再訓練から経過している所定の時間、これらの組み合わせなどを含んでもよい。本発明の範囲から逸脱することなく、自動再訓練のための任意の再訓練条件が使用されてもよい。

１７５０で更新要求が受け付けられると、１７６０でＡＩ／ＭＬモデルが更新され、デジタルプロセスが再初期化又は再インスタンス化される。幾つかの実施形態において、これは、再訓練されたＡＩ／ＭＬモデルのパフォーマンスを、パフォーマンス閾値、以前のバージョンのＡＩ／ＭＬモデルのパフォーマンス、又はこれら両方と比較することと、新しいバージョンがパフォーマンス基準を満たしている場合にＡＩ／ＭＬモデルをただ更新することとを含んでもよい。特定の実施形態において、これらの基準が満たされない場合、更新要求は送られない。

１７７０でＡＩ／ＭＬモデルの実行要求が受け付けられた場合、１７８０でＡＩ／ＭＬモデルが実行される。ステップ１７２０、１７３０、１７５０、１７７０のいずれも満たされない場合、１７１０で、プロセスはＡＩ／ＭＬモデルの再訓練要求又は更新要求のリスニングに戻る。プロセス１７００を実装するデジタルプロセスが停止されるまで、プロセス１７００が実行を継続してもよい。

図１５～図１７で実行されるプロセスステップは、本発明の一実施形態に従って、コンピュータプログラムによって実行されて、図１５～図１７に記載されているプロセスの少なくとも一部をプロセッサが実行するための命令を符号化してもよい。コンピュータプログラムは、非一時的なコンピュータ読み取り可能な媒体で具現化されてもよい。コンピュータ読み取り可能な媒体は、ハードディスクドライブ、フラッシュデバイス、ＲＡＭ、テープ、及び／又はデータを記憶するために使用される他のそのような媒体又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、図１５～図１７に記載されたプロセスステップの全て又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など）を制御するための符号化された命令を含んでもよく、これも、コンピュータ読み取り可能な媒体に記憶されてもよい。

コンピュータプログラムは、ハードウェア、ソフトウェア、又はハイブリッド実装で実装されてもよい。コンピュータプログラムは、互いに動作可能に通信し、表示する情報又は命令を渡すように設計されたモジュールで構成されてもよい。コンピュータプログラムは、汎用コンピュータ、ＡＳＩＣ、又は任意の他の適切なデバイスで動作するように構成されてもよい。

本発明の様々な実施形態の構成要素は、本願の図面で一般的に記載され示されているように、多種多様な異なる構成で配置、設計されてもよいことは容易に理解されるであろう。したがって、添付の図面に表されている本発明の実施形態の詳細な説明は、クレームされている本発明の範囲を限定することを意図しておらず、単に本発明の選択された実施形態を表すものである。

本明細書全体を通して説明される本発明の特徴、構造、又は特性は、一又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られてもよい。例えば、本明細書全体を通して「特定の実施形態」、「幾つかの実施形態」、又は類似の文言への言及は、実施形態に関連して説明される特定の特徴、構造、又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「特定の実施形態において」、「幾つかの実施形態において」、「他の実施形態において」という語句、又は同様の文言の出現は、必ずしも全て同じ実施形態のグループを指すとは限らず、説明された特徴、構造、又は特性は、一又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られてもよい。

本明細書全体を通して特徴、利点、又は同様の文言への言及は、本発明で実現され得る特徴及び利点の全てが本発明の任意の単一の実施形態であるか或いはそれに含まれることを意味しないことに留意されたい。むしろ、特徴及び利点に言及する文言は、実施形態に関連して説明される特定の特徴、利点、又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、本明細書全体を通して特徴、利点、及び類似の文言の説明は、必ずしもそうではないが、同じ実施形態を指してもよい。

さらに、本発明の説明された特徴、利点、及び特性は、一又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られてもよい。当業者は、特定の実施形態の特定の特徴又は利点のうちの一又は複数がなくても本発明を実施できることを認識するであろう。他の例において、本発明の全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、追加の特徴及び利点が認識されてもよい。

当業者は、上記の本発明が異なる順序のステップで、及び／又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で実施されてもよいことを容易に理解するであろう。したがって、本発明をこのような好ましい実施形態に基づいて説明してきたが、本発明の主旨及び範囲内にありながら、特定の修正、変形、及び代替構造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、本発明の境界及び範囲を決定するために、添付の特許請求の範囲を参照されたい。

Claims (19)

1. コンピューティングシステムで実行されているデジタルプロセスによって、人工知能（ＡＩ）／機械学習（ＭＬ）モデルの更新要求をリッスンすることと、
   前記ＡＩ／ＭＬモデルを更新するための更新要求が受け付けられたときに、前記コンピューティングシステムで実行されている前記デジタルプロセスによって、前記デジタルプロセスを再初期化又は再インスタンス化して前記ＡＩ／ＭＬモデルの更新されたバージョンを呼び出し、別の更新要求をリッスンすることと、
   を含むコンピュータ実施方法であって、
   前記ＡＩ／ＭＬモデルの更新は、前記デジタルプロセスの実行中に行われ、
   前記デジタルプロセスは、ロボティックプロセスオートメーション（ＲＰＡ）ワークフローを含み、
   前記ＡＩ／ＭＬモデルは、前記ＲＰＡワークフローのアクティビティによって呼び出されることを特徴とするコンピュータ実施方法。
2. 前記コンピューティングシステムで実行されている前記デジタルプロセスによって、前記ＡＩ／ＭＬモデルの再訓練要求をリッスンすることと、
   前記ＡＩ／ＭＬモデルを再訓練するための再訓練要求が受け付けられたときに、前記コンピューティングシステムで実行されている前記デジタルプロセスによって、前記ＡＩ／ＭＬモデルの再訓練を開始することと、
   をさらに含み、
   前記ＡＩ／ＭＬモデルの再訓練は、前記デジタルプロセスの実行中に行われることを特徴とする、請求項１に記載のコンピュータ実施方法。
3. 前記ＡＩ／ＭＬモデルの再訓練は、前記デジタルプロセスを実行している前記コンピューティングシステムとは異なる一又は複数の他のコンピューティングシステムによって行われることを特徴とする、請求項２に記載のコンピュータ実施方法。
4. 前記更新要求が受け付けられるまで、前記コンピューティングシステムで実行されている前記デジタルプロセスによって、再訓練中に前記ＡＩ／ＭＬモデルの現在のバージョンを使用することをさらに含むことを特徴とする、請求項２に記載のコンピュータ実施方法。
5. 前記コンピューティングシステムで実行されている前記デジタルプロセスによって、再訓練された前記ＡＩ／ＭＬモデルのパフォーマンスを、パフォーマンス閾値、前記ＡＩ／ＭＬモデルの以前のバージョンのパフォーマンス、又はこれら両方と比較することと、
   再訓練された前記ＡＩ／ＭＬモデルが前記パフォーマンス閾値、前記ＡＩ／ＭＬモデルの以前のバージョンのパフォーマンス、又はこれら両方を超えるときに、前記コンピューティングシステムで実行されている前記デジタルプロセスによって、前記ＡＩ／ＭＬモデルを更新することと、
   をさらに含むことを特徴とする、請求項２に記載のコンピュータ実施方法。
6. 所定の量の訓練データが受け取られた後、最後の再訓練から所定の時間が経過した後、又はこれら両方の場合に、前記コンピューティングシステムで実行されている前記デジタルプロセスによって、前記ＡＩ／ＭＬモデルの再訓練を自動的に開始することをさらに含むことを特徴とする、請求項１に記載のコンピュータ実施方法。
7. 前記デジタルプロセスは、ビジネスプロセス管理（ＢＰＭ）フローチャート、シーケンシャルフロー、又は有限状態機械（ＦＳＭ）を含むことを特徴とする、請求項１に記載のコンピュータ実施方法。
8. 前記ＡＩ／ＭＬモデルは前記ＲＰＡワークフローの前記アクティビティに直接組み込まれることを特徴とする、請求項１に記載のコンピュータ実施方法。
9. 前記デジタルプロセスは、前記ＡＩ／ＭＬモデルをストレージからロードする又は前記ＡＩ／ＭＬモデルを前記デジタルプロセスによって呼び出し可能にする初期状態を含むことを特徴とする、請求項１に記載のコンピュータ実施方法。
10. デジタルプロセスを含むコンピュータプログラムであって、
    人工知能（ＡＩ）／機械学習（ＭＬ）モデルの再訓練要求及び更新要求をリッスンすることと、
    前記ＡＩ／ＭＬモデルを再訓練するための再訓練要求が受け付けられたときに、前記ＡＩ／ＭＬモデルの再訓練を開始することと、
    前記ＡＩ／ＭＬモデルを更新するための更新要求が受け付けられたときに、前記デジタルプロセスを再初期化又は再インスタンス化して前記ＡＩ／ＭＬモデルの更新されたバージョンを呼び出し、別の再訓練要求又は更新要求をリッスンすることと、
    を少なくとも１つのプロセッサに実行させるように構成され、
    前記ＡＩ／ＭＬモデルの再訓練又は更新は、前記デジタルプロセスの実行中に行われ、
    前記デジタルプロセスは、ロボティックプロセスオートメーション（ＲＰＡ）ワークフローを含み、
    前記ＡＩ／ＭＬモデルは、前記ＲＰＡワークフローのアクティビティによって呼び出されることを特徴とするコンピュータプログラム。
11. 前記更新要求が受け付けられるまで、再訓練中に前記ＡＩ／ＭＬモデルの現在のバージョンを使用すること
    を前記少なくとも１つのプロセッサにさらに実行させるように構成されていることを特徴とする、請求項１０に記載のコンピュータプログラム。
12. 再訓練された前記ＡＩ／ＭＬモデルのパフォーマンスを、パフォーマンス閾値、前記ＡＩ／ＭＬモデルの以前のバージョンのパフォーマンス、又はこれら両方と比較することと、
    再訓練された前記ＡＩ／ＭＬモデルが前記パフォーマンス閾値、前記ＡＩ／ＭＬモデルの以前のバージョンのパフォーマンス、又はこれら両方を超えるときに、前記ＡＩ／ＭＬモデルを更新することと、
    を前記少なくとも１つのプロセッサにさらに実行させるように構成されていることを特徴とする、請求項１０に記載のコンピュータプログラム。
13. 所定の量の訓練データが受け取られた後、最後の再訓練から所定の時間が経過した後、又はこれら両方の場合に、前記ＡＩ／ＭＬモデルの再訓練を自動的に開始すること
    を前記少なくとも１つのプロセッサにさらに実行させるように構成されていることを特徴とする、請求項１０に記載のコンピュータプログラム。
14. 前記ＡＩ／ＭＬモデルは前記ＲＰＡワークフローの前記アクティビティに直接組み込まれることを特徴とする、請求項１０に記載のコンピュータプログラム。
15. デジタルプロセスを含むコンピュータプログラムの命令を記憶するメモリと、
    前記命令を実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、
    を備えるコンピューティングシステムであって、
    前記命令は、
    人工知能（ＡＩ）／機械学習（ＭＬ）モデルの再訓練要求及び更新要求をリッスンすることと、
    前記ＡＩ／ＭＬモデルを再訓練するための再訓練要求が受け付けられたときに、前記ＡＩ／ＭＬモデルの再訓練を開始することと、
    前記ＡＩ／ＭＬモデルを更新するための更新要求が受け付けられたときに、前記コンピューティングシステムで実行されている前記デジタルプロセスによって、前記デジタルプロセスを再初期化又は再インスタンス化して前記ＡＩ／ＭＬモデルの更新されたバージョンを呼び出し、別の更新要求をリッスンすることと、
    を前記少なくとも１つのプロセッサに実行させるように構成され、
    前記ＡＩ／ＭＬモデルの再訓練は、前記デジタルプロセスの実行中に行われ、
    前記ＡＩ／ＭＬモデルの更新は、前記デジタルプロセスの実行中に行われ、
    前記デジタルプロセスは、ロボティックプロセスオートメーション（ＲＰＡ）ワークフローを含み、
    前記ＡＩ／ＭＬモデルは、前記ＲＰＡワークフローのアクティビティによって呼び出されることを特徴とするコンピューティングシステム。
16. 前記コンピュータプログラムは、
    前記更新要求が受け付けられるまで、再訓練中に前記ＡＩ／ＭＬモデルの現在のバージョンを使用すること
    を前記少なくとも１つのプロセッサにさらに実行させるように構成されていることを特徴とする、請求項１５に記載のコンピューティングシステム。
17. 前記コンピュータプログラムは、
    再訓練された前記ＡＩ／ＭＬモデルのパフォーマンスを、パフォーマンス閾値、前記ＡＩ／ＭＬモデルの以前のバージョンのパフォーマンス、又はこれら両方と比較することと、
    再訓練された前記ＡＩ／ＭＬモデルが前記パフォーマンス閾値、前記ＡＩ／ＭＬモデルの以前のバージョンのパフォーマンス、又はこれら両方を超えるときに、前記ＡＩ／ＭＬモデルを更新することと、
    を前記少なくとも１つのプロセッサにさらに実行させるように構成されていることを特徴とする、請求項１５に記載のコンピューティングシステム。
18. 前記コンピュータプログラムは、
    所定の量の訓練データが受け取られた後、最後の再訓練から所定の時間が経過した後、又はこれら両方の場合に、前記ＡＩ／ＭＬモデルの再訓練を自動的に開始すること
    を前記少なくとも１つのプロセッサにさらに実行させるように構成されていることを特徴とする、請求項１５に記載のコンピューティングシステム。
19. 前記ＡＩ／ＭＬモデルは前記ＲＰＡワークフローの前記アクティビティに直接組み込まれることを特徴とする、請求項１５に記載のコンピューティングシステム。
    
    

Images