KR102453988B1 - 런타임시 디지털 프로세스에서의 동적 인공 지능/머신 러닝 모델 업데이트, 또는 재트레이닝 및 업데이트 - Google Patents

런타임시 디지털 프로세스에서의 동적 인공 지능/머신 러닝 모델 업데이트, 또는 재트레이닝 및 업데이트 Download PDF

Info

Publication number
KR102453988B1
KR102453988B1 KR1020200103986A KR20200103986A KR102453988B1 KR 102453988 B1 KR102453988 B1 KR 102453988B1 KR 1020200103986 A KR1020200103986 A KR 1020200103986A KR 20200103986 A KR20200103986 A KR 20200103986A KR 102453988 B1 KR102453988 B1 KR 102453988B1
Authority
KR
South Korea
Prior art keywords
model
retraining
digital process
update
computing system
Prior art date
Application number
KR1020200103986A
Other languages
English (en)
Other versions
KR20210080163A (ko
Inventor
안드레이 로버트 오로스
Original Assignee
유아이패스, 인크.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 유아이패스, 인크. filed Critical 유아이패스, 인크.
Publication of KR20210080163A publication Critical patent/KR20210080163A/ko
Application granted granted Critical
Publication of KR102453988B1 publication Critical patent/KR102453988B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/65—Updates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1679—Programme controls characterised by the tasks executed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/65—Updates
    • G06F8/656—Updates while running
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/71—Version control; Configuration management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G06N3/105—Shells for specifying net layout
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Robotics (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fuzzy Systems (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)

Abstract

런타임시 디지털 프로세스에서 인공 지능(AI)/머신 러닝(ML) 모델을 동적으로 업데이트하는 것, 또는 재트레이닝 및 업데이트하는 것이 개시된다. AI/ML 모델 업데이트 또는 재트레이닝 및 업데이트를 위해 생산 동작이 중단될 필요가 없을 수도 있다. AI/ML 모델에 대한 업데이트 단계 및/또는 재트레이닝 단계는 디지털 프로세스의 일부로서 포함될 수도 있다. AI/ML 모델 업데이트는 내부 로직으로부터(예를 들면, 조건의 평가로부터, AI/ML 모델을 호출하는 표현에 의해, 등등으로), 외부 요청으로부터(예를 들면, 유한 상태 머신(FSM)에서의 외부 트리거, 예컨대 파일 변경, 데이터베이스 데이터, 서비스 호출, 등등으로부터), 또는 둘 모두로부터 요청될 수도 있다. AI/ML 모델 업데이트 또는 재트레이닝 및 업데이트의 자동화가 제공될 수도 있는데, 여기서, 소프트웨어는 AI/ML 모델이 이용 가능하게 된 이후(그리고 어쩌면 직후에) 재트레이닝된 및/또는 업데이트된 AI/ML 모델을 사용하여 재로딩/재초기화/재인스턴스화된다.

Description

런타임시 디지털 프로세스에서의 동적 인공 지능/머신 러닝 모델 업데이트, 또는 재트레이닝 및 업데이트 {DYNAMIC ARTIFICIAL INTELLIGENCE/MACHINE LEARNING MODEL UPDATE, OR RETRAIN AND UPDATE, IN DIGITAL PROCESSES AT RUNTIME}
본 발명은 일반적으로 인공 지능(artificial intelligence; AI)에 관한 것으로, 더 구체적으로, 런타임시 디지털 프로세스에서 AI/머신 러닝(machine learning; ML) 모델을 동적으로 업데이트, 또는 재트레이닝 및 업데이트하는 것에 관한 것이다.
AI/ML 모델은, 현재, 다양한 타입의 컴퓨팅 시스템 상에서 실행되는 디지털 프로세스의 일부로서 배치된다. 이들 AI/ML 모델은 분류를 수행할 수도 있고, 예측을 제공할 수도 있고, 데이터 분석을 수행할 수도 있고, 등등을 할 수도 있다. AI/ML 모델은, 도메인 또는 비즈니스 규칙 변경에 기인하여, 더 나은 출력(예를 들면, 예측, 분류, 등등)을 제공하기 위해, 또는 다른 이유 때문에, 업데이트될 필요가 있을 수도 있거나, 또는 재트레이닝되고 업데이트될 필요가 있을 수도 있다.
현재, AI/ML 모델 업데이트 프로세스는 시스템 가동 중단 시간 및 스케줄링된 유지 보수 시간을 필요로 한다. 이것은 직원 생산성, 수익 창출, 서비스 가용성, 등등에 영향을 줄 수 있다. 따라서, AI/ML 모델을 업데이트하는 것에 대한, 그리고 AI/ML 모델을 재트레이닝하고 업데이트하는 것에 대한 향상된 접근법이 유리할 수도 있다.
본 발명의 소정의 실시형태는 현재의 AI 기술에 의해 아직 완전히 식별, 인식, 또는 해결되지 않은 본 기술 분야에서의 문제점 및 요구에 대한 솔루션을 제공할 수도 있다. 예를 들면, 본 발명의 몇몇 실시형태는 런타임시 디지털 프로세스에서 AI/ML 모델을 동적으로 업데이트하는 것, 또는 재트레이닝하고 업데이트하는 것에 관한 것이다.
한 실시형태에서, 컴퓨터 구현 방법은 컴퓨팅 시스템 상에서 실행되는 디지털 프로세스에 의해 AI/ML 모델에 대한 업데이트 요청을 청취하는(listen for) 것을 포함한다. 업데이트 요청이 수신되어 AI/ML 모델을 업데이트하는 경우, 컴퓨터 구현 방법은, 컴퓨팅 시스템 상에서 실행되는 디지털 프로세스에 의해, AI/ML 모델의 업데이트된 버전을 호출하기 위해 디지털 프로세스를 재초기화하거나(reinitializing) 또는 재인스턴스화하는(re-instantiating) 것 및 다른 업데이트 요청을 청취하는 것을 포함한다. AI/ML 모델의 업데이트는 디지털 프로세스의 런타임 동안 발생한다.
다른 실시형태에서, 디지털 프로세스를 포함하는 컴퓨터 프로그램은 비일시적 컴퓨터 판독 가능 매체 상에서 구체화된다. 프로그램은 적어도 하나의 프로세서로 하여금 AI/ML 모델에 대한 재트레이닝 요청 또는 업데이트 요청을 청취하게 하도록 구성된다. 재트레이닝 요청이 수신되어 AI/ML 모델을 재트레이닝하는 경우, 프로그램은 적어도 하나의 프로세서로 하여금 AI/ML 모델의 재트레이닝을 개시하게 하도록 구성된다. 업데이트 요청이 수신되어 AI/ML 모델을 업데이트하는 경우, 프로그램은 적어도 하나의 프로세서로 하여금 AI/ML 모델의 업데이트된 버전을 호출하기 위해 디지털 프로세스를 재초기화하거나 또는 재인스턴스화하게 하도록 그리고 다른 재트레이닝 요청 또는 업데이트 요청을 청취하게 하도록 구성된다. AI/ML 모델의 재트레이닝 또는 업데이트는 디지털 프로세스의 실행 동안 발생한다.
또 다른 실시형태에서, 컴퓨팅 시스템은 디지털 프로세스를 포함하는 컴퓨터 프로그램 명령어를 저장하는 메모리 및 컴퓨터 프로그램 명령어를 실행하도록 구성되는 적어도 하나의 프로세서를 포함한다. 명령어는 적어도 하나의 프로세서로 하여금 AI/ML 모델에 대한 재트레이닝 요청을 청취하게 하도록 구성된다. 재트레이닝 요청이 수신되어 AI/ML 모델을 재트레이닝하는 경우, 명령어는 적어도 하나의 프로세서로 하여금 AI/ML 모델의 재트레이닝을 개시하게 하도록 구성된다. AI/ML 모델의 재트레이닝은 디지털 프로세스의 런타임 동안 발생한다.
여전히 다른 실시형태에서, AI/ML 모델의 동적 업데이트, 또는 재트레이닝 및 업데이트를 위한 컴퓨터 구현 방법은, 컴퓨팅 시스템 상에서 실행되는 RPA 디지털 프로세스에 의해, AI/ML 모델에 대한 업데이트 요청을 청취하는 것을 포함한다. 업데이트 요청이 수신되어 AI/ML 모델을 업데이트하는 경우, 컴퓨터 구현 방법은, 컴퓨팅 시스템 상에서 실행되는 RPA 디지털 프로세스에 의해, AI/ML 모델의 업데이트된 버전을 호출하기 위해 RPA 디지털 프로세스를 재초기화하거나 또는 재인스턴스화하는 것 및 다른 업데이트 요청을 청취하는 것을 포함한다. AI/ML 모델의 업데이트는 RPA 디지털 프로세스의 런타임 동안 발생한다. RPA 디지털 프로세스는 RPA 워크플로우를 포함하며 AI/ML 모델은 RPA 워크플로우의 활동에 의해 호출된다.
본 발명의 소정의 실시형태의 이점이 쉽게 이해되도록, 첨부된 도면에서 예시되는 특정한 실시형태에 대한 참조에 의해 상기에서 간략하게 설명되는 본 발명의 보다 구체적인 설명이 제공될 것이다. 이들 도면이 본 발명의 통상적인 실시형태만을 묘사하며 따라서 그 범위를 제한하는 것으로 간주되지 않는다는 것이 이해되어야 하지만, 본 발명은 첨부하는 도면의 사용을 통해 추가적으로 특이하게 그리고 상세하게 기술되고 설명될 것인데, 첨부하는 도면에서:
도 1은, 본 발명의 한 실시형태에 따른, 로봇 프로세스 자동화(robotic process automation; RPA) 시스템을 예시하는 아키텍쳐 다이어그램(architectural diagram)이다.
도 2는, 본 발명의 한 실시형태에 따른, 배치된 RPA 시스템을 예시하는 아키텍쳐 다이어그램이다.
도 3은, 본 발명의 한 실시형태에 따른, 디자이너(designer), 활동, 및 드라이버 사이의 관계를 예시하는 아키텍쳐 다이어그램이다.
도 4는, 본 발명의 한 실시형태에 따른, RPA 시스템을 예시하는 아키텍쳐 다이어그램이다.
도 5는, 본 발명의 한 실시형태에 따른, 런타임시 AI/ML 모델을 동적으로 업데이트하도록, 또는 재트레이닝하고 업데이트하도록 구성되는 컴퓨팅 시스템을 예시하는 아키텍쳐 다이어그램이다.
도 6은, 본 발명의 한 실시형태에 따른, 런타임시 AI/ML 모델을 동적으로 업데이트하도록 또는 재트레이닝하고 업데이트하도록 구성되는 유한 상태 머신(finite state machine; FSM)의 흐름도의 스크린샷이다.
도 7a는, 본 발명의 한 실시형태에 따른, 도 6의 FSM의 초기화 상태의 스크린샷을 예시한다.
도 7b는, 본 발명의 한 실시형태에 따른, 도 7a의 초기화 상태의 파라미터의 스크린샷을 예시한다.
도 8은, 본 발명의 한 실시형태에 따른, 고객 피드백을 포함하는 텍스트 파일을 예시하는 스크린샷이다.
도 9는, 본 발명의 한 실시형태에 따른, 도 6의 FSM의 아이템 프로세싱 상태의 RPA 워크플로우 시퀀스를 예시하는 스크린샷이다.
도 10은, 본 발명의 한 실시형태에 따른, 도 9의 RPA 워크플로우 시퀀스에 의해 호출되는 AI/ML 모델의 속성을 예시하는 스크린샷이다.
도 11은, 본 발명의 한 실시형태에 따른, 재트레이닝 동안의 진척(progress) 및 재트레이닝 동안의 FSM 실행 상태를 도시하는 스크린샷을 예시한다.
도 12는, 본 발명의 한 실시형태에 따른, AI/ML 모델 업데이트 동안의 FSM 실행 상태를 도시하는 스크린샷이다.
도 13은, 본 발명의 한 실시형태에 따른, AI/ML 모델을 업데이트하기 위한 시퀀스를 예시하는 스크린샷이다.
도 14는, 본 발명의 한 실시형태에 따른, AI/ML 모델을 재트레이닝하도록 구성되는 시스템을 예시하는 아키텍쳐 다이어그램이다.
도 15는, 본 발명의 한 실시형태에 따른, 런타임시 AI/ML 모델 동적 재트레이닝 및 업데이트를 위한 디지털 프로세스를 예시하는 아키텍쳐 다이어그램이다.
도 16은, 본 발명의 한 실시형태에 따른, 런타임시의 AI/ML 모델 동적 업데이트를 위한 디지털 프로세스를 예시하는 아키텍쳐 다이어그램이다.
도 17은, 본 발명의 한 실시형태에 따른, 런타임 동안 디지털 프로세스에서의 AI/ML 모델 동적 업데이트, 또는 동적 재트레이닝 및 업데이트를 위한 프로세스를 예시하는 플로우차트이다.
달리 지시되지 않는 한, 유사한 참조 문자는 첨부의 도면 전체에 걸쳐 대응하는 피쳐를 일관되게 나타낸다.
몇몇 실시형태는 런타임시(즉, 소프트웨어가 실행되고 있는 경우 또는 지속되는 동안) 디지털 프로세스에서 AI/ML 모델을 동적으로 업데이트하거나, 또는 재트레이닝 및 업데이트하는 것에 관한 것이다. 그러한 만큼, AI/ML 모델 업데이트 또는 재트레이닝 및 업데이트를 위해 생산 동작은 중단될 필요가 없다. AI/ML 모델에 대한 업데이트 단계 및/또는 재트레이닝 단계는 몇몇 실시형태에서 디지털 프로세스의 일부로서 포함될 수도 있다. 몇몇 실시형태에서, AI/ML 모델 업데이트는, (예를 들면, 조건의 평가로부터의, AI/ML 모델에 대한 그 표현 호출에 의한, 등등의) 내부 로직, (예를 들면, 파일 변경, 데이터베이스 데이터, 서비스 호출, 등등과 같은, 유한 상태 머신(finite state machine; FSM)에서의 외부 트리거로부터의) 외부 요청, 또는 둘 모두로부터 요청될 수도 있다. 본원에서 사용되는 바와 같이, 디지털 프로세스는 모든 타입의 소프트웨어 구현 워크플로우(예를 들면, 로봇 프로세스 자동화(RPA), 비즈니스 프로세스 관리(business process management; BPM) 소프트웨어 플로우차트, 순차적 플로우, FSM, 등등), 애플리케이션, 솔루션, 시스템 서비스, 함수, 메소드, 스크립트, 등등을 포함한다. 디지털 프로세스의 동작 상태는, 설계 시간(예를 들면, 중지, 구성, 재설계, 등등), 런타임(예를 들면, 실행, 지속, 등등), 등등을 포함하지만, 그러나 이들로 제한되지는 않는다.
애플리케이션은 통상적으로 기능성 관점(functionality perspective)에서 세분화되고 특정한 역할을 서비스하는 어떤 것을 암시한다. 시스템 솔루션은, 특정한 주제를 서비스하는 더 큰 솔루션의 일부일 수 있다(예를 들면, 유저 관리 기능성은 패스워드 재설정, 개인의 타임 오프(time off) 중단 요청, 의료 요청, 직원 온보딩(employee onboarding), 등등을 가질 수 있음). 애플리케이션은 통상적으로 프론트 엔드 또는 유저 인터페이스(user interface; UI)를 암시하고, 반면, 시스템 서비스는 일반적으로 백그라운드에서 실행된다. 애플리케이션의 콜렉션은 솔루션으로서 그룹화될 수도 있고, 반면, 서비스의 콜렉션은 시스템 서비스로서 그룹화될 수도 있다.
최대 효율성 및 투자 수익률(return of investment; ROI)을 위해, 시스템 및 솔루션이 가능한 한 적은 가동 중단 시간(downtime)을 가지고 실행되는 것이 바람직할 수도 있다. 현재, 디지털 프로세스에서, AI/ML 모델 업데이트, 또는 재트레이닝 및 업데이트는, 유지 보수 가동 중단 시간을 필요로 하는데, 가동 중단 시간은 프로세스를 이용 불가능하게 만든다. 런타임시 디지털 프로세스에 의해 호출되는 AI/ML 모델을 동적으로 업데이트하거나, 또는 재트레이닝 및 업데이트하는 능력은 다양한 이점을 제공한다. 예를 들면, 이들 성능을 활용하는 소프트웨어는, AI/ML 모델을 업데이트하는 것 또는 재트레이닝 및 업데이트하는 것으로부터 유래하는 가동 중단 시간이 없거나 또는 거의 없을 수도 있다. AI/ML 모델 업데이트 또는 재트레이닝 및 업데이트의 자동화가 제공될 수도 있는데, 여기서, 소프트웨어는 AI/ML 모델이 이용 가능하게 된 이후(그리고 어쩌면 직후에) 재트레이닝된 및/또는 업데이트된 AI/ML 모델을 사용하여 재로딩/재초기화/재인스턴스화된다.
본원에서 사용될 때, "재로딩(reload)"은, AI/ML 모델 데이터가 그것의 포함 계층(예를 들면, RPA의 경우에서의 활동)에 의해 AI/ML 모델 데이터 저장소(예를 들면, 파일, 메모리, 등등)로부터 AI/ML 모델 데이터가 취해지는 동작이다. "재초기화"는, 일부/모든 컴포넌트의 상태가 초기/공지된/소망되는 값으로 재설정되는 일반적인 프로세스에서의 상태/단계를 가리킨다. "재인스턴스화"는 객체 지향 프로그래밍에서의 오브젝트의 생성을 가리키는데, 여기서, 이 경우에서의 객체는, 런타임시의 애플리케이션, 프로세스, 함수, 등등 내부의 AI/ML 모델이다.
몇몇 실시형태는 AI/ML 모델 재트레이닝/업데이트 프로세스를, 그것이 유저에 의해 실행될 필요가 없도록, 자동화할 수도 있다. 예를 들면, AI/ML 모델은, 마지막 트레이닝 동작 이후 미리 결정된 양의 시간이 경과한 경우, 미리 결정된 양의 데이터가 수신되는 경우, 이들의 조합의 경우, 등등의 경우에 자동적으로 재트레이닝될 수도 있다. 재트레이닝된 AI/ML 모델의 성능이 기대치를 충족하거나(예를 들면, 90 % 정확도를 달성하거나), 현재 실행 중인 버전의 성능을 초과하거나, 또는 둘 모두를 충족하는 경우, 재트레이닝된 AI/ML 모델은 유저 상호 작용 없이 자동적으로 배치(즉, 업데이트)될 수도 있다.
로봇 프로세스 자동화(RPA)를 위해 소정의 실시형태가 활용될 수도 있다. 도 1은, 본 발명의 한 실시형태에 따른, RPA 시스템(100)을 예시하는 아키텍쳐 다이어그램이다. RPA 시스템(100)은 개발자가 워크플로우를 설계 및 구현하는 것을 허용하는 디자이너(110)를 포함한다. 디자이너(110)는 애플리케이션 통합뿐만 아니라, 써드파티 애플리케이션, 관리 정보 기술(IT) 태스크, 및 비즈니스 IT 프로세스를 자동화하기 위한 솔루션을 제공할 수도 있다. 디자이너(110)는 비즈니스 프로세스의 그래픽 표현인 자동화 프로젝트(automation project)의 개발을 용이하게 할 수도 있다. 간단히 말하면, 디자이너(110)는 워크플로우 및 로봇의 개발 및 배치를 용이하게 한다.
자동화 프로젝트는 개발자에게 실행 순서의 제어 및, 본원에서 "활동"으로 정의되는, 워크플로우에서 개발되는 커스텀 세트의 단계 사이의 관계를 제공하는 것에 의해 규칙 기반의 프로세스의 자동화를 가능하게 한다. 디자이너(110)의 실시형태의 하나의 상업적인 예는 UiPath Studio™이다. 각각의 활동은, 버튼 클릭, 파일 판독, 로그 패널에 대한 기록, 등등과 같은 액션을 포함할 수도 있다. 몇몇 실시형태에서, 워크플로우는 네스트화되거나 또는 임베딩될 수도 있다.
몇몇 타입의 워크플로우는 시퀀스, 플로우차트, FSM, 및/또는 전역적 예외 핸들러를 포함할 수도 있지만 그러나 이들로 제한되지는 않는다. 시퀀스는 선형 프로세스에 특히 적합할 수도 있어서, 워크플로우를 흩뜨리지 않으면서 하나의 활동으로부터 다른 활동으로의 흐름을 가능하게 할 수도 있다. 플로우차트는 더욱 복잡한 비즈니스 로직에 특히 적합할 수도 있어서, 다수의 분기 로직 연산자를 통해 의사 결정의 통합 및 활동의 연결을 더욱 다양한 방식으로 가능하게 할 수도 있다. FSM은 대규모 워크플로우에 특히 적합할 수도 있다. FSM은, 조건(즉, 전이) 또는 활동에 의해 트리거되는 그들의 실행에서 유한한 수의 상태를 사용할 수도 있다. 전역적 예외 핸들러는, 실행 에러를 조우하는 경우 워크플로우 거동을 결정하는 데 그리고 프로세스를 디버깅하는 데 특히 적합할 수도 있다.
일단 워크플로우가 디자이너(110)에서 개발되면, 비즈니스 프로세스의 실행은 컨덕터(120)에 의해 편성되는데(orchestrate), 컨덕터(120)는, 디자이너(110)에서 개발되는 워크플로우를 실행하는 하나 이상의 로봇(130)을 편성한다. 컨덕터(120)의 실시형태의 하나의 상업적인 예는 UiPath Orchestrator™이다. 컨덕터(120)는 한 환경에서의 리소스의 생성, 모니터링 및 배치의 관리를 용이하게 한다. 컨덕터(120)는 써드파티 솔루션 및 애플리케이션과의 통합 지점(integration point), 또는 집성 지점(aggregation point) 중 하나로서 작용할 수도 있다.
컨덕터(120)는 일단의(a fleet of) 로봇(130)을 관리할 수도 있어서, 중앙 집중식 지점으로부터 로봇(130)을 연결하고 실행할 수도 있다. 관리될 수도 있는 로봇(130)의 타입은, 유인 로봇(attended robot; 132), 무인 로봇(unattended robot; 134), 개발 로봇(무인 로봇(134)과 유사하지만, 그러나 개발 및 테스트 목적을 위해 사용됨), 및 비생산 로봇(nonproduction robot)(유인 로봇(132)과 유사하지만, 그러나 개발 및 테스트 목적을 위해 사용됨)을 포함하지만, 그러나 이들로 제한되지는 않는다. 유인 로봇(132)은 유저 이벤트에 의해 트리거되고 동일한 컴퓨팅 시스템 상에서 사람 옆에서 동작한다. 유인 로봇(132)은 중앙 집중식 프로세스 배치 및 로깅 매체(logging medium)를 위해 컨덕터(120)와 함께 사용될 수도 있다. 유인 로봇(132)은 인간 유저가 다양한 태스크를 수행하는 것을 도울 수도 있고, 유저 이벤트에 의해 트리거될 수도 있다. 몇몇 실시형태에서, 프로세스는 이러한 타입의 로봇 상에서 컨덕터(120)로부터 시작될 수 없고 및/또는 그들은 잠금 화면(locked screen) 하에서 실행될 수 없다. 소정의 실시형태에서, 유인 로봇(132)은 오직 로봇 트레이로부터 또는 커맨드 프롬프트로부터 시작될 수 있다. 몇몇 실시형태에서, 유인 로봇(132)은 인간의 감독 하에서 실행되어야 한다.
무인 로봇(134)은 가상 환경에서 무인으로(unattended) 실행되며 많은 프로세스를 자동화할 수 있다. 무인 로봇(134)은 원격 실행, 모니터링, 스케줄링, 및 작업 큐에 대한 지원의 제공을 담당할 수도 있다. 모든 로봇 타입에 대한 디버깅은 몇몇 실시형태에서 디자이너(110)에서 실행될 수도 있다. 유인 및 무인 로봇 둘 모두는, 메인 프레임, 웹 애플리케이션, VM, 엔터프라이즈 애플리케이션(예를 들면, SAP®, SalesForce®(세일즈포스), Oracle®(오라클), 등등에 의해 생성되는 애플리케이션), 및 컴퓨팅 시스템 애플리케이션(예를 들면, 데스크탑 및 랩탑 애플리케이션, 모바일 디바이스 애플리케이션, 웨어러블 컴퓨터 애플리케이션, 등등)을 포함하는, 그러나 이들로 제한되지는 않는 다양한 시스템 및 애플리케이션을 자동화할 수도 있다.
컨덕터(120)는, 프로비저닝(provisioning), 배치, 버저닝(versioning), 구성, 큐잉, 모니터링, 로깅, 및/또는 상호 연결성의 제공을 포함하는 이들로 제한되지는 않는 다양한 성능을 가질 수도 있다. 프로비저닝은 로봇(130)과 컨덕터(120)(예를 들면, 웹 애플리케이션) 사이의 연결의 생성 및 유지 보수를 포함할 수도 있다. 배치는 실행을 위한 할당된 로봇(130)에 패키지 버전의 정확한 전달을 보장하는 것을 포함할 수도 있다. 버저닝은 몇몇 실시형태에서 몇몇 프로세스 또는 구성의 고유의 인스턴스의 관리를 포함할 수도 있다. 구성은 로봇 환경 및 프로세스 구성의 유지 보수 및 전달을 포함할 수도 있다. 큐잉은 큐 및 큐 아이템의 관리를 제공하는 것을 포함할 수도 있다. 모니터링은 로봇 식별 데이터를 계속 추적하는 것 및 유저 퍼미션을 유지하는 것을 포함할 수도 있다. 로깅은 데이터베이스(예를 들면, SQL 데이터베이스) 및/또는 다른 스토리지 메커니즘(예를 들면, 대규모 데이터세트를 저장하고 빠르게 조회하는 능력을 제공하는 ElasticSearch®)에 로그를 저장하고 인덱싱하는 것을 포함할 수도 있다. 컨덕터(120)는 써드파티 솔루션 및/또는 애플리케이션에 대한 통신의 중앙 집중식 지점으로서 작용하는 것에 의해 상호 연결성을 제공할 수도 있다.
로봇(130)은 디자이너(110)에 내장되는 워크플로우를 실행하는 실행 에이전트이다. 로봇(들)(130)의 몇몇 실시형태의 하나의 상업적인 예는 UiPath Robots™이다. 몇몇 실시형태에서, 로봇(130)은, 디폴트로, Microsoft Windows®(마이크로소프트 윈도우즈) 서비스 제어 관리자(Service Control Manager; SCM) 관리 서비스를 설치한다. 결과적으로, 그러한 로봇(130)은 로컬 시스템 계정 하에서 상호 작용식 Windows®(윈도우즈) 세션을 열 수도 있고, Windows® 서비스의 권한을 가질 수 있다.
몇몇 실시형태에서, 로봇(130)은 유저 모드에서 설치될 수 있다. 그러한 로봇(130)의 경우, 이것은, 그들이 주어진 로봇(130)이 설치되었던 유저와 동일한 권리를 갖는다는 것을 의미한다. 이 피쳐는 고밀도(High Density; HD) 로봇에 대해서도 또한 이용 가능할 수도 있는데, 이 피쳐는 각각의 머신의 최대 전원에서 각각의 머신의 완전한 활용을 보장한다. 몇몇 실시형태에서, 임의의 타입의 로봇(130)은 HD 환경에서 구성될 수도 있다.
몇몇 실시형태에서 로봇(130)은 여러 가지 컴포넌트로 분할되는데, 각각은 특정한 자동화 태스크에 전용된다. 몇몇 실시형태에서 로봇 컴포넌트는, SCM 관리 로봇 서비스, 유저 모드 로봇 서비스, 실행기(executor), 에이전트, 및 커맨드 라인을 포함하지만 그러나 이들로 제한되지는 않는다. SCM 관리 로봇 서비스는 Windows® 세션을 관리 및 모니터링하고 컨덕터(120)와 실행 호스트(즉, 로봇(130)이 실행되는 컴퓨팅 시스템) 사이의 프록시 역할을 한다. 이들 서비스는 로봇(130)에 대한 자격 증명(credential)을 사용하여 신뢰되고 그 자격 증명을 관리한다. 콘솔 애플리케이션은 로컬 시스템 하에서 SCM에 의해 론칭된다.
몇몇 실시형태에서 유저 모드 로봇 서비스는 Windows® 세션을 관리 및 모니터링하고 컨덕터(120)와 실행 호스트 사이의 프록시로서 역할을 한다. 유저 모드 로봇 서비스는 로봇(130)에 대한 자격 증명을 사용하여 신뢰될 수도 있고 그 자격 증명을 관리할 수도 있다. SCM 관리 로봇 서비스가 설치되지 않은 경우 Windows® 애플리케이션이 자동적으로 론칭될 수도 있다.
실행기는 Windows® 세션 하에서 주어진 작업을 실행할 수도 있다(즉, 그들은 워크플로우를 실행할 수도 있다). 실행기는 모니터당 인치당 도트(dots per inch; DPI) 설정을 알고 있을 수도 있다. 에이전트는 시스템 트레이 윈도우(system tray window)에서 이용 가능한 작업을 디스플레이하는 Windows® 프리젠테이션 파운데이션(Windows® Presentation Foundation; WPF) 애플리케이션일 수도 있다. 에이전트는 서비스의 클라이언트일 수도 있다. 에이전트는 작업을 시작 또는 중지할 것을 그리고 설정을 변경할 것을 요청할 수도 있다. 커맨드 라인은 서비스의 클라이언트이다. 커맨드 라인은, 작업을 시작할 것을 요청할 수 있고 그들의 출력을 대기하는 콘솔 애플리케이션이다.
상기에서 설명되는 바와 같이 로봇(130)의 컴포넌트를 분할하는 것은, 개발자가 유저를 지원하는 것, 및 컴퓨팅 시스템이 각각의 컴포넌트가 실행하고 있는 것을 더욱 쉽게 실행하고, 식별하고 추적하는 것을 돕는다. 실행기 및 서비스에 대해 상이한 방화벽 규칙을 셋업하는 것과 같은 방식으로, 컴포넌트별로 특수한 거동이 구성될 수도 있다. 실행기는 몇몇 실시형태에서 모니터당 DPI 설정을 항상 인식할 수도 있다. 결과적으로, 워크플로우는, 그들이 생성되었던 컴퓨팅 시스템의 구성에 관계없이, 임의의 DPI에서 실행될 수도 있다. 디자이너(110)로부터의 프로젝트는 또한, 몇몇 실시형태에서, 브라우저 줌 레벨과 무관할 수도 있다. DPI를 알지 못하는 또는 알지 못하는 것으로 의도적으로 마킹되는 애플리케이션의 경우, 몇몇 실시형태에서, DPI는 디스에이블될 수도 있다.
도 2는, 본 발명의 한 실시형태에 따른, 배치된 RPA 시스템(200)을 예시하는 아키텍쳐 다이어그램이다. 몇몇 실시형태에서, RPA 시스템(200)은 도 1의 RPA 시스템(100)일 수도 있거나 또는 그 일부일 수도 있다. 클라이언트 측, 서버 측, 또는 둘 모두는 본 발명의 범위를 벗어나지 않으면서 임의의 소망되는 수의 컴퓨팅 시스템을 포함할 수도 있다는 것을 유의해야 한다. 클라이언트 측에서, 로봇 애플리케이션(210)은 실행기(212), 에이전트(214), 및 디자이너(216)를 포함한다. 그러나, 몇몇 실시형태에서, 디자이너(216)는 컴퓨팅 시스템(210) 상에서 실행되고 있지 않을 수도 있다. 실행기(212)는 프로세스를 실행하고 있다. 도 2에서 도시되는 바와 같이, 여러 비즈니스 프로젝트가 동시에 실행될 수도 있다. 에이전트(214)(예를 들면, Windows® 서비스)는 이 실시형태에서 모든 실행기(212)에 대한 단일의 접촉 지점이다. 이 실시형태의 모든 메시지는 컨덕터(230)에 로그인되는데, 컨덕터(230)는 데이터베이스 서버(240), 인덱서 서버(indexer server)(250) 또는 둘 모두를 통해 그들을 추가로 프로세싱한다. 도 1과 관련하여 상기에서 논의되는 바와 같이, 실행기(212)는 로봇 컴포넌트일 수도 있다.
몇몇 실시형태에서, 로봇은 머신 이름과 유저명 사이의 관련화(association)를 나타낸다. 로봇은 동시에 다수의 실행기를 관리할 수도 있다. 동시에 실행되는 다수의 상호 작용식 세션을 지원하는 컴퓨팅 시스템(예를 들면, Windows® Server(윈도우즈 서버) 2012) 상에서, 다수의 로봇이 동시에 실행될 수도 있는데, 각각은 고유의 유저명을 사용하여 별개의 Windows® 세션 내에 있다. 이것은 상기에서 HD 로봇으로 지칭된다.
에이전트(214)는 또한, 로봇의 상태를 전송하는 것(예를 들면, 로봇이 여전히 기능하고 있다는 것을 나타내는 "하트비트(heartbeat)" 메시지를 주기적으로 전송함) 및 실행될 패키지의 필요한 버전을 다운로드하는 것을 담당한다. 에이전트(214)와 컨덕터(230) 사이의 통신은 몇몇 실시형태에서 에이전트(214)에 의해 항상 개시된다. 통지 시나리오에서, 에이전트(214)는, 커맨드를 로봇으로 전송하기 위해(예를 들면, 시작, 정지, 등등) 컨덕터(230)에 의해 나중에 사용되는 WebSocket(웹소켓) 채널을 개방할 수도 있다.
서버 측 상에서, 프리젠테이션 계층(웹 애플리케이션(232), 개방 데이터 프로토콜(Open Data Protocol; OData) 대표 상태 전송(Representative State Transfer; REST) 애플리케이션 프로그래밍 인터페이스(Application Programming Interface; API) 엔드포인트(234), 및 통지 및 모니터링(236)), 서비스 계층(API 구현/비즈니스 로직(238)), 및 퍼시스턴스 계층(persistence layer)(데이터베이스 서버(240) 및 인덱서 서버(250))이 포함된다. 컨덕터(230)는 웹 애플리케이션(232), OData REST API 엔드포인트(234), 통지 및 모니터링(236), 및 API 구현/비즈니스 로직(238)을 포함한다. 몇몇 실시형태에서, 유저가 컨덕터(220)의 인터페이스에서 (예를 들면, 브라우저(220)를 통해) 수행하는 대부분의 액션은 다양한 API를 호출하는 것에 의해 수행된다. 그러한 액션은, 본 발명의 범위를 벗어나지 않으면서, 로봇 상에서 작업을 시작하는 것, 큐에서 데이터를 추가/제거하는 것, 무인으로 실행할 작업을 스케줄링하는 것, 등등을 포함할 수도 있지만, 그러나, 이들로 제한되지는 않는다. 웹 애플리케이션(232)은 서버 플랫폼의 시각적 계층(visual layer)이다. 이 실시형태에서, 웹 애플리케이션(232)은 하이퍼텍스트 마크업 언어(Hypertext Markup Language; HTML) 및 JavaScript(자바스크립트)(JS)를 사용한다. 그러나, 본 발명의 범위를 벗어나지 않으면서, 임의의 소망되는 마크업 언어, 스크립트 언어, 또는 임의의 다른 포맷이 사용될 수도 있다. 유저는, 컨덕터(230)를 제어하기 위한 다양한 액션을 수행하기 위해, 이 실시형태에서 브라우저(220)를 통해 웹 애플리케이션(232)으로부터의 웹 페이지와 상호 작용한다. 예를 들면, 유저는 로봇 그룹을 생성할 수도 있고, 로봇에 패키지를 할당할 수도 있고, 로봇마다 및/또는 프로세스마다 로그를 분석할 수도 있고, 로봇을 시작 및 중지할 수도 있고, 등등을 할 수도 있다.
웹 애플리케이션(232) 외에, 컨덕터(230)는 또한, OData REST API 엔드포인트(234)를 노출시키는 서비스 계층을 포함한다. 그러나, 본 발명의 범위를 벗어나지 않으면서 다른 엔드포인트가 포함될 수도 있다. REST API는 웹 애플리케이션(232) 및 에이전트(214) 둘 모두에 의해 소비된다. 에이전트(214)는 이 실시형태에서 클라이언트 컴퓨터 상의 하나 이상의 로봇의 감독자(supervisor)이다.
이 실시형태에서의 REST API는 구성, 로깅, 모니터링 및 큐잉 기능성을 포괄한다. 구성 엔드포인트는, 몇몇 실시형태에서, 애플리케이션 유저, 퍼미션, 로봇, 자산, 릴리스, 및 환경을 정의하고 구성하기 위해 사용될 수도 있다. 로깅 REST 엔드포인트는, 예를 들면, 에러, 로봇에 의해 전송되는 명시적 메시지, 및 다른 환경 고유의 정보와 같은 상이한 정보를 로깅하기 위해 사용될 수도 있다. 배치 REST 엔드포인트는, 작업 시작 커맨드가 컨덕터(230)에서 사용되는 경우 실행되어야 하는 패키지 버전을 조회하기 위해 로봇에 의해 사용될 수도 있다. 큐잉 REST 엔드포인트는, 큐 및 큐 아이템 관리, 예컨대 데이터를 큐에 추가하는 것, 큐로부터 트랜잭션을 획득하는 것, 트랜잭션의 상태를 설정하는 것, 등등을 담당할 수도 있다.
REST 엔드포인트를 모니터링하는 것은 웹 애플리케이션(232) 및 에이전트(214)를 모니터링할 수도 있다. 통지 및 모니터링 API(236)는, 에이전트(214)를 등록하기 위해, 구성 설정을 에이전트(214)에 전달하기 위해, 그리고 서버 및 에이전트(214)로부터의 통지를 전송/수신하기 위해 사용되는 REST 엔드포인트일 수도 있다. 통지 및 모니터링 API(236)는 또한, 몇몇 실시형태에서, WebSocket 통신을 사용할 수도 있다.
퍼시스턴스 계층은 이 실시형태에서 한 쌍의 서버 - 데이터베이스 서버(240)(예를 들면, SQL 서버) 및 인덱서 서버(250) - 를 포함한다. 이 실시형태에서의 데이터베이스 서버(240)는 로봇, 로봇 그룹, 관련된 프로세스, 유저, 역할, 스케줄, 등등의 구성을 저장한다. 이 정보는 몇몇 실시형태에서 웹 애플리케이션(232)을 통해 관리된다. 데이터베이스 서버(240)는 큐 및 큐 아이템을 관리할 수도 있다. 몇몇 실시형태에서, 데이터베이스 서버(240)는 (인덱서 서버(250)에 추가하여 또는 그것을 대신하여) 로봇에 의해 로깅되는 메시지를 저장할 수도 있다.
몇몇 실시형태에서 옵션 사항인(optional) 인덱서 서버(250)는 로봇에 의해 로깅되는 정보를 저장 및 인덱싱한다. 소정의 실시형태에서, 인덱서 서버(250)는 구성 설정을 통해 디스에이블될 수도 있다. 몇몇 실시형태에서, 인덱서 서버(250)는 오픈 소스 프로젝트 풀텍스트 검색 엔진(open source project full-text search engine)인 ElasticSearch®를 사용한다. (예를 들면, 메시지 로깅(log message) 또는 라인 기록(write line)과 같은 활동을 사용하여) 로봇에 의해 로깅되는 메시지는 로깅 REST 엔드포인트(들)를 통해 인덱서 서버(250)로 전송될 수도 있는데, 여기서 그들은 미래의 활용을 위해 인덱싱된다.
도 3은, 본 발명의 한 실시형태에 따른, 디자이너(310), 활동(320, 330), 및 드라이버(340) 사이의 관계(300)를 예시하는 아키텍쳐 다이어그램이다. 상기에 따르면, 개발자는 디자이너(310)를 사용하여 로봇에 의해 실행되는 워크플로우를 개발한다. 워크플로우는 유저 정의 활동(320) 및 UI 자동화 활동(330)을 포함할 수도 있다. 몇몇 실시형태는, 본원에서 컴퓨터 비전(computer vision; CV)으로 지칭되는 이미지에서 텍스트가 아닌 시각적 컴포넌트를 식별할 수 있다. 그러한 컴포넌트와 관련되는 몇몇 CV 활동은, 클릭, 타이핑(type), 텍스트 가져오기(get text), 호버링(hover), 엘리먼트 존재, 새로고침 범위, 하이라이트, 등등을 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 몇몇 실시형태에서의 클릭은, 예를 들면, CV, 광학 문자 인식(optical character recognition; OCR), 퍼지 텍스트 매칭, 및 멀티 앵커를 사용하여 엘리먼트를 식별하고, 그것을 클릭한다. 타이핑은 상기의 것을 사용하여 엘리먼트를 식별할 수도 있고 그 엘리먼트에서 타이핑한다. 텍스트 가져오기는 특정한 텍스트의 위치를 식별하고 OCR을 사용하여 그것을 스캔할 수도 있다. 호버링은 엘리먼트를 식별하고 그 위에서 호버링할 수도 있다. 엘리먼트 존재는 상기에서 설명되는 기술을 사용하여 화면 상에 엘리먼트가 존재하는지의 여부를 체크할 수도 있다. 몇몇 실시형태에서, 디자이너(310)에서 구현될 수 있는 수 백 또는 심지어 수 천 개의 활동이 있을 수도 있다. 그러나, 본 발명의 범위를 벗어나지 않으면서 임의의 수 및/또는 타입의 활동이 이용 가능할 수도 있다.
UI 자동화 활동(330)은, 하위 레벨 코드로 작성되는 특수한 하위 레벨 활동(예를 들면, CV 활동)의 서브세트이며 화면과의 상호 작용을 용이한다. UI 자동화 활동(330)은, 로봇이 소망되는 소프트웨어와 상호 작용하는 것을 허용하는 드라이버(340)를 통해 이들 상호 작용을 용이하게 한다. 예를 들면, 드라이버(340)는 OS 드라이버(342), 브라우저 드라이버(344), VM 드라이버(346), 엔터프라이즈 애플리케이션 드라이버(348), 등등을 포함할 수도 있다.
드라이버(340)는 후크를 찾는, 키를 모니터링하는, 등등을 하는 낮은 레벨에서 OS와 상호 작용할 수도 있다. 그들은 Chrome®, IE®, Citrix®, SAP®, 등등과의 통합을 용이하게 할 수도 있다. 예를 들면, "클릭" 활동은 드라이버(340)를 통해 이들 상이한 애플리케이션에서 동일한 역할을 수행한다.
도 4는, 본 발명의 한 실시형태에 따른, RPA 시스템(400)을 예시하는 아키텍쳐 다이어그램이다. 몇몇 실시형태에서, RPA 시스템(400)은 도 1 및/또는 도 2의 RPA 시스템(100 및/또는 200)일 수도 있거나 또는 그들을 포함할 수도 있다. RPA 시스템(400)은 로봇을 실행하는 다수의 클라이언트 컴퓨팅 시스템(410)을 포함한다. 컴퓨팅 시스템(410)은 컨덕터 컴퓨팅 시스템(420)과 그 상에서 실행되는 웹 애플리케이션을 통해 통신할 수 있다. 컨덕터 컴퓨팅 시스템(420)은, 결국에는, 데이터베이스 서버(430) 및 옵션 사항인 인덱서 서버(440)와 통신할 수 있다.
도 1 및 도 3과 관련하여, 웹 애플리케이션이 이들 실시형태에서 사용되는 동안, 본 발명의 범위를 벗어나지 않으면서 임의의 적절한 클라이언트/서버 소프트웨어가 사용될 수도 있다는 것을 유의해야 한다. 예를 들면, 컨덕터는 클라이언트 컴퓨팅 시스템 상의 웹 기반이 아닌 클라이언트 소프트웨어 애플리케이션과 통신하는 서버 측 애플리케이션을 실행할 수도 있다.
도 5는, 본 발명의 한 실시형태에 따른, 런타임시 AI/ML 모델을 동적으로 업데이트하도록, 또는 재트레이닝 및 업데이트하도록 구성되는 컴퓨팅 시스템(500)을 예시하는 아키텍쳐 다이어그램이다. 몇몇 실시형태에서, 컴퓨팅 시스템(500)은 본원에서 묘사되는 및/또는 설명되는 컴퓨팅 시스템 중 하나 이상일 수도 있다. 컴퓨팅 시스템(500)은 정보를 전달하기 위한 버스(505) 또는 다른 통신 메커니즘, 및 정보를 프로세싱하기 위한 버스(505)에 커플링되는 프로세서(들)(510)를 포함한다. 프로세서(들)(510)는 중앙 프로세싱 유닛(Central Processing Unit; CPU), 주문형 집적 회로(Application Specific Integrated Circuit; ASIC), 필드 프로그래머블 게이트 어레이(Field Programmable Gate Array; FPGA), 그래픽 프로세싱 유닛(Graphics Processing Unit; GPU), 이들의 다수의 인스턴스, 및/또는 이들의 임의의 조합을 비롯한, 임의의 타입의 범용 또는 특수 목적의 프로세서일 수도 있다. 프로세서(들)(510)는 또한 다수의 프로세싱 코어를 가질 수도 있고, 코어 중 적어도 일부는 특수 기능을 수행하도록 구성될 수도 있다. 몇몇 실시형태에서, 다중 병렬 프로세싱이 사용될 수도 있다. 소정의 실시형태에서, 프로세서(들)(510) 중 적어도 하나는 생물학적 뉴런을 모방하는 프로세싱 엘리먼트를 포함하는 뉴로모픽 회로(neuromorphic circuit)일 수도 있다. 몇몇 실시형태에서, 뉴로모픽 회로는 폰 노이만(Von Neumann) 컴퓨팅 아키텍쳐의 통상적인 컴포넌트를 요구하지 않을 수도 있다.
컴퓨팅 시스템(500)은 프로세서(들)(510)에 의해 실행될 정보 및 명령어를 저장하기 위한 메모리(515)를 더 포함한다. 메모리(515)는 랜덤 액세스 메모리(Random Access Memory; RAM), 리드 온리 메모리(Read Only Memory; ROM), 플래시 메모리, 캐시, 자기 또는 광학 디스크와 같은 정적 스토리지, 또는 임의의 다른 타입의 비일시적 컴퓨터 판독 가능 매체 또는 이들의 조합의 임의의 조합으로 구성될 수 있다. 비일시적 컴퓨터 판독 가능 매체는 프로세서(들)(510)에 의해 액세스될 수 있는 임의의 이용 가능한 매체일 수도 있고, 휘발성 매체, 불휘발성 매체, 또는 둘 모두를 포함할 수도 있다. 매체는 또한 착탈식일 수도 있거나, 비착탈식일 수도 있거나, 또는 둘 모두일 수도 있다.
추가적으로, 컴퓨팅 시스템(500)은, 무선 및/또는 유선 연결을 통해 통신 네트워크에 대한 액세스를 제공하기 위해, 트랜스시버와 같은 통신 디바이스(520)를 포함한다. 몇몇 실시형태에서, 통신 디바이스(520)는, 주파수 분할 다중 액세스(Frequency Division Multiple Access; FDMA), 싱글 캐리어 FDMA(Single Carrier FDM; SC-FDMA), 시분할 다중 액세스(Time Division Multiple Access; TDMA), 코드 분할 다중 액세스(Code Division Multiple Access; CDMA), 직교 주파수 분할 멀티플렉싱(Orthogonal Frequency Division Multiplexing; OFDM), 직교 주파수 분할 다중 액세스(Orthogonal Frequency Division Multiple Access; OFDMA), 이동 통신용 글로벌 시스템(Global System for Mobile communications; GSM), 일반 패킷 무선 서비스(General Packet Radio Service; GPRS), 범용 이동 통신 시스템(Universal Mobile Telecommunications System; UMTS), cdma2000, 광대역 CDMA(Wideband CDMA; W-CDMA), 고속 다운링크 패킷 액세스(High-Speed Downlink Packet Access; HSDPA), 고속 업링크 패킷 액세스(High-Speed Uplink Packet Access; HSUPA), 고속 패킷 액세스(High-Speed Packet Access; HSPA), 롱 텀 에볼루션(Long Term Evolution; LTE), LTE 어드밴스드(LTE Advanced; LTE-A), 802.11x, Wi-Fi(와이파이), Zigbee(지그비), 초광대역(Ultra-WideBand; UWB), 802.16x, 802.15, 홈 Node-B(Home Node-B; HnB), Bluetooth(블루투스), 무선 주파수 식별(Radio Frequency Identification; RFID), 적외선 데이터 연합(Infrared Data Association; IrDA), 근접장 통신(Near-Field Communications; NFC), 5 세대(5G), 뉴 라디오(New Radio; NR), 이들의 임의의 조합, 및/또는 본 발명의 범위를 벗어나지 않으면서 임의의 다른 현재 존재하는 또는 미래에 구현될 통신 표준 및/또는 프로토콜을 사용하도록 구성될 수도 있다. 몇몇 실시형태에서, 통신 디바이스(520)는 본 발명의 범위를 벗어나지 않으면서 단일(singular), 배열(arrayed), 위상(phased), 스위치(switched), 빔포밍(beamforming), 빔조향(beamsteering), 이들의 조합 및 또는 임의의 다른 안테나 구성인 하나 이상의 안테나를 포함할 수도 있다.
프로세서(들)(510)는, 버스(505)를 통해, 플라즈마 디스플레이, 액정 디스플레이(Liquid Crystal Display; LCD), 발광 다이오드(Light Emitting Diode; LED) 디스플레이, 전계 방출 디스플레이(Field Emission Display; FED), 유기 발광 다이오드(Organic Light Emitting Diode; OLED) 디스플레이, 플렉시블 OLED 디스플레이, 플렉시블 기판 디스플레이, 프로젝션 디스플레이, 4K 디스플레이, 고선명 디스플레이, Retina®(레티나) 디스플레이, 인 플레인 스위칭(In-Plane Switching; IPS) 디스플레이, 또는 정보를 유저에게 디스플레이하기 위한 임의의 다른 적절한 디스플레이와 같은 디스플레이(525)에 추가로 커플링된다. 디스플레이 (525)는, 저항성, 용량성, 표면 탄성파(surface-acoustic wave; SAW) 용량성, 적외선, 광학 이미징, 분산 신호 기술, 음향 펄스 인식, 불완전 내부 전반사(frustrated total internal reflection), 등등을 사용하여 터치(햅틱) 디스플레이, 삼차원(three dimensional; 3D) 터치 디스플레이, 멀티 입력 터치 디스플레이, 멀티 터치 디스플레이, 등등으로서 구성될 수도 있다. 임의의 적절한 디스플레이 디바이스 및 햅틱 I/O가 본 발명의 범위를 벗어나지 않으면서 사용될 수도 있다.
키보드(530) 및 커서 제어 디바이스(535), 예컨대 컴퓨터 마우스, 터치패드, 등등은 유저가 컴퓨팅 시스템(500)과 인터페이싱하는 것을 가능하게 하기 위해 버스(505)에 추가로 커플링된다. 그러나, 소정의 실시형태에서, 물리적 키보드 및 마우스가 존재하지 않을 수도 있고, 유저는 디스플레이(525) 및/또는 터치패드(도시되지 않음)를 통해서만 디바이스와 상호 작용할 수도 있다. 입력 디바이스의 임의의 타입 및 조합이 설계 선택의 문제로서 사용될 수도 있다. 소정의 실시형태에서, 어떠한 물리적 입력 디바이스 및/또는 디스플레이도 존재하지 않는다. 예를 들면, 유저는 컴퓨팅 시스템(500)과 통신하는 다른 컴퓨팅 시스템을 통해 컴퓨팅 시스템(500)과 원격으로 상호 작용할 수도 있거나, 또는 컴퓨팅 시스템(500)은 자율적으로 동작할 수도 있다.
메모리(515)는 프로세서(들)(510)에 의해 실행될 때 기능성을 제공하는 소프트웨어 모듈을 저장한다. 모듈은 컴퓨팅 시스템(500)을 위한 오퍼레이팅 시스템(540)을 포함한다. 모듈은 본원에서 설명되는 프로세스 또는 그 파생물의 모두 또는 일부를 수행하도록 구성되는 AI/ML 모델 재트레이닝/업데이트 모듈(545)을 더 포함한다. 컴퓨팅 시스템(500)은, 추가적인 기능성을 포함하는 하나 이상의 추가적인 기능 모듈(550)을 포함할 수도 있다.
기술 분야의 숙련된 자는, "시스템"이, 본 발명의 범위를 벗어나지 않으면서, 서버, 임베딩된 컴퓨팅 시스템, 퍼스널 컴퓨터, 콘솔, 개인 휴대형 정보 단말(personal digital assistant; PDA), 셀 폰, 태블릿 컴퓨팅 디바이스, 양자 컴퓨팅 시스템, 또는 임의의 다른 적절한 컴퓨팅 디바이스, 또는 디바이스의 조합으로서 구현될 수도 있다는 것을 인식할 것이다. "시스템"에 의해 수행되는 것으로 상기에서 설명된 기능을 제시하는 것은, 어떠한 방식으로든 본 발명의 범위를 제한하도록 의도되는 것이 아니라, 본 발명의 많은 실시형태의 하나의 예를 제공하도록 의도된다. 실제로, 본원에서 개시되는 방법, 시스템, 및 장치는, 클라우드 컴퓨팅 시스템을 비롯하여, 컴퓨팅 기술과 일치하는 국소화되고 분산된 형태로 구현될 수도 있다.
본 명세서에서 설명되는 시스템 피쳐 중 일부는, 그들의 구현 독립성을 특히 강조하기 위해, 모듈로서 제시되었다는 것을 유의해야 한다. 예를 들면, 모듈은 주문형(custom) 대규모 집적(very large scale integration; VLSI) 회로 또는 게이트 어레이, 로직 칩과 같은 기성의(off-the-shelf) 반도체, 트랜지스터, 또는 다른 별개의 컴포넌트를 포함하는 하드웨어 회로로서 구현될 수도 있다. 모듈은 또한, 필드 프로그래머블 게이트 어레이, 프로그래머블 어레이 로직, 프로그래머블 로직 디바이스, 그래픽 프로세싱 유닛, 또는 등등과 같은 프로그래머블 하드웨어 디바이스에서 구현될 수도 있다.
모듈은 또한 다양한 타입의 프로세서에 의한 실행을 위해 소프트웨어로 적어도 부분적으로 구현될 수도 있다. 실행 가능 코드의 식별된 단위는, 예를 들면, 객체, 프로시져, 또는 함수로서 편제될 수도 있는, 예를 들면, 컴퓨터 명령어의 하나 이상의 물리적 또는 논리적 블록을 포함할 수도 있다. 그럼에도 불구하고, 식별된 모듈의 실행 파일은 물리적으로 함께 위치될 필요는 없지만, 그러나 논리적으로 함께 결합될 때, 모듈을 포함하며 모듈에 대한 지정된 목적을 달성하는 상이한 위치에 저장된 별개의 명령어를 포함할 수도 있다. 게다가, 모듈은, 예를 들면, 하드 디스크 드라이브, 플래시 디바이스, RAM, 테이프, 및/또는 본 발명의 범위를 벗어나지 않으면서 데이터를 저장하기 위해 사용되는 임의의 다른 그러한 비일시적 컴퓨터 판독 가능 매체일 수도 있는 컴퓨터 판독 가능 매체 상에 저장될 수도 있다.
실제로, 실행 가능 코드의 모듈은 단일의 명령어, 또는 다수의 명령어일 수 있으며, 심지어 몇몇 상이한 코드 세그먼트에 걸쳐, 상이한 프로그램 사이에서, 그리고 몇몇 메모리 디바이스에 걸쳐 분산될 수도 있다. 유사하게, 동작 데이터는 본원에서 모듈 내에서 식별되고 예시될 수도 있으며, 임의의 적절한 형태로 구체화되고 임의의 적절한 타입의 데이터 구조 내에서 편제될 수도 있다. 동작 데이터는 단일의 데이터 세트로서 수집될 수도 있거나, 또는 상이한 저장 디바이스에 걸치는 것을 비롯하여 상이한 위치에 걸쳐 분산될 수도 있으며, 적어도 부분적으로는, 단지, 시스템 또는 네트워크 상의 전자 신호로서 존재할 수도 있다.
RPA의 맥락에서, AI/ML 모델은, 예를 들면, 항력 앤 드랍(drag-and-drop) 기능성을 사용하여 RPA 워크플로우에 통합될 수도 있는 활동의 일부로서 이용 가능할 수도 있다. 활동은 소망되는 타입의 하나 이상의 입력 인수를 포함할 수도 있고 소망되는 타입의 하나 이상의 출력을 반환할 수도 있다. AI/ML 모델은 활동에 직접적으로 임베딩될 수도 있거나 또는 외부 소스로부터 로딩/실행될 수 있거나 또는 호출/실행될 수 있다. 예를 들면, AI/ML 모델은 영구적 메모리의 로컬 또는 원격 파일로부터, 서비스로부터, 로컬 또는 원격 데이터베이스로부터, 스트림으로부터, 비영구적 메모리(예를 들면, RAM, 프로세서 캐시, 등등)로부터, 등등으로부터 로딩/실행 또는 호출/실행될 수 있다. 예를 들면, AI/ML 모델이 ML.NET으로 트레이닝된 경우, AI/ML 모델은 런타임시 외부 .zip 파일로부터 로딩될 수도 있고, 그 다음, 초기화/인스턴스화될 수도 있다.
AI/ML 모델이 로컬 컴퓨팅 시스템에 저장되지 않는 구현예에서, AI/ML 모델은 컴퓨팅 시스템(이것은 몇몇 실시형태에서 그 자체가 서버일 수도 있음)에 의해 액세스 가능한 사이트 상의 서버(on-site server), 상이한 사이트에 있는 원격 서버(예를 들면, 서버 팜), 클라우드 스토리지 솔루션, 등등 상에 저장될 수도 있고 이들에 의해 제공되거나 또는 실행될 수도 있다. AI/ML 모델은 파일로부터, (예를 들면, SQL을 통해) 데이터베이스로부터, 서비스로부터, 범용 리소스 로케이터(universal resource locator; URL)로부터, 파일 전송 프로토콜(file transfer protocol; FTP)로부터, 스트림으로부터, 또는 본 발명의 범위를 벗어나지 않으면서 임의의 다른 적절한 메커니즘을 통해 실행될 수도 있다. 실제로, AI/ML 모델이 본 발명의 범위를 벗어나지 않으면서 로컬 컴퓨팅 시스템에 의해 로딩/실행될 수 있는 또는 호출/실행될 수 있는 임의의 아키텍쳐/구성. 이것은 또한 비 RPA 실시형태를 갖는 경우일 수도 있다.
RPA 구현
비제한적인 예로서, 고객으로부터 수신되는 코멘트의 감정을 모니터링하는 서비스로서 실행되는 RPA 워크플로우를 고려하는데, 여기서 워크플로우는 FSM으로서 구현된다. 워크플로우는, 고객 코멘트를 포함하는 새 파일에 대한 폴더를 모니터링할 수도 있고 코멘트에서의 감정이 긍정적인지 또는 부정인지의 여부를 나타낼 수도 있다. 도 6은, 본 발명의 한 실시형태에 따른, 런타임시 AI/ML 모델을 동적으로 업데이트하도록, 또는 재트레이닝 및 업데이트하도록 구성되는 FSM(600)의 흐름도의 스크린샷이다. FSM(600)은 UiPath Studio™에서 나타내어진다.
관련된 AI/ML 활동이 AI/ML 모델을 호출하는 경우, 초기화 상태(610)는 외부 파일로부터 AI/ML 모델을 로딩하고 그것을 메모리에서 FSM이 액세스 가능한 변수로 유지한다. 초기화 상태(610)의 시퀀스 및 청취 상태(620)로의 전이의 또 다른 세부 사항은 도 7a 및 도 7b에서 도시되어 있다. 초기화 상태(610)의 상태는 710에서 "init"에 할당된다. 초기화 상태(610)는 이 실시형태에서 AI/ML 모델, 변수 및 데이터가 로딩/초기화/인스턴스화되는 FSM(600)의 로직의 영역이다. 그 다음, 720에서, AI/ML 모델이 로딩되고 있다는 것을 유저에게 통지하는 텍스트가 출력된다. 730에서, 변수 AI_Model_InMemo가 새로운 메모리 스트림으로 생성된다. 이 변수는 FSM(600)에 의한 사용을 위해 AI/ML 모델을 RAM에 저장할 것이다. 그러나, 상기에 따라, AI/ML 모델은 본 발명의 범위를 벗어나지 않으면서 임의의 저장 위치(들)로부터 로딩 및/또는 호출될 수도 있다.
그 다음, 740에서, 로컬 디스크로부터 AI/ML 모델을 로딩하고 그것을 RAM에 복사하는 방법이 호출된다. 도 7b의 관련된 속성(742)을 또한 참조한다. 750에서, fileStream이 AI/ML 모델에 할당되고 760에서 fileStream은 복사 동작을 수행한다. 도 7b의 관련된 속성(752)을 또한 참조한다. 초기화 상태(610)의 변수(790)가 도 7b에서 도시되어 있다.
fileStream 변수는 데이터 저장소로부터 로딩된 AI/ML 모델을 나타내는 데이터를 유지한다. 로컬 디스크의 경우, 이 변수로부터, 활동이 인스턴스화될 때 활동은 AI/ML 모델을 로딩한다(활동 객체 인스턴스화/생성에서, 코드의 초기화 섹션에서, AI/ML 모델은 외부 변수로부터 로딩되며, 이 경우에서는 텍스트 파라미터인 입력을 프로세싱하기 위해 실제로 사용되는 내부 변수에 할당된다).
AI/ML 모델이 RAM으로 복사된 이후, fileStream은 770에서 폐기되고 FSM(600)은 780에서 "청취" 상태를 할당받는다. 이것은 몇몇 실시형태에서 트리거(예를 들면, HTTP 엔드포인트)에 기초하여 인스턴스화하는 것을 포함할 수도 있다. 이것은 초기화 준비 전이(init ready transition; 622)를 통해 FSM(600)을 청취 상태(620)로 전이시킨다.
청취 상태(620)에서, FRM(600)은 (예를 들면, 전자 메일로부터의, 서비스로부터의, 챗봇으로부터의, 폴더 내의 파일의 존재를 주기적으로 체크하는, 등등의) 요청을 청취한다. 도 6의 예에서, 청취 상태(620)는 폴더에 저장되는 정보 기술(information technology; IT) 서비스 티켓 텍스트 파일을 프로세싱하기 위한 요청을 청취한다. 도 8의 IT ServiceDesk Ticket(800)을 참조한다. 도 8에서의 텍스트는, AI/ML 모델이 감정에 대해 분석할 IT 서비스 데스크에 의해 수행되는 서비스에 응답하는 고객으로부터의 피드백이다.
새로운 프로세싱 요청(632)이 수신되는 경우, FSM(600)은 630에서 아이템 프로세싱 상태로 전이한다. 아이템 프로세싱 상태(630)의 시퀀스(910)가 도 9에서 도시되어 있다. 시퀀스(910)는, 로봇이 현재 아이템을 프로세싱하고 있다는 것을 유저에게 통지하는 라인 기록 활동(write line activity)(912)을 포함한다. "for each" 활동(920)은, 로봇이 데이터를 반복하고 정보의 각각의 단편(piece)을 개별적으로 프로세싱할 수 있도록, 어레이, 리스트, 데이터 테이블 또는 다른 타입의 콜렉션을 차례로 옮겨 가는 것을 가능하게 한다. 이 예에서, "for each" 활동(920)의 조건(922)은 선택된 폴더 내의 각각의 파일에 대한 것이다.
"for each" 활동(920)의 바디(body)(930)는 다른 네스트화된 활동을 포함한다. 텍스트 파일 판독 활동(read text file activity)(932)은 "for each" 활동(920)이 폴더 내에서 반복하고 있는 현재 파일의 텍스트를 판독한다. 이 텍스트는 감정 분석 AI/ML 모델 활동(934)에 대한 입력으로서 포함된다. 라인 기록 활동(936)은 유저가 보도록 감정 분석 AI/ML 모델 활동(934)으로부터의 출력을 기록하고, 파일 이동 활동(move file activity)(938)은 "for each" 활동(920)이 분석을 완료한 현재 파일을 상이한 폴더로 이동시킨다.
감정 분석 AI/ML 모델 활동(934)에 의해 호출되는 AI/ML 모델의 속성(1000)이 도 10에서 도시되어 있다. 더 구체적으로, 디스플레이 이름(1010), AI/ML 모델이 소스 파일(1020)로부터 유래하는지 또는 스트림(1030)으로부터 유래하는지의 여부, 분석될 콘텐츠가 텍스트이다는 것을 나타내는 설정(1040), 및 출력될 결과(1050)가 제공된다. 속성(1000)은 구현의 요건에 따라 유저에 의해 커스터마이징될 수도 있거나 또는 변경될 수도 있다.
634에서 아이템 프로세싱 상태(630)가 완료되면, FSM(600)은 청취 상태(620)로 복귀한다. FSM(600)은, 재트레이닝 요청(642) 또는 새로운 AI/ML 모델 통지(652)가 수신될 때까지, 청취 상태(620) 및 아이템 프로세싱 상태(630)에서 요청을 계속 프로세싱한다. 재트레이닝 요청(642)이 수신되는 경우(예를 들면, 유저 또는 소프트웨어 애플리케이션에 의해 재트레이닝이 요청되는 경우, 재트레이닝을 위한 새로운 데이터세트가 수신되는 경우, 재트레이닝을 위한 소정 양의 데이터가 수신된 이후, 초기 트레이닝 또는 마지막 트레이닝 이후 소정 양의 시간이 경과한 이후, 등등), FSM(600)은 재트레이닝 초기화 상태(640)에 진입하는 것에 의해 AI/ML 모델로 하여금 재트레이닝되게 한다. 이것은 FSM(600)을 실행하는 컴퓨팅 시스템 상에서 로컬로 행해질 수도 있거나, FSM(600)을 실행하는 컴퓨팅 시스템 외부의 다른 컴퓨팅 시스템(들)에 의해 수행될 수도 있거나, 또는 이들의 조합일 수도 있다. 예를 들면, FSM(600)을 실행하는 컴퓨팅 시스템이 퍼스널 컴퓨터이고 AI/ML 모델이 복잡한 경우, AI/ML 모델을 트레이닝시키기 위해 최적화되는 강력한 서버(예를 들면, 다수의 CPU 및 GPU를 활용함, 다수의 서버를 사용하여 분산 트레이닝을 수행함 - 이 경우 서버는 프로세싱 태스크를 분할함 - , 등등) 상에서 AI/ML 모델을 재트레이닝하는 것이 유리할 수도 있다. 예를 들면, 도 14의 시스템(1400)을 참조한다.
이 예에서, AI/ML 모델의 재트레이닝은 국소적으로 발생하고, 재트레이닝 동안의 진척을 유저에게 보여주는 윈도우가 디스플레이될 수도 있다. 예를 들면, 재트레이닝이 95 %의 신뢰 구간을 가지고 완료된 도 11의 재트레이닝 윈도우(1100)를 참조한다. FSM(600)의 동작에 관련되는 상태 메시지가 또한 도시될 수도 있다. 도 11의 상태 메시지(1110)를 참조한다. 그 다음, FSM(600)은 작업(644)을 재개하고 청취 상태(620)로 복귀한다. 이것은, AI/ML 모델이 재트레이닝되는 동안, FSM(600)이 요청을 계속 프로세싱하는 것을 허용한다.
새로운 AI/ML 모델 또는 현재 AI/ML 모델의 재트레이닝된 버전이 이용 가능하다는 통지(652)가 수신되는 경우, FSM(600)은 업데이트 상태(650)에 진입한다. 도 12의 AI/ML 모델 업데이트 동안의 FSM 실행 상태(1200). 업데이트 상태(650)에서, AI/ML 모델 파일은 새로운 AI/ML 모델 파일로 변경된다. 이것은 본질적으로 생산 AI/ML 모델을 업데이트된 AI/ML 모델로 대체한다. 그 다음, FSM(600)은 전이(654)에 진입하여 새로운 AI/ML 모델을 사용하여 재초기화하고, FSM(600)은, 새로운 AI/ML 모델이 초기화되는 초기화 상태(610)로 복귀한다.
도 13은, 본 발명의 한 실시형태에 따른, AI/ML 모델을 업데이트하기 위한 시퀀스(1300)를 예시하는 스크린샷이다. 라인 기록 활동(1310)은, AI/ML 모델이 업데이트되고 있다는 것을 유저에게 통지한다. 재트레이닝 체킹 활동(1320)은, AI/ML 모델의 재트레이닝이 현재 발생하고 있는지의 여부를 체크한다. 만약 그렇다면, 시퀀스(1300)는 재트레이닝이 완료될 때까지 AI/ML 모델 업데이트를 지연시킨다. 파일 이동 활동(1330)은 새로운 AI/ML 모델을 그것이 저장될 위치로 이동시키고, 상태 할당 활동(1340)은 FSM(600)의 상태를 초기화 상태(610)에 할당한다. FSM(600)은 이제 업데이트된 및/또는 재트레이닝된 AI/ML 모델을 사용하여 초기화될 수 있다.
AI/ML 모델 업데이트 또는 재트레이닝 및 업데이트 아키텍쳐
상기에 따르면, 몇몇 실시형태에서, AI/ML 모델의 재트레이닝은 디지털 프로세스를 실행하는 컴퓨팅 시스템으로부터 원격에서 발생할 수도 있다. 도 14는, 본 발명의 한 실시형태에 따른, AI/ML 모델을 재트레이닝하도록 구성되는 시스템(1400)을 예시하는 아키텍쳐 다이어그램이다. 시스템(1400)은 데스크탑 컴퓨터(1402), 태블릿(1404), 및 스마트폰(1406)과 같은 유저 컴퓨팅 시스템을 포함한다. 그러나, 스마트 워치, 랩탑 컴퓨터, 사물 인터넷(Internet-of-Things; IoT) 디바이스, 차량 컴퓨팅 시스템, 등등을 포함하는, 그러나 이들로 제한되지는 않는 임의의 소망되는 컴퓨팅 시스템이 본 발명의 범위를 벗어나지 않으면서 사용될 수도 있다.
각각의 컴퓨팅 시스템(1402, 1404, 1406)은, AI/ML 모델을 호출 및/또는 실행하는 디지털 프로세스(1410)가 그 상에서 실행된다. 디지털 프로세스(1410)는 RPA 디자이너 애플리케이션을 통해 생성되는 로봇일 수도 있거나, 오퍼레이팅 시스템의 일부일 수도 있거나, 퍼스널 컴퓨터(PC) 또는 스마트폰에 대한 다운로드 가능한 애플리케이션일 수도 있거나, 또는 본 발명의 범위를 벗어나지 않으면서 임의의 다른 소프트웨어 및/또는 하드웨어일 수도 있다. 실제로, 몇몇 실시형태에서, 하나 이상의 디지털 프로세스(1410)의 로직은 물리적 하드웨어를 통해 부분적으로 또는 완전히 구현된다.
디지털 프로세스(1410)는 네트워크(1420)(예를 들면, 근거리 통신망(local area network; LAN), 이동 통신 네트워크, 위성 통신 네트워크, 인터넷, 이들의 임의의 조합, 등등)를 통해 AI/ML 모델 업데이트 요청, 또는 재트레이닝 및 업데이트 요청을 서버(1430)로 전송한다. 몇몇 실시형태에서, 서버(1430)는 컨덕터 애플리케이션을 실행할 수도 있고 데이터는 하트비트 메시지의 일부로서 주기적으로 전송될 수도 있다. 소정의 실시형태에서, 요청은, 일단 미리 결정된 양의 재트레이닝 데이터가 수집되면, 미리 결정된 시간 기간이 경과한 이후, 또는 둘 모두의 경우에, 서버(1430)로 전송될 수도 있다. 서버(1430)는 다양한 버전의 AI/ML 모델을 데이터베이스(1440)에 저장한다.
인간 유저(예를 들면, RPA 엔지니어 또는 데이터 과학자)에 의해 지시받는 경우, 미리 결정된 양의 재트레이닝 데이터가 수집된 경우, 마지막 재트레이닝 이후 미리 결정된 양의 시간이 경과한 경우, 재트레이닝 요청이 수신되는 경우, 등등의 경우에, 서버(1430)는 다수의 AI 계층(1432)을 통해 재트레이닝 데이터를 실행한다. AI 계층(1432)은 데이터를 프로세싱하고 AI/ML 모델의 재트레이닝된 버전을 생성한다. AI 계층(1432)은 통계 모델링(예를 들면, 은닉 마르코프 모델(hidden Markov model; HMM))을 수행할 수도 있고 딥 러닝 기술(예를 들면, 장단기 메모리(long short term memory; LSTM) 딥 러닝, 이전의 은닉 상태의 인코딩, 등등)을 활용할 수도 있다.
소정의 실시형태에서, 데이터 과학자는 AI/ML 모델의 재트레이닝을 개시 및/또는 모니터링할 수도 있다. 예를 들면, 데이터 과학자는 재트레이닝 데이터세트를 추가적인 데이터로 보충할 수도 있고, 재트레이닝된 AI/ML 모델이 소망되는 신뢰 구간을 달성하는 데 실패하는 경우 상이한 또는 보충된 트레이닝 데이터를 사용하여 AI/ML 모델을 다시 재트레이닝할 수도 있고, 등등일 수도 있다. 데이터 과학자는, AI/ML 모델이 준비되고 승인되는 경우 업데이트 통지를 생성할 수도 있고 그것을 유저 컴퓨팅 시스템(1402, 1404, 1406)으로 전송할 수도 있다. 대안적으로, 서버(1430)는 통지를 생성할 수도 있다.
몇몇 실시형태에서, 다수의 AI 계층(1432)이 사용될 수도 있다. 각각의 AI 계층(1432)은, 재트레이닝 데이터에 대해 실행되는 알고리즘(또는 모델)이며, AI/ML 모델 그들 자체는, 트레이닝 데이터에서 트레이닝되는 트레이닝된 인공 "뉴런"의 딥 러닝 신경망(deep learning neural network; DLNN)일 수도 있다. 계층은 직렬 또는 병렬로 실행될 수도 있다.
AI 계층(1432)은, 시퀀스 추출 계층, 클러스터링 검출 계층, 시각적 컴포넌트 검출 계층, 텍스트 인식 계층(예를 들면, OCR), 오디오 대 텍스트 변환 계층, 하나 이상의 타입의 계층의 다수의 인스턴스, 또는 이들의 임의의 조합을 포함할 수도 있지만, 그러나 이들로 제한되지는 않는다. 임의의 소망되는 수 및 타입(들)의 계층이 본 발명의 범위를 벗어나지 않으면서 사용될 수도 있다. 다수의 계층을 사용하는 것은, 시스템이 화면 또는 프로세스에서 발생하고 있는 것의 전역적 픽쳐(global picture)를 개발하는 것을 허용할 수도 있다. 예를 들면, 하나의 AI 계층은 OCR을 수행할 수 있고, 다른 것은 버튼을 검출할 수 있고, 등등을 할 수 있다. 패턴은 AI 계층에 의해 개별적으로 또는 다수의 AI 계층에 의해 집합적으로 결정될 수도 있다.
AI/ML 모델 업데이트 또는 재트레이닝 및 업데이트 프로세스
도 15는, 본 발명의 한 실시형태에 따른, 런타임시의 AI/ML 모델 동적 재트레이닝 및 업데이트를 위한 디지털 프로세스(1500)를 예시하는 아키텍쳐 다이어그램이다. 묘사된 실시형태에서, 디지털 프로세스(1500)는 FSM이다. 그러나, 본원에서의 개념은 본 발명의 범위를 벗어나지 않으면서 임의의 적절한 디지털 프로세스에서 구체화될 수도 있다. 디지털 프로세스(1500)는, AI/ML 모델을 프로세스에 의해 호출 가능하게 만드는 초기화/인스턴스화 상태(1510)를 가지고 시작한다. 초기화/인스턴스화 상태(1510)는 AI/ML 모델 인스턴스화/초기화 컴포넌트(1512)뿐만 아니라, 디지털 프로세스(1500)의 다른 속성 및 컴포넌트의 컴포넌트(1514) 인스턴스화 또는 초기화를 포함한다.
초기화가 완료된 이후, 디지털 프로세스(1500)는 작업/프로세싱 상태(1520)로 전이한다. 작업/프로세싱 상태(1520)에서, 디지털 프로세스(1500)는 작업 요청(1530)뿐만 아니라, AI/ML 모델 재트레이닝 또는 업데이트 요청(1540)을 청취하고, 작업/요청 프로세싱 컴포넌트(1522)를 통해 요청 프로세싱을 수행한다. 작업 요청(1530) 및 AI/ML 모델 재트레이닝 또는 업데이트 요청(1540)은 내부적일 수도 있고(즉, 디지털 프로세스(1500)를 실행하는 컴퓨팅 시스템으로부터 유래함) 또는 외부적일 수도 있다(즉, 다른 컴퓨팅 시스템으로부터 유래함).
작업 요청(1530)이 수신되는 경우, AI/ML 모델에 대한 정보는 AI/ML 모델 컴포넌트(1524)에 대한 입력으로서 제공되는데, AI/ML 모델 컴포넌트(1524)는 입력 정보를 프로세싱하고 작업/요청 프로세싱 컴포넌트(1522)에 출력을 제공한다. 그 다음, 작업/요청 프로세싱 컴포넌트(1522)는, AI/ML 모델 컴포넌트(1524)의 실행의 결과와 관련되는 정보를 갖는 응답을, 작업 요청(1530)(예를 들면, 다른 소프트웨어 애플리케이션)과 관련되는 요청자(requestor)에게 제공한다.
작업/요청 프로세싱 컴포넌트(1522)가 AI/ML 모델 재트레이닝 요청(1540)을 수신하는 경우, 이것은 업데이트 AI/ML 모델 상태(1550)의 AI/ML 모델 재트레이닝 컴포넌트(1552)로 전송된다. AI/ML 모델을 재트레이닝하기 위한 새로운 데이터(1662)는 AI/ML 모델 저장소(1560)(예를 들면, 데이터베이스)로부터 판독되고 재트레이닝된(새로운) AI/ML 모델(1564)은 AI/ML 모델 저장소(1560)에 기록된다. 그 다음, 재로딩/재초기화/재인스턴스화 컴포넌트(1554)는 재트레이닝된(새로운) AI/ML 모델(1564)을 사용하여 디지털 프로세스(1500)를 재로딩/재초기화/재인스턴스화하고, 디지털 프로세스(1500)는, 그 다음, 재트레이닝된(새로운) AI/ML 모델(1564)을 사용하여 작업/프로세싱 상태(1520)로 복귀한다.
도 16은, 본 발명의 한 실시형태에 따른, 런타임시의 AI/ML 모델 동적 업데이트를 위한 디지털 프로세스(1600)를 예시하는 아키텍쳐 다이어그램이다. 묘사된 실시형태에서, 디지털 프로세스(1600)는 FSM이다. 그러나, 본원에서의 개념은 본 발명의 범위를 벗어나지 않으면서 임의의 적절한 디지털 프로세스에서 구체화될 수도 있다.
디지털 프로세스(1500)에서와 같이, 디지털 프로세스(1600)는, 하나 이상의 AI/ML 모델의 인스턴스화 또는 초기화를 위한 그리고 디지털 프로세스(1600)의 다른 속성 및 컴포넌트를 위한 컴포넌트(1612, 1614)를 각각 갖는 초기화/인스턴스화(1610), 작업/요청 프로세싱 컴포넌트(1622) 및 AI/ML 모델 컴포넌트(1524)를 갖는 작업/프로세싱 상태(1520), 및 작업 요청(1630)을 포함한다. 그러나, 이 실시형태에서, 디지털 프로세스(1600)는 AI/ML 모델의 재트레이닝에서 수반되지 않는다. 따라서, 디지털 프로세스(1600)는 AI/ML 모델 업데이트 요청(1640)을 수신한다.
AI/ML 모델 업데이트 요청(1640)이 작업/요청 프로세싱 컴포넌트(1622)에 의해 수신되는 경우, AI/ML 모델 업데이트 요청(1640)은 업데이트 AI/ML 모델 상태(1650)의 재로딩/재초기화/재인스턴스화 컴포넌트(1652)로 전송되고, 그 다음, AI/ML 모델 저장소(1660)로부터 새로운(또는 다르게 업데이트된) AI/ML 모델(1662)을 사용하여 디지털 프로세스(1500)를 재로딩/재초기화/재인스턴스화한다. 그 다음, 디지털 프로세스(1600)는 새로운 AI/ML 모델(1662)을 사용하여 작업/프로세싱 상태(1620)로 복귀한다.
도 17은, 본 발명의 한 실시형태에 따른, 런타임 동안 디지털 프로세스에서의 AI/ML 모델 동적 업데이트, 또는 동적 재트레이닝 및 업데이트를 위한 프로세스(1700)를 예시하는 플로우차트이다. 프로세스는, 1710에서, AI/ML 모델에 대한 실행 요청, 재트레이닝 요청, 또는 업데이트 요청에 대한 요청을 청취하는 것으로 시작한다. 1720에서 재트레이닝 요청이 수신되거나 또는 1730에서 다른 재트레이닝 조건이 충족되는 경우, 1740에서 AI/ML 모델의 재트레이닝이 개시된다. 디지털 프로세스 구현 프로세스(1700)는 재트레이닝이 발생하고 있는 동안 현재 버전의 AI/ML 모델을 사용하여 실행을 계속할 수도 있다.
몇몇 실시형태에서, 디지털 프로세스는 RPA 워크플로우, BPM 플로우차트, 순차적 플로우, 또는 FSM이다. 소정의 실시형태에서, FSM은 RPA 워크플로우의 일부일 수도 있다. 소정의 실시형태에서, AI/ML 모델은 RPA 워크플로우의 활동에 의해 호출된다. 몇몇 실시형태에서, AI/ML 모델은 RPA 워크플로우의 활동에 직접적으로 임베딩된다.
다른 재트레이닝 조건은 AI/ML 모델의 자동 재트레이닝을 위한 메커니즘을 제공할 수도 있다. 이들 조건은 미리 결정된 양의 트레이닝 데이터가 수신되는 것, 마지막 재트레이닝 이후 미리 결정된 양의 시간이 경과하는 것, 이들의 조합, 등등을 포함할 수도 있다. 자동 재트레이닝을 위한 임의의 재트레이닝 조건이 본 발명의 범위를 벗어나지 않으면서 사용될 수도 있다.
1750에서 업데이트 요청이 수신되는 경우, 1760에서, AI/ML 모델은 업데이트되고 디지털 프로세스는 재초기화되거나 또는 초기화된다. 몇몇 실시형태에서, 이것은 재트레이닝된 AI/ML 모델의 성능을, 성능 임계치에 대해, AI/ML 모델의 이전 버전의 성능에 대해, 또는 둘 모두에 대해 비교하는 것, 및 새로운 버전이 성능 기준을 충족하는 경우에만 AI/ML 모델을 업데이트하는 것을 수반할 수도 있다. 소정의 실시형태에서, 이들 기준이 충족되지 않는 경우, 어떠한 업데이트 요청도 전송되지 않는다.
1770에서 AI/ML 모델을 실행하기 위한 요청이 수신되는 경우, 1780에서 AI/ML 모델이 실행된다. 단계(1720, 1730, 1750 또는 1770) 중 어느 것도 충족되지 않는 경우, 프로세스는 1710에서 AI/ML 모델에 대한 재트레이닝 요청 또는 업데이트 요청을 청취하는 것으로 복귀한다. 프로세스(1700)는 디지털 프로세스 구현 프로세스(1700)가 중지될 때까지 실행을 계속할 수도 있다.
도 15 내지 도 17에서 수행되는 프로세스 단계는, 본 발명의 실시형태에 따라, 프로세서(들)가 도 15 내지 도 17에서 설명되는 프로세스(들)의 적어도 일부를 수행하기 위한 명령어를 인코딩하는 컴퓨터 프로그램에 의해 수행될 수도 있다. 컴퓨터 프로그램은 비일시적 컴퓨터 판독 가능 매체 상에서 구체화될 수도 있다. 컴퓨터 판독 가능 매체는, 하드 디스크 드라이브, 플래시 디바이스, RAM, 테이프, 및/또는 데이터를 저장하기 위해 사용되는 임의의 다른 그러한 매체 또는 매체의 조합일 수도 있지만, 그러나 이들로 제한되지는 않는다. 컴퓨터 프로그램은, 컴퓨터 판독 가능 매체 상에 또한 저장될 수도 있는, 도 15 내지 도 17에 설명되는 프로세스 단계의 모두 또는 일부를 구현하기 위해 컴퓨팅 시스템의 프로세서(들)(예를 들면, 도 5의 컴퓨팅 시스템(500)의 프로세서(들)(510))를 제어하기 위한 인코딩된 명령어를 포함할 수도 있다.
컴퓨터 프로그램은 하드웨어, 소프트웨어 또는 하이브리드 구현에서 구현될 수 있다. 컴퓨터 프로그램은, 서로 동작 가능하게 통신하는, 정보 또는 명령어를 디스플레이에 전달하도록 설계되는 모듈로 구성될 수 있다. 컴퓨터 프로그램은 범용 컴퓨터, ASIC, 또는 임의의 다른 적절한 디바이스 상에서 동작하도록 구성될 수 있다.
본원의 도면에서 일반적으로 설명되고 예시되는 바와 같이, 본 발명의 다양한 실시형태의 컴포넌트는 아주 다양하고 상이한 구성으로 배열 및 설계될 수도 있다는 것이 쉽게 이해될 것이다. 따라서, 첨부된 도면에서 표현되는 바와 같이, 본 발명의 실시형태의 상세한 설명은 청구되는 바와 같은 본 발명의 범위를 제한하도록 의도되는 것이 아니라, 단지 본 발명의 선택된 실시형태를 대표하는 것에 불과하다.
본 명세서 전반에 걸쳐 설명되는 본 발명의 피쳐, 구조체, 또는 특성은 하나 이상의 실시형태에서 임의의 적절한 방식으로 결합될 수도 있다. 예를 들면, 본 명세서 전체에 걸친 "소정의 실시형태", "몇몇 실시형태" 또는 유사한 언어에 대한 언급은, 실시형태와 관련하여 설명되는 특정한 피쳐, 구조체 또는, 특성이 본 발명의 적어도 하나의 실시형태에서 포함된다는 것을 의미한다. 따라서, 본 명세서 전체에 걸친 어구 "소정의 실시형태에서", "몇몇 실시형태에서", "다른 실시형태에서" 또는 유사한 언어의 출현은, 반드시 모두 동일한 그룹의 실시형태를 가리키는 것은 아니며, 설명되는 피쳐, 구조체, 또는 특성은 하나 이상의 실시형태에서 임의의 적절한 방식으로 결합될 수도 있다.
본 명세서 전반에 걸친 피쳐, 이점 또는 유사한 언어에 대한 언급은, 본 발명을 사용하여 실현될 수도 있는 피쳐 및 이점 모두가 본 발명의 임의의 단일의 실시형태에 있어야 한다는 또는 있다는 것을 암시하지는 않는다. 오히려, 피쳐 및 이점을 언급하는 언어는, 실시형태와 관련하여 설명되는 특정한 피쳐, 이점, 또는 특성이 본 발명의 적어도 하나의 실시형태에 포함된다는 것을 의미하는 것으로 이해된다. 따라서, 본 명세서 전체에 걸친 피쳐 및 이점의 논의, 및 유사한 언어는 동일한 실시형태를 지칭할 수도 있지만, 그러나 반드시 그런 것은 아니다.
더구나, 본 발명의 설명되는 피쳐, 이점, 및 특성은 하나 이상의 실시형태에서 임의의 적절한 방식으로 결합될 수도 있다. 관련 기술 분야에서 숙련된 자는, 본 발명이 특정한 실시형태의 특정한 피쳐 또는 이점 중 하나 이상이 없어도 실시될 수 있다는 것을 인식할 것이다. 다른 경우에, 소정의 실시형태에서 본 발명의 모든 실시형태에서 존재하지 않을 수도 있는 추가적인 피쳐 및 이점이 인식될 수도 있다.
기술 분야에서 통상의 스킬을 가진 자는, 상기에서 논의되는 바와 같은 본 발명이 상이한 순서의 단계로, 및/또는 개시되는 것과는 상이한 구성의 하드웨어 엘리먼트로 실시될 수도 있다는 것을 쉽게 이해할 것이다. 따라서, 비록 본 발명이 이들 바람직한 실시형태에 기초하여 설명되었지만, 본 발명의 취지 및 범위 내에 남아 있으면서, 소정의 수정예, 변형예, 및 대안적인 구성예가 명백할 것이다는 것이 기술 분야의 숙련된 자에게 명백할 것이다. 따라서, 본 발명의 경계 및 범위를 결정하기 위해, 첨부된 청구범위에 대한 참조가 이루어져야 한다.

Claims (20)

  1. 컴퓨터 구현 방법에 있어서,
    컴퓨팅 시스템 상에서 실행되는 디지털 프로세스에 의해, 인공 지능(artificial intelligence; AI)/머신 러닝(machine learning; ML) 모델에 대한 업데이트 요청을 청취하는(listening for) 단계; 및
    상기 업데이트 요청이 수신되어 AI/ML 모델을 업데이트하는 경우, 상기 컴퓨팅 시스템 상에서 실행되는 상기 디지털 프로세스에 의해, 상기 AI/ML 모델의 업데이트된 버전을 호출하기 위해 상기 디지털 프로세스를 재초기화하거나 또는 재인스턴스화하고 다른 업데이트 요청을 청취하는 단계
    를 포함하고,
    상기 AI/ML 모델의 상기 업데이트는 상기 디지털 프로세스의 런타임(runtime) 동안 발생하고,
    상기 디지털 프로세스는 로봇 프로세스 자동화(robotic process automation; RPA) 워크플로우를 포함하고 상기 AI/ML 모델은 상기 RPA 워크플로우의 활동에 의해 호출되는 것인, 컴퓨터 구현 방법.
  2. 제1항에 있어서,
    상기 컴퓨팅 시스템 상에서 실행되는 상기 디지털 프로세스에 의해, 상기 AI/ML 모델에 대한 재트레이닝 요청을 청취하는 단계; 및
    상기 재트레이닝 요청이 수신되어 상기 AI/ML 모델을 재트레이닝하는 경우, 상기 컴퓨팅 시스템 상에서 실행되는 상기 디지털 프로세스에 의해, 상기 AI/ML 모델의 재트레이닝을 개시하는 단계
    를 더 포함하고,
    상기 AI/ML 모델의 상기 재트레이닝은 상기 디지털 프로세스의 런타임 동안 발생하는 것은, 컴퓨터 구현 방법.
  3. 제2항에 있어서,
    상기 AI/ML 모델의 상기 재트레이닝은 상기 디지털 프로세스를 실행하는 상기 컴퓨팅 시스템과는 상이한 하나 이상의 다른 컴퓨팅 시스템 상에서 발생하는 것인, 컴퓨터 구현 방법.
  4. 제2항에 있어서,
    상기 업데이트 요청이 수신될 때까지, 상기 컴퓨팅 시스템 상에서 실행되는 상기 디지털 프로세스에 의해, 상기 재트레이닝 동안 상기 AI/ML 모델의 현재 버전을 사용하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  5. 제2항에 있어서,
    상기 컴퓨팅 시스템 상에서 실행되는 상기 디지털 프로세스에 의해, 상기 재트레이닝된 AI/ML 모델의 성능을, 성능 임계치(performance threshold)에, 상기 AI/ML 모델의 이전 버전의 성능에 대해, 또는 둘 모두에 대해 비교하는 단계; 및
    상기 재트레이닝된 AI/ML 모델이 상기 성능 임계치, 상기 AI/ML 모델의 상기 이전 버전의 성능, 또는 둘 모두를 초과하는 경우, 상기 컴퓨팅 시스템 상에서 실행되는 상기 디지털 프로세스에 의해, 상기 AI/ML 모델을 업데이트하는 단계
    를 더 포함하는, 컴퓨터 구현 방법.
  6. 제1항에 있어서,
    미리 결정된 양의 트레이닝 데이터가 수신된 이후, 마지막 재트레이닝 이후 미리 결정된 양의 시간이 경과한 이후, 또는 둘 모두의 경우에, 상기 컴퓨팅 시스템 상에서 실행되는 상기 디지털 프로세스에 의해, 상기 AI/ML 모델의 재트레이닝을 자동적으로 개시하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  7. 제1항에 있어서,
    상기 디지털 프로세스는 비즈니스 프로세스 관리(business process management; BPM) 플로우차트, 순차적 플로우, 또는 유한 상태 머신(finite state machine; FSM)을 포함하는 것인, 컴퓨터 구현 방법.
  8. 제1항에 있어서,
    상기 AI/ML 모델은 상기 RPA 워크플로우의 활동에 직접적으로 임베딩되는(embedded) 것인, 컴퓨터 구현 방법.
  9. 제1항에 있어서,
    상기 디지털 프로세스는, 상기 AI/ML 모델을 스토리지로부터 로딩하거나 또는 상기 AI/ML 모델을 상기 디지털 프로세스에 의해 호출 가능하게 만드는 초기화 상태를 포함하는 것인, 컴퓨터 구현 방법.
  10. 디지털 프로세스를 포함하는 컴퓨터 프로그램이 구현되어 있는 비일시적 컴퓨터 판독 가능 기록 매체에 있어서,
    상기 프로그램은 적어도 하나의 프로세서로 하여금:
    인공 지능(AI)/머신 러닝(ML) 모델에 대한 재트레이닝 요청 또는 업데이트 요청을 청취하게 하도록;
    상기 재트레이닝 요청이 수신되어 상기 AI/ML 모델을 재트레이닝하는 경우, 상기 AI/ML 모델의 재트레이닝을 개시하게 하도록; 그리고
    상기 업데이트 요청이 수신되어 상기 AI/ML 모델을 업데이트하는 경우, 상기 AI/ML 모델의 업데이트된 버전을 호출하기 위해 상기 디지털 프로세스를 재초기화 또는 재인스턴스화하고 다른 재트레이닝 요청 또는 업데이트 요청을 청취하게 하도록
    구성되고,
    상기 AI/ML 모델의 상기 재트레이닝 또는 업데이트는 상기 디지털 프로세스의 런타임 동안 발생하고,
    상기 디지털 프로세스는 로봇 프로세스 자동화(RPA) 워크플로우를 포함하고 상기 AI/ML 모델은 상기 RPA 워크플로우의 활동에 의해 호출되는 것인, 비일시적 컴퓨터 판독 가능 기록 매체.
  11. 제10항에 있어서,
    상기 프로그램은 또한, 상기 적어도 하나의 프로세서로 하여금:
    상기 업데이트 요청이 수신될 때까지 상기 재트레이닝 동안 상기 AI/ML 모델의 현재 버전을 사용하게 하도록 구성되는 것인, 비일시적 컴퓨터 판독 가능 기록 매체.
  12. 제10항에 있어서,
    상기 프로그램은 또한, 상기 적어도 하나의 프로세서로 하여금:
    상기 재트레이닝된 AI/ML 모델의 성능을, 성능 임계치에 대해, 상기 AI/ML 모델의 이전 버전의 성능에 대해, 또는 둘 모두에 대해 비교하게 하도록; 그리고
    상기 재트레이닝된 AI/ML 모델이 상기 성능 임계치, 상기 AI/ML 모델의 상기 이전 버전의 성능, 또는 둘 모두를 초과하는 경우, 상기 AI/ML 모델을 업데이트하게 하도록
    구성되는 것인, 비일시적 컴퓨터 판독 가능 기록 매체.
  13. 제10항에 있어서,
    상기 프로그램은 또한, 상기 적어도 하나의 프로세서로 하여금:
    미리 결정된 양의 트레이닝 데이터가 수신된 이후, 마지막 재트레이닝 이후 미리 결정된 양의 시간이 경과한 이후, 또는 둘 모두의 경우에, 상기 AI/ML 모델의 재트레이닝을 자동적으로 개시하게 하도록 구성되는 것인, 비일시적 컴퓨터 판독 가능 기록 매체.
  14. 제10항에 있어서,
    상기 AI/ML 모델은 상기 RPA 워크플로우의 활동에 직접적으로 임베딩되는 것인, 비일시적 컴퓨터 판독 가능 기록 매체.
  15. 컴퓨팅 시스템에 있어서,
    디지털 프로세스를 포함하는 컴퓨터 프로그램 명령어를 저장하는 메모리; 및
    상기 컴퓨터 프로그램 명령어를 실행하도록 구성되는 적어도 하나의 프로세서를 포함하되, 상기 명령어는 상기 적어도 하나의 프로세서로 하여금:
    인공 지능(AI)/머신 러닝(ML) 모델에 대한 재트레이닝 요청을 청취하게 하도록; 그리고
    상기 재트레이닝 요청이 수신되어 상기 AI/ML 모델을 재트레이닝하는 경우, 상기 AI/ML 모델의 재트레이닝을 개시하게 하도록
    구성되고,
    상기 AI/ML 모델의 상기 재트레이닝은 상기 디지털 프로세스의 런타임 동안 발생하고,
    상기 디지털 프로세스는 로봇 프로세스 자동화(RPA) 워크플로우를 포함하고 상기 AI/ML 모델은 상기 RPA 워크플로우의 활동에 의해 호출되는 것인, 컴퓨팅 시스템.
  16. 제15항에 있어서,
    상기 명령어는 또한, 상기 적어도 하나의 프로세서로 하여금:
    상기 AI/ML 모델에 대한 업데이트 요청을 청취하게 하도록; 그리고
    상기 업데이트 요청이 수신되어 상기 AI/ML 모델을 업데이트하는 경우, 상기 컴퓨팅 시스템 상에서 실행되는 상기 디지털 프로세스에 의해, 상기 AI/ML 모델의 업데이트된 버전을 호출하기 위해 상기 디지털 프로세스를 재초기화하거나 또는 재인스턴스화하고 다른 업데이트 요청을 청취하게 하도록
    구성되고,
    상기 AI/ML 모델의 상기 업데이트는 상기 디지털 프로세스의 런타임 동안 발생하는 것인, 컴퓨팅 시스템.
  17. 제15항에 있어서,
    상기 프로그램은 또한, 상기 적어도 하나의 프로세서로 하여금:
    업데이트 요청이 수신될 때까지 상기 재트레이닝 동안 상기 AI/ML 모델의 현재 버전을 사용하게 하도록 구성되는 것인, 컴퓨팅 시스템.
  18. 제15항에 있어서,
    상기 프로그램은 또한, 상기 적어도 하나의 프로세서로 하여금:
    상기 재트레이닝된 AI/ML 모델의 성능을, 성능 임계치에 대해, 상기 AI/ML 모델의 이전 버전의 성능에 대해, 또는 둘 모두에 대해 비교하게 하도록; 그리고
    상기 재트레이닝된 AI/ML 모델이 상기 성능 임계치, 상기 AI/ML 모델의 상기 이전 버전의 성능, 또는 둘 모두를 초과하는 경우, 상기 AI/ML 모델을 업데이트하게 하도록
    구성되는 것인, 컴퓨팅 시스템.
  19. 제15항에 있어서,
    상기 프로그램은 또한, 상기 적어도 하나의 프로세서로 하여금:
    미리 결정된 양의 트레이닝 데이터가 수신된 이후, 마지막 재트레이닝 이후 미리 결정된 양의 시간이 경과한 이후, 또는 둘 모두의 경우에, 상기 AI/ML 모델의 재트레이닝을 자동적으로 개시하게 하도록 구성되는 것인, 컴퓨팅 시스템.
  20. 제15항에 있어서,
    상기 AI/ML 모델은 상기 RPA 워크플로우의 활동에 직접적으로 임베딩되는 것인, 컴퓨팅 시스템.
KR1020200103986A 2019-12-20 2020-08-19 런타임시 디지털 프로세스에서의 동적 인공 지능/머신 러닝 모델 업데이트, 또는 재트레이닝 및 업데이트 KR102453988B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/722,301 US11822913B2 (en) 2019-12-20 2019-12-20 Dynamic artificial intelligence / machine learning model update, or retrain and update, in digital processes at runtime
US16/722,301 2019-12-20

Publications (2)

Publication Number Publication Date
KR20210080163A KR20210080163A (ko) 2021-06-30
KR102453988B1 true KR102453988B1 (ko) 2022-10-12

Family

ID=70326845

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200103986A KR102453988B1 (ko) 2019-12-20 2020-08-19 런타임시 디지털 프로세스에서의 동적 인공 지능/머신 러닝 모델 업데이트, 또는 재트레이닝 및 업데이트

Country Status (5)

Country Link
US (2) US11822913B2 (ko)
EP (1) EP3839725A1 (ko)
JP (1) JP7088989B2 (ko)
KR (1) KR102453988B1 (ko)
CN (1) CN113011828B (ko)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11611633B2 (en) 2017-12-29 2023-03-21 Asg Technologies Group, Inc. Systems and methods for platform-independent application publishing to a front-end interface
US11074063B2 (en) * 2019-09-10 2021-07-27 International Business Machines Corporation Automatic upgrade of robotic process automation using a computer
US11055067B2 (en) * 2019-10-18 2021-07-06 Asg Technologies Group, Inc. Unified digital automation platform
US11693982B2 (en) 2019-10-18 2023-07-04 Asg Technologies Group, Inc. Systems for secure enterprise-wide fine-grained role-based access control of organizational assets
US11431583B2 (en) * 2019-11-22 2022-08-30 Huawei Technologies Co., Ltd. Personalized tailored air interface
US20210342736A1 (en) * 2020-04-30 2021-11-04 UiPath, Inc. Machine learning model retraining pipeline for robotic process automation
BR112022022260A2 (pt) * 2020-05-01 2023-01-31 Blue Prism Ltd Sistema e métodos para automação de processos robóticos
EP3907672A1 (en) * 2020-05-04 2021-11-10 Siemens Aktiengesellschaft Distributing order execution in a mom system
US11604627B2 (en) * 2020-05-07 2023-03-14 UiPath Inc. Systems and methods for on-demand provisioning of robotic process automation environments
CN113168335A (zh) * 2020-05-13 2021-07-23 尤帕斯公司 用于机器人流程自动化的应用集成
US11494203B2 (en) * 2020-05-13 2022-11-08 UiPath, Inc. Application integration for robotic process automation
CN111756853A (zh) * 2020-06-30 2020-10-09 北京来也网络科技有限公司 一种rpa模拟训练方法及装置、计算设备、存储介质
US12019421B2 (en) * 2020-07-09 2024-06-25 UiPath, Inc. Robot access control and governance for robotic process automation
US11733668B2 (en) * 2020-07-09 2023-08-22 UiPath, Inc. Robot access control and governance for robotic process automation
US11461374B2 (en) 2020-08-06 2022-10-04 UiPath, Inc. Entity engine of a computing platform
US11507259B2 (en) * 2020-09-08 2022-11-22 UiPath, Inc. Graphical element detection using a combined series and delayed parallel execution unified target technique, a default graphical element detection technique, or both
US11232170B1 (en) 2020-09-08 2022-01-25 UiPath, Inc. Application-specific graphical element detection
CN114265601A (zh) * 2020-09-16 2022-04-01 伊姆西Ip控股有限责任公司 管理人工智能应用的方法、设备和程序产品
US11822447B2 (en) 2020-10-06 2023-11-21 Direct Cursus Technology L.L.C Methods and servers for storing data associated with users and digital items of a recommendation system
US20220164700A1 (en) * 2020-11-25 2022-05-26 UiPath, Inc. Robotic process automation architectures and processes for hosting, monitoring, and retraining machine learning models
IT202000029291A1 (it) * 2020-12-01 2022-06-01 Volumio S R L Apparecchiatura elettronica basata su rete neurale
EP4035097A4 (en) * 2020-12-11 2023-08-09 UiPath, Inc. ADDITION TO ARTIFICIAL INTELLIGENCE (AI)/MACHINE LEARNING (ML) MODELS VIA ACTION CENTER, AI/ML MODEL TRAINING HARDWARE CONTROL AND AI/ML MODEL SETTING MANAGEMENT
CN112394950B (zh) * 2021-01-19 2021-04-27 共达地创新技术(深圳)有限公司 Ai模型部署方法、设备和存储介质
US11818806B2 (en) * 2021-05-18 2023-11-14 Qualcomm Incorporated ML model training procedure
US11537416B1 (en) 2021-06-10 2022-12-27 NTT DATA Services, LLC Detecting and handling new process scenarios for robotic processes
US11809883B2 (en) * 2021-07-08 2023-11-07 UiPath, Inc. Image pattern matching to robotic process automations
US20230032516A1 (en) * 2021-07-27 2023-02-02 UiPath, Inc. Common platform for implementing rpa services on customer premises
US20230108560A1 (en) * 2021-10-04 2023-04-06 Changfeng C Wang Methods and Systems for Representation, Composition and Execution of Artificial Intelligence Centric Applications
KR102622170B1 (ko) 2021-11-09 2024-01-05 에스케이 주식회사 Ai 모델 서빙 시스템 및 방법
WO2024019352A1 (ko) * 2022-07-21 2024-01-25 엘지전자 주식회사 무선 통신 시스템에서 신호 송수신 방법 및 장치
CN115063122B (zh) * 2022-08-08 2022-11-11 杭州实在智能科技有限公司 用于rpa连接ai算法平台的方法及系统
CN117998437A (zh) * 2022-11-03 2024-05-07 展讯通信（上海）有限公司 Ai模型更新方法及通信装置
WO2024164344A1 (zh) * 2023-02-10 2024-08-15 Oppo广东移动通信有限公司 信息传输方法、装置、设备、介质和程序产品

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180089591A1 (en) * 2016-09-27 2018-03-29 Clairfai, Inc. Artificial intelligence model and data collection/development platform

Family Cites Families (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05279980A (ja) 1992-03-31 1993-10-26 Toshiba Corp 回収ボイラ制御装置
US6119149A (en) 1998-06-05 2000-09-12 I2 Technologies, Inc. System and process allowing collaboration within and between enterprises for optimal decision making
JP4476400B2 (ja) 1999-11-12 2010-06-09 株式会社東芝 超音波診断装置
US6458081B1 (en) 1999-04-23 2002-10-01 Kabushiki Kaisha Toshiba Ultrasonic diagnostic apparatus
US8645276B2 (en) 2003-07-11 2014-02-04 Ca, Inc. Modeling of applications and business process services through auto discovery analysis
JP5279980B2 (ja) 2004-01-08 2013-09-04 日本電信電話株式会社 単一モード光ファイバ
JP2005309712A (ja) 2004-04-21 2005-11-04 Sharp Corp 楽曲検索システムおよび楽曲検索方法
US20050251527A1 (en) * 2004-05-07 2005-11-10 Mark Phillips System and method for integrating disparate data and application sources using a web services orchestration platform with business process execution language (BPEL)
US7937269B2 (en) 2005-08-22 2011-05-03 International Business Machines Corporation Systems and methods for providing real-time classification of continuous data streams
US20130035973A1 (en) 2011-08-01 2013-02-07 Infosys Limited Assessing green it maturity and providing green it recommendations
US8869101B2 (en) 2011-11-30 2014-10-21 Software Ag Automated implementation of business service communication and/or linkage of executable processes through automatic generation and population of variables
US20160070596A1 (en) 2013-04-15 2016-03-10 P. Ashok Anand Workflow Execution System and Method for Cloud Environment
US20160080422A1 (en) 2014-09-12 2016-03-17 International Business Machines Corporation Transforming business policies to information technology security control terms for improved system compliance
US9690644B2 (en) 2014-11-06 2017-06-27 International Business Machines Corporation Cognitive analysis for healing an IT system
KR20170032133A (ko) 2015-09-14 2017-03-22 서울대학교산학협력단 인메모리 트랜잭션 데이터베이스 내장 실시간 기계학습 아키텍쳐
KR20170101455A (ko) 2016-02-29 2017-09-06 성균관대학교산학협력단 빅데이터 플랫폼 기반의 인공지능 딥러닝 네트워크 구축을 활용한 3d 카메라를 장착한 로봇의 트레이닝 방법
CA2971784A1 (en) * 2016-06-23 2017-12-23 Radicalogic Technologies, Inc. Healthcare workflow system
US20180032393A1 (en) 2016-08-01 2018-02-01 International Business Machines Corporation Self-healing server using analytics of log data
US11370113B2 (en) * 2016-09-06 2022-06-28 Verily Life Sciences Llc Systems and methods for prevention of surgical mistakes
US9785497B1 (en) 2016-09-26 2017-10-10 International Business Machines Corporation Performing self-healing tasks using information technology management data
WO2018111270A1 (en) 2016-12-15 2018-06-21 Schlumberger Technology Corporation Systems and methods for generating, deploying, discovering, and managing machine learning model packages
US11157855B2 (en) * 2017-01-09 2021-10-26 Sutherland Global Services Inc. Robotics process automation platform
US10324457B2 (en) * 2017-05-11 2019-06-18 Global Eprocure Robotic process automation for supply chain management operations
US10885486B2 (en) 2017-06-16 2021-01-05 Genpact Luxembourg S.a.r.l. System and method for determining automation potential of a process
US11282035B2 (en) 2017-06-21 2022-03-22 Accenture Global Solutions Limited Process orchestration
US10235192B2 (en) * 2017-06-23 2019-03-19 Accenture Global Solutions Limited Self-learning robotic process automation
US10482232B2 (en) 2017-08-16 2019-11-19 Bank Of America Corporation Robotic process automation using controller execution model
US10762424B2 (en) * 2017-09-11 2020-09-01 Sas Institute Inc. Methods and systems for reinforcement learning
US10719365B2 (en) * 2017-10-27 2020-07-21 International Business Machines Corporation Cognitive learning workflow execution
US11037055B2 (en) 2017-10-30 2021-06-15 DoorDash, Inc. System for dynamic estimated time of arrival predictive updates
US20190126463A1 (en) 2017-10-31 2019-05-02 Bank Of America Corporation Robotic assisted action template generation based on profile
US20190130310A1 (en) 2017-11-01 2019-05-02 International Business Machines Corporation Cognitive it event handler
US12085901B2 (en) 2017-11-21 2024-09-10 Accenture Global Solutions Limited Bot management framework for robotic process automation systems
US20190244149A1 (en) 2017-11-27 2019-08-08 Sankar Krishnaswamy Cognitive Intelligent Automation Systems for Actionable Business intelligence (CIASFABI©)
US10452674B2 (en) * 2017-12-07 2019-10-22 Accenture Global Solutions Limited Artificial intelligence and robotic process automation for automated data management
JP2019159556A (ja) * 2018-03-09 2019-09-19 株式会社日本総合研究所 Ｒｐａ保守支援装置及びｒｐａ保守支援プログラム
US11809965B2 (en) * 2018-04-13 2023-11-07 Cisco Technology, Inc. Continual learning for multi modal systems using crowd sourcing
US11042458B2 (en) * 2018-04-30 2021-06-22 Accenture Global Solutions Limited Robotic optimization for robotic process automation platforms
JP2021523504A (ja) 2018-05-06 2021-09-02 ストロング フォース ティエクス ポートフォリオ ２０１８，エルエルシーＳｔｒｏｎｇ Ｆｏｒｃｅ Ｔｘ Ｐｏｒｔｆｏｌｉｏ ２０１８，Ｌｌｃ エネルギー、コンピュータ、ストレージ、及びその他のリソースの、スポット市場及び先物市場における分散型元帳及びその他のトランザクションの実行を自動化する、機械及びシステムを改善するための方法及びシステム
CN112106081A (zh) 2018-05-07 2020-12-18 谷歌有限责任公司 提供综合机器学习服务的应用开发平台和软件开发套件
WO2019215994A1 (ja) 2018-05-08 2019-11-14 日本電気株式会社 画像判定システム、画像判定方法および画像判定プログラム
JP7154823B2 (ja) 2018-05-28 2022-10-18 キヤノン株式会社 情報処理装置、ロボット制御装置、情報処理方法及びプログラム
US10839490B2 (en) * 2018-08-28 2020-11-17 Intel Corporation Apparatus and method for runtime training of a denoising machine learning engine
CN109446259B (zh) * 2018-10-24 2021-01-12 北京慧流科技有限公司 数据处理方法及装置、处理机及存储介质
CN110175677A (zh) * 2019-04-16 2019-08-27 平安普惠企业管理有限公司 自动更新方法、装置、计算机设备及存储介质
US11507825B2 (en) 2019-06-07 2022-11-22 Lg Electronics Inc. AI apparatus and method for managing operation of artificial intelligence system
WO2020256161A1 (ko) 2019-06-17 2020-12-24 엘지전자 주식회사 인공지능 홈 로봇 및 그의 제어 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180089591A1 (en) * 2016-09-27 2018-03-29 Clairfai, Inc. Artificial intelligence model and data collection/development platform

Also Published As

Publication number Publication date
US20200134374A1 (en) 2020-04-30
JP2021099778A (ja) 2021-07-01
CN113011828B (zh) 2023-12-29
JP7088989B2 (ja) 2022-06-21
US20240095017A1 (en) 2024-03-21
EP3839725A1 (en) 2021-06-23
KR20210080163A (ko) 2021-06-30
CN113011828A (zh) 2021-06-22
US11822913B2 (en) 2023-11-21

Similar Documents

Publication Publication Date Title
KR102453988B1 (ko) 런타임시 디지털 프로세스에서의 동적 인공 지능/머신 러닝 모델 업데이트, 또는 재트레이닝 및 업데이트
US10963231B1 (en) Using artificial intelligence to select and chain models for robotic process automation
KR102453990B1 (ko) 인공 지능(ai)을 사용한 미디어 대 워크플로우 생성
US11803458B2 (en) Inserting probabilistic models in deterministic workflows for robotic process automation and supervisor system
US11592804B2 (en) Task automation by support robots for robotic process automation (RPA)
US11775860B2 (en) Reinforcement learning in robotic process automation
JP2023552666A (ja) アクションセンターを介した人工知能（ａｉ）／機械学習（ｍｌ）モデルの補足、ａｉ／ｍｌモデル再訓練ハードウェア制御、およびａｉ／ｍｌモデル設定管理
KR102502324B1 (ko) 로봇 프로세스 자동화를 위한 머신 학습 모델 재훈련 파이프라인
EP3809347A1 (en) Media-to-workflow generation using artificial intelligence (ai)
JP2022552466A (ja) ロボティック・プロセス・オートメーション・ワークフローのための再構成可能なワークベンチパイプライン
JP2023523374A (ja) ロボティックプロセスオートメーションのための機械学習モデル再訓練パイプライン
US12124926B2 (en) Supplementing artificial intelligence (AI) / machine learning (ML) models via action center, AI/ML model retraining hardware control, and AI/ML model settings management

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant