KR20220079801A - 머신 러닝 모델을 호스팅, 모니터링, 및 리트레이닝하기 위한 로보틱 프로세스 오토메이션 아키텍처 및 프로세스 - Google Patents

머신 러닝 모델을 호스팅, 모니터링, 및 리트레이닝하기 위한 로보틱 프로세스 오토메이션 아키텍처 및 프로세스 Download PDF

Info

Publication number
KR20220079801A
KR20220079801A KR1020217043355A KR20217043355A KR20220079801A KR 20220079801 A KR20220079801 A KR 20220079801A KR 1020217043355 A KR1020217043355 A KR 1020217043355A KR 20217043355 A KR20217043355 A KR 20217043355A KR 20220079801 A KR20220079801 A KR 20220079801A
Authority
KR
South Korea
Prior art keywords
retraining
models
rpa
data
model
Prior art date
Application number
KR1020217043355A
Other languages
English (en)
Inventor
샤샨크 스리바스타바
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 KR20220079801A publication Critical patent/KR20220079801A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • 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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2212/00—Indexing scheme relating to accessing, addressing or allocation within memory systems or architectures
    • G06F2212/40—Specific encoding of data in memory or cache
    • G06F2212/402—Encrypted data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2107—File encryption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/61—Installation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioethics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Robotics (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Human Computer Interaction (AREA)
  • Geometry (AREA)

Abstract

머신 러닝 모델들을 호스팅, 모니터링, 및 리트레이닝하기 위한 로보틱 프로세스 오토메이션(robotic process automation, RPA) 아키텍처들 및 프로세스들이 개시된다. 리트레이닝은 ML 모델 라이프사이클의 중요한 부분이다. 리트레이닝은 ML 모델의 타입, 및 ML 모델이 트레이닝될 데이터에 종속적일 수 있다. 리트레이닝을 위한 RPA 로봇들로부터의 데이터를 저장하기 위해 보안 스토리지 계층이 사용될 수 있다. 이러한 리트레이닝은 자동으로, 원격으로, 그리고 사용자 개입 없이 수행될 수 있다.

Description

머신 러닝 모델을 호스팅, 모니터링, 및 리트레이닝하기 위한 로보틱 프로세스 오토메이션 아키텍처 및 프로세스
관련 출원 상호참조
본 출원은 2021년 1월 7일자로 출원된 미국 특허 출원 제17/143,392호의 이익을 주장하며, 이는 2020년 11월 25일자로 출원된 인도 특허 출원 제202011051237호 및 2020년 11월 25일자로 출원된 인도 특허 출원 제202011051236호의 이익을 주장한다. 이들 선출원들의 발명 내용은 전문이 본 명세서에 원용된다.
기술분야
본 발명은 일반적으로 로보틱 프로세스 오토메이션(robotic process automation, RPA)을 위한 인공 지능(artificial intelligence, AI)에 관한 것이고, 보다 구체적으로는 머신 러닝(machine learning, ML) 모델을 호스팅, 모니터링, 및 리트레이닝하기 위한 RPA 아키텍처 및 프로세스에 관한 것이다.
ML은 RPA에서 정의하기 어렵고, 가변성이 높으며, 확률적 접근 방식이 필요한 단계들을 오토메이션하는 데 유용할 수 있다. 그러나, RPA에서의 ML은 현재 실용적인 운용화 수단이 부족하다. 보다 구체적으로, ML은 고속 ML을 제공하기 위해 비즈니스 프로세스에 원활하게 플러깅(plugging)되어야 한다.
RPA와 ML이 함께 원활하게 작동하는 것을 방지하는 세 가지 중요한 장벽이 있으며, 바로 운용, 기술, 및 프로세스이다. 운용 관점에서, 로보틱 운용 센터(robotic operations center, ROC)와 데이터 과학 팀(data science team)들은 일반적으로 서로 다른 기술 세트들, 초점들, 및 비즈니스 우선 순위들을 갖는 사일로(silo)들로서 독립적으로 존재한다. 기술 관점에서, RPA 개발자들은 RPA 플랫폼을 사용하여 로봇들에 의해 수행되는 오토메이션을 구축, 배포, 및 관리한다. 한편, 데이터 과학자들은 전용 머신 러닝 모델링 툴들을 사용한다. 현재, ML 모델들을 API(응용 프로그래밍 인터페이스)로서 발표하는 것은 Azure®, Google®, 및 Amazon®과 같은 플랫폼을 통해 이루어진다. ML 모델은 HTTP를 통해 노출된다. 그러나, 사용자는 API를 이용하기 위해 코드를 작성해야 한다.
현재, 이들 툴들, 파이프라인들, 및 기술들은 단절되어 있고, RPA와 ML은 별개의 프로세스들로서 관리된다. ML 모델들을 통합하려고 할 때, ROC는 모델이 정확한 출력을 생성하고 있는지 여부 또는 모델이 업데이트되었는지 여부를 알지 못한다. 또한, 데이터 과학 팀은 모델들이 정확하게 사용되고 있는지 여부 그리고 모델들이 얼마나 유용한지를 알지 못한다. 예를 들어, 데이터 과학자들은 현재 워크플로우에 포함시킬 스키마 정의를 RPA 개발자에게 전달하는 간단한 메커니즘을 갖지 않는다. 또한, RPA 개발자가 ML 모델을 배포할 엔드포인트가 변경될지 여부, 또는 다른 어떤 작업들에 ML 모델이 사용되고 있는지도 알려져 있지 않다. 또한, 데이터 과학자에게는 모델이 중단된 원인(예를 들어, 데이터 과학자는 엔드포인트가 도달 가능한지 여부를 알지 못할 수 있음) 또는 입력 데이터가 변경된다면 모델이 어떻게 리트레이닝되고 워크플로우를 업데이트할지가 알려지지 않는다. 이는 RPA와 ML 사이에 근본적인 단절을 만든다. 따라서, RPA와 ML 모델 관리의 통합에 대한 접근 방식 개선이 유용할 수 있다.
본 발명의 특정 실시예들은 현재의 RPA 기술들에 의해 아직 완전히 식별, 인식, 또는 해결되지 않은 당업계의 문제들 및 요구들에 대한 솔루션들을 제공할 수 있다. 예를 들어, 본 발명의 일부 실시예는 ML 모델들을 호스팅, 모니터링, 및 리트레이닝하기 위한 RPA 아키텍처들 및 프로세스들에 관한 것이다.
일 실시예에서, 시스템은 하나 이상의 ML 모델을 호출하도록 구성된 하나 이상의 RPA 로봇을 포함한다. 시스템은 또한, 하나 이상의 ML 모델을 저장하고 하나 이상의 RPA 로봇의 각 RPA 로봇으로부터의 호출 시에 하나 이상의 ML 모델을 실행하도록 구성된 AI 센터를 포함한다. AI 센터는 또한, ML 모델에 대한 복수의 데이터세트들을 저장하도록 구성된다. 각 데이터세트는 논리적 또는 물리적으로 그룹화된 유사한 타입들의 데이터를 포함한다. AI 센터는 또한, ML 모델에 대한 트레이닝 구성에서 지정된 복수의 데이터세트들의 서브세트를 사용하여 리트레이닝이 수동으로 요청될 때 또는 트레이닝 조건이 충족될 때 하나 이상의 ML 모델 중의 ML 모델을 리트레이닝하고, 리트레이닝된 ML 모델을 하나 이상의 RPA 로봇에 의해 호출되게 디플로이하도록 구성된다.
또 다른 실시예에서, 비일시적인 컴퓨터 판독 가능 매체는 컴퓨터 프로그램을 저장한다. 컴퓨터 프로그램은 적어도 하나의 프로세서로 하여금 복수의 ML 모델들 및 ML 모델들에 대한 복수의 데이터세트들을 저장하게 하도록 구성된다. 각 데이터세트는 논리적 또는 물리적으로 그룹화된 유사한 타입들의 데이터를 포함한다. 컴퓨터 프로그램은 또한, 적어도 하나의 프로세서로 하여금, ML 모델에 대한 트레이닝 구성에서 지정된 복수의 데이터세트들의 서브세트를 사용하여 리트레이닝이 수동으로 요청될 때 또는 트레이닝 조건이 충족될 때 복수의 ML 모델들 중의 ML 모델을 리트레이닝하게 하도록 구성된다. 컴퓨터 프로그램은 또한, 적어도 하나의 프로세서로 하여금, 리트레이닝된 ML 모델을 하나 이상의 RPA 로봇에 의해 호출되는 데 이용 가능하게 함으로써 리트레이닝된 ML 모델을 디플로이하게 하도록 구성된다.
또 다른 실시예에서, AI 센터는 하나 이상의 리트레이닝 파이프라인을 실행하도록 구성된 트레이닝 클러스터, 및 하나 이상의 ML 모델에 대한 생성/판독/업데이트/삭제(create/read/update/delete, CRUD) 동작들을 수행하고 트레이닝 클러스터의 리트레이닝 파이프라인으로 하여금, 하나 이상의 ML 모델의 리트레이닝을 개시하게 하도록 구성된 코어 마이크로서비스 클러스터를 포함한다. 또 다른 실시예에서, AI 센터는 또한, 하나 이상의 ML 모델을 실행하고, 실행의 결과들을 호출 RPA 로봇들에 제공하도록 구성된 ML 서비스 클러스터를 포함한다.
또 다른 실시예에서, 시스템은 ML 모델을 컨테이너에 저장하고 RPA 로봇으로부터의 호출 시에 저장된 ML 모델을 실행하도록 구성된 AI 센터를 포함한다. ML 모델을 포함하는 컨테이너의 컨텐츠가 암호화 또는 난독화되거나(obfuscated), ML 모델이 암호화되거나, 또는 둘 모두이다.
또 다른 실시예에서, AI 센터는 컴퓨터 프로그램 명령어들을 저장하는 메모리 및 컴퓨터 프로그램 명령어들을 실행하도록 구성된 적어도 하나의 프로세서를 포함한다. 컴퓨터 프로그램 명령어들은 적어도 하나의 프로세서로 하여금, 복수의 ML 모델들에 대한 복수의 데이터세트들을 저장하게 하도록 구성된다. 각 데이터세트는 논리적 또는 물리적으로 그룹화된 유사한 타입들의 데이터를 포함한다. 컴퓨터 프로그램 명령어들은 또한, 적어도 하나의 프로세서로 하여금, ML 모델에 대한 트레이닝 구성에서 지정된 복수의 데이터세트들의 서브세트를 사용하여 트레이닝 조건이 충족될 때 또는 수동으로 요청 시에 복수의 ML 모델들 중의 ML 모델을 리트레이닝하게 하도록 구성된다. 컴퓨터 프로그램 명령어들은 또한, 적어도 하나의 프로세서로 하여금, 리트레이닝되고 있는 ML 모델에 대한 하나 이상의 성능 척도를 수신하고 리트레이닝 동안 하나 이상의 성능 척도에 대한 하나 이상의 스코어를 생성하게 하도록 구성된다. 하나 이상의 스코어가 향상될 때, 컴퓨터 프로그램 명령어들은 적어도 하나의 프로세서로 하여금, ML 모델의 이전 버전 대신에 리트레이닝된 ML 모델을 디플로이하게 하거나, 또는 ML 모델의 리트레이닝된 버전을 디플로이하게 하고, ML 모델의 리트레이닝된 버전 및 ML 모델의 이전 버전 양자를 사용하게 하며, 가장 높은 신뢰도를 갖는 결과를 선택하게 하도록 구성된다.
또 다른 실시예에서, 컴퓨터 구현 방법은 AI 센터에 의해, 컨테이너에 ML 모델을 저장하는 단계를 포함한다. 컴퓨터 구현 방법은 또한, RPA 로봇으로부터의 호출 시에, AI 센터에 의해, 저장된 ML 모델을 실행하는 단계를 포함한다. ML 모델을 포함하는 컨테이너의 컨텐츠가 암호화 또는 난독화되거나, ML 모델이 암호화되거나, 또는 둘 모두이다.
본 발명의 특정 실시예들의 장점들이 쉽게 이해될 수 있도록 하기 위해, 위에서 약술된 본 발명의 보다 구체적인 설명을 첨부된 도면들에 도시된 특정 실시예들을 참조하여 제공할 것이다. 이들 도면들은 단지 본 발명의 통상적인 실시예들을 도시할 뿐이며, 이에 따라 본 발명의 범위를 제한하는 것으로 고려되어서는 안 된다는 것이 이해되어야 하며, 본 발명은 다음 첨부 도면들의 사용을 통해 추가적인 특이성 및 세부사항으로 설명되고 기술될 것이다.
도 1은 본 발명의 일 실시예에 따른, RPA 시스템을 도시한 구성도이다.
도 2는 본 발명의 일 실시예에 따른, 디플로이된 RPA 시스템을 도시한 구성도이다.
도 3은 본 발명의 일 실시예에 따른, 디자이너, 액티비티들, 및 드라이버들 사이의 관계를 도시한 구성도이다.
도 4는 본 발명의 일 실시예에 따른, RPA 시스템을 도시한 구성도이다.
도 5는 본 발명의 일 실시예에 따른, ML 모델들을 호스팅, 모니터링, 및 리트레이닝하거나, 또는 이를 행하는 시스템의 일부로서 동작하도록 구성된 컴퓨팅 시스템을 도시한 구성도이다.
도 6a 및 도 6b는 본 발명의 일 실시예에 따른, ML 모델들을 호스팅, 모니터링, 및 리트레이닝하기 위한 RPA 아키텍처를 도시한 구성도이다.
도 7은 본 발명의 일 실시예에 따른, ML 모델들을 호스팅, 모니터링, 및 리트레이닝하는 것을 수행하도록 구성된 시스템을 도시한 구성도이다.
도 8은 본 발명의 일 실시예에 따른, 로우 코드(low code) ML 모델 파이프라인 생성 인터페이스를 도시한다.
도 9는 본 발명의 일 실시예에 따른, ML 모델들을 호스팅, 모니터링, 및 리트레이닝하기 위한 프로세스를 도시한 흐름도이다.
달리 지시되지 않는 한, 유사한 참조 문자들은 첨부된 도면들을 통해 일관되게 대응하는 특징부들을 나타낸다.
일부 실시예는 ML 모델들을 호스팅, 모니터링, 및 리트레이닝하기 위한 RPA 아키텍처들 및 프로세스들에 관한 것이다. 리트레이닝은 ML 모델 라이프사이클의 중요한 부분이다. 리트레이닝은 ML 모델의 타입(예를 들어, 이의 알고리즘들의 아키텍처), 및 ML 모델이 트레이닝될 데이터에 종속적일 수 있다. 일부 실시예는 보안 테넌트 레벨 스토리지 계층 - 여기에 테넌트들은 그들이 트레이닝하려는 데이터를 포함시킬 수 있음 - 을 채용하고, RPA 로봇들은 이러한 스토리지 계층과 상호작용할 수 있다. 데이터는 (예를 들어, 사용자 컴퓨팅 시스템들, 서버들, 모바일 디바이스들, 이들의 조합 등으로부터) 시간이 지나면서 수집될 수 있고, RPA 로봇들은 이 데이터를 스토리지 계층에 제공할 수 있다.
일부 실시예에서, ML 모델을 리트레이닝하기 위한 로직은 ML 모델의 거동에 기초한다. ML 모델들은 트레이닝/리트레이닝에 사용되는 데이터가 ML 모델의 거동을 다양한 정도로 변화시킬 수 있는 데이터에 대해 상이한 민감도를 갖는다. 또한, 하나의 ML 모델로부터 또 다른 모델로의 리트레이닝에 상이한 양의 데이터가 필요할 수 있다. 일부 ML 모델들은 몇 개의 샘플들 또는 데이터 포인트들을 사용하여 리트레이닝될 수 있는 반면, 다른 ML 모델들은 효과적으로 트레이닝/리트레이닝되기 위해 수백, 수천, 수만, 또는 그 이상의 샘플들 또는 데이터 포인트들을 필요로 할 수 있다. 또한, ML 모델들은 상이한 타입들의 트레이닝 데이터, 이를테면 수치 또는 텍스트 데이터, 문서들, 스크린샷들, 이미지들 등을 필요로 할 수 있다.
일부 실시예에서, RPA 로봇이 스토리지가 어디에 있는지를 자동으로 알고 데이터를 업로드할 수 있게 하는 데이터 푸시 액티비티(RPA 로봇의 워크플로우에 포함된다면)가 있다. 추가적으로 또는 대안적으로, RPA 로봇은 로컬 데이터 및/또는 원격 데이터베이스에 저장된 데이터를 통해 반복할 수 있고, 그 다음 이 데이터를 스토리지 계층으로 송신할 수 있다. 그러나, 일부 실시예에서는, 인간이 애플리케이션(예를 들어, 데스크톱 애플리케이션, 웹 브라우저, 모바일 폰 애플리케이션 등)을 사용하고 그로부터 데이터를 업로드할 수 있다. 시간이 지나면서 스토리지 계층 내에 수집되는 데이터는 상이한 타입들의 데이터의 그룹화(예를 들어, 데이터세트들)가 가능할 수 있다. 유사한 타입들의 데이터는 논리적 또는 물리적으로 그룹화될 수 있다. 일부 실시예에서, 사용자들은 그들이 트레이닝시키려는 ML 모델을 선택하고, 그들이 ML 모델을 트레이닝시키려는 데이터세트(들)를 선택하며, 그들이 리트레이닝이 일어나기를 원하는 때(예를 들어, 요청시 또는 주기적으로) 를 선택할 수 있다.
일부 실시예에서, 데이터세트들은 ML 모델이 데이터세트에서의 데이터에 액세스하기 위한 포인터들로서 제시될 수 있다. ML 모델은 ML 모델이 마지막으로 트레이닝되었던 땐 이용 가능하지 않았던 더 새로운 데이터, 더 오래된 데이터와 더 새로운 데이터의 조합, 전체 데이터세트 등에 기초하여 리트레이닝될 수 있다. ML 모델들은 새로운 데이터가 획득됨에 따라 시간이 지나면서 더 정확해질 수 있다.
일부 실시예에서, 사용자들은 사용하고자 하는 성능 척도(들)를 선택할 수 있고, 시스템은 선택된 성능 척도(들)에 기초하여 리트레이닝된 ML 모델에 대한 하나 이상의 스코어를 생성한다. 스코어(들)가 향상된다면, 리트레이닝된 ML 모델은 사용자가 원한다면 자동으로 이전 버전 대신에 사용될 수 있다. 그렇지 않으면, 사용자는 알림을 받고, 리트레이닝된 버전을 디플로이하는 것이 바람직한지 여부를 결정할 수 있다. 일부 실시예에서, 스코어의 변화는 시간이 지나면서 추적되어, 정확도의 향상과 감소 양자를 강조할 수 있다. 그 다음, 사용자 또는 시스템은 부정적인 추이를 야기하는 원인이 무엇인지 파악하려고 시도할 수 있다.
일부 실시예에서, 사용되는 데이터의 양은 자동으로 조정될 수 있다. 예를 들어, 본 발명의 범위로부터 벗어나지 않고, 데이터 포인트들의 수, 데이터가 수집되는 빈도, 수집되는 데이터의 양, 리트레이닝을 위한 트리거들, 및/또는 임의의 다른 적합한 트레이닝 파라미터들을 사용자들이 조정할 수 있게 하는 트레이닝 인터페이스가 제공될 수 있다.
일부 실시예의 아키텍처는 지적 재산권(intellectual property, IP) 침해를 줄이거나 방지하는 것을 도울 수 있다. 예를 들어, 일부 호스팅된 ML 모델들은 이용자들에 의해 제공되지 않을 수 있고 호스팅 아키텍처를 제공하는 회사의 소유일 수 있다. 이들 ML 모델들은 단지 설명만으로 사용자들의 RPA 로봇들에 이용 가능하고 호출 가능하게 될 수 있고, ML 모델들 자체는 사용자들 또는 호출 RPA 로봇들에 제공되지 않을 수 있다. 더 정확히 말하면, ML 모델 실행의 결과들만 제공될 수 있다.
일부 실시예는 이용자 사이트들 상에서의 IP 침해를 줄이거나 방지할 수 있다. 예를 들어, ML 모델을 포함하는 Docker™ 컨테이너의 컨텐츠는 암호화 또는 난독화될 수 있고/거나, ML 모델 자체가 암호화될 수 있다. 이는 RPA 서비스 제공자가 RPA 서비스 제공자 소유 ML 모델들(포함된다면)이 복사되거나 리버스 엔지니어링(reverse engineering)될 위험이 적은 ML 운용 플랫폼을 이용자 사이트에 디플로이할 수 있게 할 수 있다.
일부 실시예에서, RPA를 위한 로우 코드 ML 모델 디플로이먼트 및 트레이닝 시스템이 제공될 수 있다. ML 패키지들은 사용자들에 의한 코딩 없이 한 번의 클릭으로 디플로이될 수 있다. 예를 들어, 사용자들은 ML 모델들의 카탈로그로부터 선택하고 선택된 ML 모델들을 타겟 컴퓨팅 환경(예를 들어, 단일 노드 쿠버네티스(Kubernete) 설비, 다중 노드 설비 등) 상에 디플로이할 수 있다. 특정 실시예들에서, 사용자들은 버튼을 한 번 클릭하여 ML 모델들을 트레이닝할 수 있다. 이러한 실시예들은 사용자들에게 기술적 지식을 가질 것을 요구하지 않을 수 있고, 사용자들은 수동 프로그래밍 없이 RPA 워크플로우에 이러한 기능을 플러깅할 수 있다.
일부 실시예에서, 사용자들은 다수의 ML 모델들을 함께 체이닝할 수 있다. 이는 특정 로직 또는 구성에 기초할 수 있다. ML 모델들의 네트워크는 인터페이스에서 사용자들에게 이용 가능하게 될 수 있으며, 가능하게는 가장 관련성이 높을 것으로 시스템이 결정한 ML 모델들이 제안된다. 예를 들어, 사용자가 버튼을 클릭하는 액티비티에 대한 ML 모델을 추가하고자 한다면, 그래픽 요소 인식 ML 모델들이 제안될 수 있다. 그 다음, 사용자는 원하는 결과를 달성하도록 ML 모델들을 선택하고 이들을 적절하게 체이닝할 수 있다.
AI/ML 모델들의 체이닝은 클라이언트측에서, 서버측에서, 또는 양자에서 일어날 수 있다. 클라이언트측 체이닝에 대해, RPA 개발자는 RPA 워크플로우로 체이닝 로직을 수동으로 개발할 수 있다. 예를 들어, RPA 개발자는 하나의 AI/ML 모델을 호출하는 액티비티를 포함할 수 있고, 결과들을 또 다른 AI/ML 모델에 공급하는 시퀀스의 또 다른 액티비티에 모델 실행 결과들을 공급할 수 있는 등이다.
서버측에서, 서로 연결될 수 있는 AI/ML 모델들이 그래프에 제공될 수 있거나, 다수의 AI/ML 모델들을 함께 연결할 수 있는 워크플로우가 생성될 수 있다. 예를 들어, 사용자는 AI/ML 모델들을 그래프로 볼 수 있고, 자신이 원하는 대로 이들을 함께 체이닝할 수 있다. 클라이언트측 및 서버측 체이닝 양자에 대해, 사용자들은 AI/ML 모델 직렬 연결들, 병렬 연결들, 또는 이들의 조합을 생성할 수 있다.
일부 실시예에서, ML 운용 플랫폼의 기능은 하나의 컴퓨팅 시스템(예를 들어, 단일 서버) 상에 포함될 수 있다. 이러한 컴퓨팅 시스템은 예를 들어, RPA 서비스 제공자에 의해 원격으로 호스팅되기보다는, 클라이언트 사이트 상에 위치될 수 있다. 이러한 컴퓨팅 시스템은 그렇지 않으면 호스팅된 클라우드 시스템 상에 제공될 수 있는 기능을 로컬로 제공할 수 있다는 의미에서 "클라우드형(cloud-like)" 기능을 제공할 수 있다. 이러한 실시예들은 특정 건강 관리 애플리케이션, 금융 서비스 애플리케이션 등과 같은, 규제 또는 보안상 이유들로 컴퓨팅 시스템이 공공 설비를 사용하지 않아야 하는(off the grid) 에어 갭(air gap) 시나리오들에 특히 유용할 수 있다. 이러한 시나리오들에서, 특정 권한이 있는 사용자들 및/또는 다른 컴퓨팅 시스템들이 ML 운용 플랫폼을 제공하는 컴퓨팅 시스템에 액세스할 수 있다.
일부 실시예에서, 사용자들이 트레이닝/리트레이닝을 위한 데이터를 마킹/라벨링할 수 있는 라벨링 툴을 갖는 애플리케이션이 제공될 수 있다. 그 다음, 라벨링된 데이터는 트레이닝/리트레이닝을 위한 데이터세트로 푸시될 수 있다. 사용자들이 데이터를 검증할 수 있는 검증 기능들도 또한 제공될 수 있다.
도 1은 본 발명의 일 실시예에 따른, RPA 시스템(100)을 도시하는 구성도이다. RPA 시스템(100)은 개발자가 워크플로우들을 설계 및 구현할 수 있게 하는 디자이너(110)를 포함한다. 디자이너(110)는 애플리케이션 통합뿐만 아니라, 서드 파티 애플리케이션들, 관리용 정보 기술(IT) 작업들, 및 비즈니스 IT 프로세스들을 오토메이션하기 위한 솔루션을 제공할 수 있다. 디자이너(110)는 오토메이션 프로젝트의 개발을 가능하게 할 수 있으며, 이는 비즈니스 프로세스의 그래픽 표현이다. 간단히 말하면, 디자이너(110)는 워크플로우들 및 로봇들의 개발 및 디플로이먼트를 가능하게 한다.
오토메이션 프로젝트는 워크플로우로 개발되는 커스텀 단계들 - 본원에서 "액티비티들"로서 정의됨 - 의 세트 사이의 실행 순서 및 관계에 대한 제어 권한을 개발자에게 부여함으로써 규칙 기반 프로세스들의 오토메이션을 가능하게 한다. 디자이너(110)의 일 실시예의 하나의 상용례는 UiPath Studio™이다. 각 액티비티는 버튼을 클릭하는 것, 파일을 읽는 것, 로그 패널에 쓰는 것 등과 같은 액션을 포함할 수 있다. 일부 실시예에서, 워크플로우들은 네스트되거나(nested) 임베드될(embedded) 수 있다.
워크플로우들의 일부 타입들은 시퀀스들, 흐름도들, 유한 상태 머신(Finite State Machine; FSM)들, 및/또는 전역 예외 처리기들을 포함할 수 있지만, 이에 제한되지 않는다. 시퀀스들은 워크플로우를 클러터링하지 않고 한 액티비티로부터 또 다른 액티비티로의 흐름을 가능하게 하여, 선형 프로세스들에 특히 적합할 수 있다. 흐름도들은 다중 분기 논리 연산자들을 통해 보다 다양한 방식으로 결정들의 통합 및 액티비티들의 연결을 가능하게 하여, 보다 복잡한 비지니스 로직에 특히 적합할 수 있다. FSM들은 대규모 워크플로우들에 특히 적합할 수 있다. FSM들은 실행에, 조건(즉, 전환) 또는 액티비티에 의해 트리거되는 유한 개의 상태를 사용할 수 있다. 전역 예외 처리기들은 실행 오류가 발생할 때 워크플로우 거동을 결정하고 프로세스들을 디버깅하는 데 특히 적합할 수 있다.
디자이너(110)에서 워크플로우가 개발되면, 컨덕터(120)에 의해 비즈니스 프로세스들의 실행이 오케스트레이션되며, 이 컨덕터는 디자이너(110)에서 개발된 워크플로우들을 실행하는 하나 이상의 로봇(130)을 오케스트레이션한다. 컨덕터(120)의 일 실시예의 하나의 상용례는 UiPath Orchestrator™이다. 컨덕터(120)는 환경에서 리소스들의 생성, 모니터링, 및 디플로이먼트의 관리를 가능하게 한다. 컨덕터(120)는 또한 서드 파티 솔루션들 및 애플리케이션들과의 통합 지점으로서의 역할을 할 수 있다.
컨덕터(120)는 로봇들(130)을 중앙 집중 지점으로부터 연결 및 실행하여, 로봇 전체(130)를 관리할 수 있다. 관리될 수 있는 로봇들(130)의 타입들은 협업 로봇(attended robot)들(132), 무인 로봇(unattended robot)들(134), 개발 로봇들(무인 로봇들(134)과 유사하나, 개발 및 테스트를 위해 사용됨), 및 비생산 로봇(nonproduction robot)들(협업 로봇들(132)과 유사하나, 개발 및 테스트를 위해 사용됨)을 포함하지만, 이에 제한되지 않는다. 협업 로봇들(132)은 사용자 이벤트들에 의해 트리거되고 동일한 컴퓨팅 시스템 상에서 인간과 함께 동작한다. 협업 로봇들(132)은 중앙 집중화된 프로세스 디플로이먼트 및 로깅 매체에 컨덕터(120)와 함께 사용될 수 있다. 협업 로봇들(132)은 인간 사용자가 다양한 작업들을 실현하는 것을 도울 수 있고, 사용자 이벤트들에 의해 트리거될 수 있다. 일부 실시예에서, 프로세스들은 이러한 타입의 로봇 상에서 컨덕터(120)로부터 시작될 수 없고/거나 프로세스들은 스크린이 잠긴 상태에서 실행될 수 없다. 특정 실시예에서, 협업 로봇(132)은 단지 로봇 트레이로부터 또는 커맨드 프롬프트로부터만 시작될 수 있다. 일부 실시예에서, 협업 로봇들(132)은 인간의 감독 하에서 실행되어야 한다.
무인 로봇들(134)은 가상 환경들에서 무인으로 실행되고 많은 프로세스들을 오토메이션할 수 있다. 무인 로봇들(134)은 작업 큐들에 대한 원격 실행, 모니터링, 스케줄링, 및 지원 제공을 담당할 수 있다. 일부 실시예에서, 모든 로봇 타입들에 대한 디버깅은 디자이너(110)에서 실행될 수 있다. 협업 로봇 및 무인 로봇 양자는 메인프레임, 웹 애플리케이션, VM, 엔터프라이즈 애플리케이션(예를 들어, SAP®, SalesForce®, Oracle® 등에 의해 제작된 것들), 및 컴퓨팅 시스템 애플리케이션(예를 들어, 데스크탑 및 랩탑 애플리케이션, 모바일 디바이스 애플리케이션, 웨어러블 컴퓨터 애플리케이션 등)을 포함하는 다양한 시스템들 및 애플리케이션들을 오토메이션할 수 있지만, 이에 제한되지 않는다.
컨덕터(120)는 프로비저닝(provisioning), 디플로이먼트, 구성(configuration), 큐잉(queue), 모니터링, 로깅, 및/또는 상호연결(interconnectivity) 제공을 포함하는 다양한 기능들을 가질 수 있지만, 이에 제한되지 않는다. 프로비저닝은 로봇(130)과 컨덕터(120)(예를 들어, 웹 애플리케이션) 사이의 연결들의 생성 및 유지 보수를 포함할 수 있다. 디플로이먼트는 실행을 위해 패키지 버전들의 할당된 로봇(130)으로의 정확한 전달을 보장하는 것을 포함할 수 있다. 구성은 로봇 환경들 및 프로세스 구성들의 유지 보수 및 전달을 포함할 수 있다. 큐잉은 큐들 및 큐 항목들의 관리를 제공하는 것을 포함할 수 있다. 모니터링은 로봇 식별 데이터를 추적하는 것과 사용자 권한을 유지하는 것을 포함할 수 있다. 로깅은 데이터베이스(예를 들어, SQL 데이터베이스) 및/또는 또 다른 스토리지 메커니즘(예를 들어, ElasticSearch® - 이는 대용량 데이터세트들을 저장하고 신속하게 질의할 수 있는 능력을 제공함)에 로그들을 저장하는 것과 인덱싱하는 것을 포함할 수 있다. 컨덕터(120)는 서드 파티 솔루션들 및/또는 애플리케이션들에 대한 통신의 중앙 집중 지점으로서의 역할을 함으로써 상호연결을 제공할 수 있다.
로봇들(130)은 디자이너(110)에서 구축된 워크플로우들을 실행하는 실행 에이전트들이다. 로봇(들)(130)의 일부 실시예의 하나의 상용례는 UiPath Robots™이다. 일부 실시예에서, 로봇들(130)은 Microsoft Windows® 서비스 제어 관리자(Service Control Manager, SCM) 관리 서비스를 디폴트로 설치한다. 그 결과, 이러한 로봇들(130)은 로컬 시스템 계정 하에서 대화형 Windows® 세션들을 열 수 있고, Windows® 서비스의 권한들을 가질 수 있다.
일부 실시예에서, 로봇들(130)은 사용자 모드로 설치될 수 있다. 이러한 로봇들(130)에 대해, 이는 로봇들이 소정의 로봇(130)이 설치된 사용자 모드와 동일한 권한들을 가진다는 것을 의미한다. 이러한 특징은 또한 고밀도(High Density, HD) 로봇들에도 이용 가능할 수 있으며, 이는 각 머신의 최대 잠재력에서의 완전한 활용을 보장한다. 일부 실시예에서, 임의의 타입의 로봇(130)은 HD 환경에서 구성될 수 있다.
일부 실시예에서, 로봇들(130)은 각각이 특정 오토메이션 작업에 전용되는 몇몇 컴포넌트들로 나뉜다. 일부 실시예에서, 로봇 컴포넌트들은 SCM 관리 로봇 서비스들, 사용자 모드 로봇 서비스들, 실행기들, 에이전트들, 및 커맨드 라인을 포함하지만, 이에 제한되지 않는다. SCM 관리 로봇 서비스들은 Windows® 세션들을 관리 및 모니터링하고, 컨덕터(120)와 실행 호스트들(즉, 로봇들(130)이 실행되는 컴퓨팅 시스템들) 사이의 프록시로서의 역할을 한다. 이러한 서비스들은 로봇들(130)에 대한 자격 증명들로 신뢰되고 그 자격 증명들을 관리한다. 로컬 시스템 하에서 SCM에 의해 콘솔 애플리케이션이 론칭된다.
일부 실시예에서, 사용자 모드 로봇 서비스들이 Windows® 세션들을 관리 및 모니터링하고, 컨덕터(120)와 실행 호스트들 사이의 프록시로서의 역할을 한다. 사용자 모드 로봇 서비스들은 로봇(130)에 대한 자격 증명들로 신뢰될 수 있고 그 자격 증명들을 관리할 수 있다. SCM 관리 로봇 서비스가 설치되지 않은 경우 Windows® 애플리케이션이 자동으로 론칭될 수 있다.
실행기들은 Windows® 세션 하에서 소정의 작업들을 실행할 수 있다(즉, 실행기들은 워크플로우들을 실행할 수 있다). 실행기들은 각 모니터에 대한 DPI(dots per inch) 설정들을 인식할 수 있다. 에이전트들은 시스템 트레이 윈도우에서 이용 가능한 작업들을 디스플레이하는 Windows® Presentation Foundation(WPF) 애플리케이션들일 수 있다. 에이전트들은 서비스의 클라이언트일 수 있다. 에이전트들은 작업들을 시작 또는 중지하고 설정들을 변경할 것을 요청할 수 있다. 커맨드 라인은 서비스의 클라이언트이다. 커맨드 라인은 작업들을 시작할 것을 요청할 수 있고 작업들의 출력을 대기하는 콘솔 애플리케이션이다.
위에서 설명된 바와 같이 로봇들(130)의 컴포넌트들을 나누는 것은 개발자들이 사용자들을 지원하고, 컴퓨팅 시스템들이 각 컴포넌트가 실행하고 있는 것을 보다 쉽게 실행하고, 식별하며, 추적하는 것을 돕는다. 실행기 및 서비스에 대한 상이한 방화벽 규칙들을 설정하는 것과 같은 특수한 거동들이 이러한 방식으로 컴포넌트마다 구성될 수 있다. 일부 실시예에서, 실행기는 모니터에 대한 DPI 설정들을 항상 인식할 수 있다. 그 결과, 워크플로우들은 자신들이 생성되었던 컴퓨팅 시스템의 구성에 관계없이, 임의의 DPI에서 실행될 수 있다. 일부 실시예에서, 디자이너(110)로부터의 프로젝트들이 또한 브라우저 줌 레벨에 독립적일 수 있다. DPI를 인식하지 못하거나 의도적으로 미인식으로서 마킹된 애플리케이션들에 대해, 일부 실시예에서, DPI는 디스에이블될 수 있다.
도 2는 본 발명의 일 실시예에 따른, 디플로이된 RPA 시스템(200)을 도시하는 구성도이다. 일부 실시예에서, RPA 시스템(200)은 도 1의 RPA 시스템(100)일 수 있거나, 또는 이의 일부일 수 있다. 클라이언트측, 서버측, 또는 양자는 본 발명의 범위로부터 벗어나지 않고, 임의의 요구되는 수의 컴퓨팅 시스템을 포함할 수 있다는 점을 유의해야 한다. 클라이언트측에서, 로봇 애플리케이션(210)은 실행기들(212), 에이전트(214), 및 디자이너(216)를 포함한다. 그러나, 일부 실시예에서, 디자이너(216)는 동일한 컴퓨팅 시스템(210) 상에서 실행되고 있지 않을 수 있다. 실행기들(212)은 프로세스들을 실행하고 있다. 도 2에 도시된 바와 같이, 여러 비지니스 프로젝트들이 동시에 실행될 수 있다. 이러한 실시예에서, 에이전트(214)(예를 들어, Windows® 서비스)는 모든 실행기들(212)에 대한 단일 접촉 지점이다. 이 실시예에서의 모든 메시지들은 컨덕터(230)로 로깅되며, 이 컨덕터는 메시지들을 데이터베이스 서버(240), 인덱서 서버(250), 또는 양자를 통해 추가로 처리한다. 도 1과 관련하여 상술한 바와 같이, 실행기들(212)은 로봇 컴포넌트들일 수 있다.
일부 실시예에서, 로봇은 머신명과 사용자명 사이의 연관을 나타낸다. 로봇은 다수의 실행기들을 동시에 관리할 수 있다. 동시에 실행되는 다수의 쌍방향 세션들을 지원하는 컴퓨팅 시스템들(예를 들어, Windows® 서버(2012)) 상에서, 다수의 로봇들은 각각 별개의 Windows® 세션에서 고유한 사용자명을 사용하여 동시에 실행될 수 있다. 이는 위에서 HD 로봇들로서 지칭된다.
에이전트(214)는 또한 로봇의 상황을 송신(예를 들어, 로봇이 계속해서 기능하고 있음을 나타내는 "하트비트(heartbeat)" 메시지를 주기적으로 송신)하는 것과, 실행될 패키지의 필수 버전을 다운로드하는 것을 담당한다. 일부 실시예에서, 에이전트(214)와 컨덕터(230) 사이의 통신은 항상 에이전트(214)에 의해 개시된다. 알림 시나리오에서, 에이전트(214)는 커맨드들(예를 들어, 시작, 정지 등)을 로봇에 송신하기 위해 나중에 컨덕터(230)에 의해 사용되는 웹소켓(WebSocket) 채널을 열 수 있다.
서버측 상에는, 표현 계층(웹 애플리케이션(232), 오픈 데이터 프로토콜(Open Data Protocol, OData) 대표 상황 전달(Representative State Transfer, REST) 애플리케이션 프로그래밍 인터페이스(Application Programming Interface, API) 엔드포인트들(234), 및 알림 및 모니터링 API(236)), 서비스 계층(API 구현/비즈니스 로직(238)), 및 영구 계층(데이터베이스 서버(240) 및 인덱서 서버(250))이 포함된다. 컨덕터(230)는 웹 애플리케이션(232), OData REST API 엔드포인트들(234), 알림 및 모니터링(236), 및 API 구현/비즈니스 로직(238)을 포함한다. 일부 실시예에서, 사용자가 (예를 들어, 브라우저(220)를 통해) 컨덕터(230)의 인터페이스에서 수행하는 대부분의 액션들은 다양한 API들을 호출함으로써 수행된다. 이러한 액션들은 본 발명의 범위로부터 벗어나지 않고, 로봇들에 대한 작업들을 시작하는 것, 큐들에 데이터를 추가하는 것/제거하는 것, 무인으로 실행할 작업들을 스케줄링하는 것 등을 포함할 수 있지만, 이에 제한되지 않는다. 웹 애플리케이션(232)은 서버 플랫폼의 시각 계층이다. 이러한 실시예에서, 웹 애플리케이션(232)은 하이퍼텍스트 마크업 언어(Hypertext Markup Language, HTML) 및 자바 스크립트(JavaScript, JS)를 사용한다. 그러나, 본 발명의 범위로부터 벗어나지 않고, 임의의 요구되는 마크업 언어들, 스크립트 언어들, 또는 임의의 다른 포맷들이 사용될 수 있다. 이러한 실시예에서, 사용자는 컨덕터(230)를 제어하는 다양한 액션들을 수행하기 위해 브라우저(220)를 통해 웹 애플리케이션(232)으로부터의 웹 페이지들과 상호작용한다. 예를 들어, 사용자는 로봇 그룹들을 생성하고, 로봇들에 패키지들을 부여하고, 로봇마다 그리고/또는 프로세스마다 로그들을 분석하며, 로봇들을 시작 및 정지시키는 등을 할 수 있다.
컨덕터(230)는 웹 애플리케이션(232) 외에, OData REST API 엔드포인트들(234)을 노출시키는 서비스 계층을 또한 포함한다. 그러나, 본 발명의 범위로부터 벗어나지 않고, 다른 엔드포인트들이 포함될 수 있다. REST API는 웹 애플리케이션(232)과 에이전트(214) 양자에 의해 이용된다. 이러한 실시예에서, 에이전트(214)는 클라이언트 컴퓨터 상의 하나 이상의 로봇의 감독자이다.
이러한 실시예에서, REST API는 구성, 로깅, 모니터링, 및 큐잉 기능을 커버한다. 일부 실시예에서, 구성 엔드포인트들은 애플리케이션 사용자, 권한, 로봇, 에셋, 릴리스, 및 환경을 정의 및 구성하기 위해 사용될 수 있다. 로깅 REST 엔드포인트들은 예를 들어, 오류, 로봇에 의해 송신된 명시적 메시지, 및 다른 환경 특정 정보와 같은 상이한 정보를 로깅하기 위해 사용될 수 있다. 디플로이먼트 REST 엔드포인트들은 컨덕터(230)에서 시작 작업 커맨드가 사용되는 경우 실행되어야 하는 패키지 버전을 질의하기 위해 로봇들에 의해 사용될 수 있다. 큐잉 REST 엔드포인트들은 큐들 및 큐 항목 관리, 이를테면 큐에 데이터를 추가하는 것, 큐로부터 트랜잭션을 획득하는 것, 트랜잭션의 상황을 설정하는 것 등을 담당할 수 있다.
모니터링 REST 엔드포인트들은 웹 애플리케이션(232) 및 에이전트(214)를 모니터링할 수 있다. 알림 및 모니터링 API(236)는 에이전트(214)를 등록하고, 에이전트(214)에 구성 설정들을 전달하며, 서버 및 에이전트(214)로부터 알림들을 송신/수신하는 데 사용되는 REST 엔드포인트들일 수 있다. 일부 실시예에서, 알림 및 모니터링 API(236)는 또한 웹소켓 통신을 사용할 수 있다.
이러한 실시예에서, 영구 계층은 한 쌍의 서버들 - 데이터베이스 서버(240)(예를 들어, SQL 서버) 및 인덱서 서버(250) - 을 포함한다. 이러한 실시예에서, 데이터베이스 서버(240)는 로봇들, 로봇 그룹들, 관련 프로세스들, 사용자들, 역할들, 스케줄들 등의 구성을 저장한다. 일부 실시예에서, 이러한 정보는 웹 애플리케이션(232)을 통해 관리된다. 데이터베이스 서버(240)는 큐들 및 큐 항목들을 관리할 수 있다. 일부 실시예에서, 데이터베이스 서버(240)는 (인덱서 서버(250)에 추가하여 또는 인덱서 서버(250) 대신에) 로봇들에 의해 로깅된 메시지들을 저장할 수 있다.
인덱서 서버(250) - 일부 실시예에서, 임의 사항임 - 는 로봇들에 의해 로깅된 정보를 저장 및 인덱싱한다. 특정 실시예들에서, 인덱서 서버(250)는 구성 설정들을 통해 디스에이블될 수 있다. 일부 실시예에서, 인덱서 서버(250)는 ElasticSearch® - 이는 오픈 소스 프로젝트 풀 텍스트 검색 엔진임 - 를 사용한다. (예를 들어, 메시지 로깅 또는 행 쓰기와 같은 액티비티들을 사용하여) 로봇들에 의해 로깅된 메시지들은 로깅 REST 엔드포인트(들)를 통해 인덱서 서버(250)로 송신될 수 있으며, 여기서 로깅된 메시지들이 추후 이용을 위해 인덱싱된다.
도 3은 본 발명의 일 실시예에 따른, 디자이너(310), 액티비티들(320, 330), 드라이버들(340), 및 AI/ML 모델들(350) 사이의 관계(300)를 도시한 구성도이다. 상술한 바에 따라, 개발자는 디자이너(310)를 사용하여 로봇들에 의해 실행되는 워크플로우들을 개발한다. 워크플로우들은 사용자 정의 액티비티들(320) 및 UI 오토메이션 액티비티들(330)을 포함할 수 있다. 일부 실시예에서, 사용자 정의 액티비티들(320) 및/또는 UI 오토메이션 액티비티들(330)은 로봇이 동작하고 있는 컴퓨팅 시스템에 로컬로 그리고/또는 원격으로 위치될 수 있는 하나 이상의 AI/ML 모델(350)을 호출할 수 있다. 일부 실시예는 이미지에서의 비-텍스트 시각적 컴포넌트들을 식별할 수 있으며, 이는 본원에서 컴퓨터 시각(computer vision, CV)이라고 지칭된다. 이러한 컴포넌트들과 관련된 일부 CV 액티비티들은 클릭(click), 타입(type), 텍스트 가져오기(get text), 호버(hover), 요소 존재 여부 확인(element exist), 범위 새로고침(refresh scope), 강조 표시(highlight) 등을 포함할 수 있지만, 이에 제한되지 않는다. 일부 실시예에서, 클릭은 예를 들어, CV, 광학적 문자 인식(optical character recognition, OCR), 퍼지 텍스트 매칭, 및 다중 앵커(multi-anchor)를 사용하여 요소를 식별하고, 이를 클릭한다. 타입(type)은 상기한 것들을 사용하여 요소를 식별하고, 요소에서의 타입들을 식별할 수 있다. 텍스트 가져오기(get text)는 특정 텍스트의 위치를 식별하고, OCR을 사용하여 이를 스캔할 수 있다. 호버(hover)는 요소를 식별하고, 그 위에 호버링할 수 있다. 요소 존재 여부 확인(element exist)은 상술된 기법들을 사용하여 스크린 상에 요소가 존재하는지 여부를 검사할 수 있다. 일부 실시예에서, 디자이너(310)에서 수백 또는 심지어 수천의 액티비티들이 구현될 수 있다. 그러나, 본 발명의 범위로부터 벗어나지 않고, 임의의 수 및/또는 타입의 액티비티가 이용 가능할 수 있다.
UI 오토메이션 액티비티들(330)은 보다 하위 레벨 코드로 작성되는 특수 하위 레벨 액티비티들의 서브세트(예를 들어, CV 액티비티들)이고 스크린과의 상호작용들을 가능하게 한다. UI 오토메이션 액티비티들(330)은 로봇이 원하는 소프트웨어와 상호작용할 수 있게 하는 드라이버들(340) 및/또는 AI/ML 모델들을 통해 이러한 상호작용들을 가능하게 한다. 예를 들어, 드라이버들(340)은 OS 드라이버들(342), 브라우저 드라이버들(344), VM 드라이브들(346), 엔터프라이즈 애플리케이션 드라이버들(348) 등을 포함할 수 있다. AI/ML 모델들(350) 중 하나 이상은 컴퓨터 시스템과의 상호작용들을 결정하기 위해 UI 오토메이션 액티비티들(330)에 의해 사용될 수 있다. 일부 실시예에서, AI/ML 모델들(350)은 드라이버들(340)을 보강하거나 완전히 대체할 수 있다. 실제로, 특정 실시예들에서, 드라이버들(340)은 포함되지 않는다.
드라이버들(340)은 후크들(hooks)을 찾고, 키들을 모니터링하는 등 하위 레벨에서 OS와 상호작용할 수 있다. 이것들은 Chrome®, IE®, Citrix®, SAP® 등과의 통합을 가능하게 할 수 있다. 예를 들어, "클릭" 액티비티는 드라이버들(340)을 통해 이들 상이한 애플리케이션들에서 동일한 역할을 수행한다.
도 4는 본 발명의 일 실시예에 따른, RPA 시스템(400)을 도시하는 구성도이다. 일부 실시예에서, RPA 시스템(400)은 도 1 및/또는 도 2의 RPA 시스템(100 및/또는 200)일 수 있거나, 또는 이를 포함할 수 있다. RPA 시스템(400)은 로봇들을 실행하는 다수의 클라이언트 컴퓨팅 시스템들(410)을 포함한다. 컴퓨팅 시스템들(410)은 컨덕터 컴퓨팅 시스템(420) 상에서 실행되는 웹 애플리케이션을 통해 이와 통신할 수 있다. 차례로, 컨덕터 컴퓨팅 시스템(420)은 데이터베이스 서버(430) 및 임의 사항인 인덱서 서버(440)와 통신할 수 있다.
도 1 및 도 3과 관련하여, 이러한 실시예들에서 웹 애플리케이션이 사용되지만, 본 발명의 범위로부터 벗어나지 않고, 임의의 적합한 클라이언트/서버 소프트웨어가 사용될 수 있다는 점을 유념해야 한다. 예를 들어, 컨덕터는 클라이언트 컴퓨팅 시스템들 상의 웹 기반이 아닌 클라이언트 소프트웨어 애플리케이션들과 통신하는 서버측 애플리케이션을 실행할 수 있다.
도 5는 본 발명의 일 실시예에 따른, AI/ML 모델들을 호스팅, 모니터링, 및 리트레이닝하거나, 또는 이를 행하는 시스템의 일부로서 동작하도록 구성된 컴퓨팅 시스템(500)을 도시한 구성도이다. 일부 실시예에서, 컴퓨팅 시스템(500)은 본원에서 도시되고/거나 설명되는 컴퓨팅 시스템들 중 하나 이상일 수 있다. 컴퓨팅 시스템(500)은 정보를 통신하기 위한 버스(505) 또는 다른 통신 메커니즘, 및 정보를 처리하기 위해 버스(505)에 커플링되는 프로세서(들)(510)를 포함한다. 프로세서(들)(510)는 중앙 처리 장치(CPU), 주문형 반도체(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 그래픽 처리 장치(GPU), 이들의 다수의 인스턴스들, 및/또는 이들의 임의의 조합을 포함하여, 임의의 타입의 범용 또는 특수 목적 프로세서일 수 있다. 또한, 프로세서(들)(510)는 다수의 처리 코어들을 가질 수 있고, 코어들 중 적어도 일부는 특정 기능들을 수행하도록 구성될 수 있다. 일부 실시예에서, 다중 병렬 처리가 사용될 수 있다. 특정 실시예들에서, 프로세서(들)(510) 중 적어도 하나는 생물학적 뉴런들을 모방하는 처리 요소들을 포함하는 뉴로모픽 회로일 수 있다. 일부 실시예에서, 뉴로모픽 회로들은 폰 노이만 컴퓨팅 아키텍처의 전형적인 컴포넌트들을 필요로 하지 않을 수 있다.
컴퓨팅 시스템(500)은 프로세서(들)(510)에 의해 실행될 정보 및 명령어들을 저장하기 위한 메모리(515)를 더 포함한다. 메모리(515)는 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 플래시 메모리, 캐시, 자기 또는 광학 디스크와 같은 정적 스토리지, 또는 임의의 다른 타입들의 비일시적인 컴퓨터 판독 가능 매체들 또는 이들의 조합들의 임의의 조합으로 구성될 수 있다. 비일시적인 컴퓨터 판독 가능 매체들은 프로세서(들)(510)에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수 있고, 휘발성 매체들, 비휘발성 매체들, 또는 양자를 포함할 수 있다. 매체들은 또한 착탈식, 비착탈식, 또는 양자일 수 있다.
또한, 컴퓨팅 시스템(500)은 무선 및/또는 유선 연결을 통해 통신 네트워크에 액세스할 수 있기 위해 트랜스시버와 같은 통신 디바이스(520)를 포함한다. 일부 실시예에서, 통신 디바이스(520)는 본 발명의 범위로부터 벗어나지 않고, 주파수 분할 다중 액세스(FDMA), 단일 캐리어 FDMA(SC-FDMA), 시분할 다중 액세스(TDMA), 코드 분할 다중 액세스(CDMA), 직교 주파수 분할 다중화(OFDM), 직교 주파수 분할 다중 액세스(OFDMA), 모바일용 글로벌 시스템(GSM) 통신, 일반 패킷 라디오 서비스(GPRS), 유니버셜 모바일 통신 시스템(UMTS), cdma2000, 광대역 CDMA(W-CDMA), 고속 다운링크 패킷 액세스(HSDPA), 고속 업링크 패킷 액세스(HSUPA), 고속 패킷 액세스(HSPA), 롱텀 에볼루션(LTE), LTE 어드밴스트(LTE-A), 802.11x, Wi-Fi, 지그비(Zigbee), 초광대역(UWB), 802.16x, 802.15, 홈 노드-B(HnB), 블루투스(Bluetooth), 라디오 주파수 식별(RFID), 적외선 데이터 통신(IrDA), 근거리 통신(NFC), 제5 세대(5G), 엔알(NR: New Radio), 이들의 임의의 조합, 및/또는 임의의 다른 현재 존재하거나 미래에 구현될 통신 표준 및/ 또는 프로토콜을 사용하도록 구성될 수 있다. 일부 실시예에서, 통신 디바이스(520)는 본 발명의 범위로부터 벗어나지 않고, 개별, 배열, 위상, 스위칭, 빔포밍, 빔스티어링, 이들의 조합, 및/또는 임의의 다른 안테나 구성인 하나 이상의 안테나를 포함할 수 있다.
프로세서(들)(510)는 또한, 버스(505)를 통해 디스플레이(525), 이를테면 플라즈마 디스플레이, 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이, 전계 방출 디스플레이(FED), 유기 발광 다이오드 (OLED) 디스플레이, 플렉시블 OLED 디스플레이, 플렉서블 기판 디스플레이, 투사 디스플레이, 4K 디스플레이, 고화질 디스플레이, Retina® 디스플레이, 평면 정렬 스위칭(IPS) 디스플레이, 또는 사용자에게 정보를 디스플레이하기 위한 임의의 다른 적합한 디스플레이에 커플링된다. 디스플레이(525)는 저항성, 용량성, 표면 탄성파(SAW) 용량성, 적외선, 광학 이미징, 분산 신호 기술, 음향 펄스 인식, 좌절된 내부 전반사 등을 사용하여 터치 (햅틱) 디스플레이, 3차원(3D) 터치 디스플레이, 다중 입력 터치 디스플레이, 다중 터치 디스플레이 등으로서 구성될 수 있다. 본 발명의 범위로부터 벗어나지 않고, 임의의 적합한 디스플레이 디바이스 및 햅틱 I/O가 사용될 수 있다.
키보드(530) 및 커서 제어 디바이스(535), 이를테면 컴퓨터 마우스, 터치패드 등은 또한, 사용자가 컴퓨팅 시스템과 인터페이스할 수 있게 하기 위해 버스(505)에 커플링된다. 그러나, 특정 실시예들에서, 물리적 키보드 및 마우스는 존재하지 않을 수 있고, 사용자는 단지 디스플레이(525) 및/또는 터치패드(도시되지 않음)를 통해 디바이스와 상호작용할 수 있다. 임의의 타입 및 조합의 입력 디바이스들이 설계 선택의 문제로서 사용될 수 있다. 특정 실시예들에서는, 어떠한 물리적 입력 디바이스 및/또는 디스플레이도 존재하지 않는다. 예를 들어, 사용자는 컴퓨팅 시스템(500)과 통신하는 또 다른 컴퓨팅 시스템을 통해 컴퓨팅 시스템과 원격으로 상호작용할 수 있거나, 또는 컴퓨팅 시스템(500)이 자율적으로 동작할 수 있다.
메모리(515)는 프로세서(들)(510)에 의해 실행될 때 기능을 제공하는 소프트웨어 모듈들을 저장한다. 모듈들은 컴퓨팅 시스템(500)을 위한 운영 체제(540)를 포함한다. 모듈들은 본원에서 설명되는 프로세스들 또는 이의 파생물들의 전부 또는 일부를 수행하도록 구성된 AI/ML 모델 호스팅, 모니터링, 및 리트레이닝 모듈(545)을 더 포함한다. 컴퓨팅 시스템(500)은 추가 기능을 포함하는 하나 이상의 추가 기능 모듈(550)을 포함할 수 있다.
당업자는 "시스템"이 본 발명의 범위로부터 벗어나지 않고, 서버, 임베디드 컴퓨팅 시스템, 개인용 컴퓨터, 콘솔, 개인용 정보 단말기(PDA), 휴대 전화, 태블릿 컴퓨팅 디바이스, 양자 컴퓨팅 시스템, 또는 임의의 다른 적합한 컴퓨팅 디바이스, 또는 디바이스들의 조합으로서 구현될 수 있다는 것을 이해할 것이다. 상술된 기능들을 "시스템"에 의해 수행되는 것으로서 제시하는 것은 본 발명의 범위를 어떠한 식으로도 제한하려는 것이 아니라, 본 발명의 많은 실시예들의 일례를 제공하려는 것이다. 실제로, 본원에서 개시되는 방법들, 시스템들, 및 장치들은 클라우드 컴퓨팅 시스템들을 포함하여, 컴퓨팅 기술에 부합하는 로컬 및 분산 형태들로 구현될 수 있다. 컴퓨팅 시스템은 근거리 네트워크(LAN), 이동 통신 네트워크, 위성 통신 네트워크, 인터넷, 퍼블릭 또는 프라이빗 클라우드, 하이브리드 클라우드, 서버 팜, 이들의 임의의 조합 등의 일부일 수 있거나 그 외 이들에 의해 액세스 가능할 수 있다. 본 발명의 범위로부터 벗어나지 않고, 임의의 로컬 또는 분산 아키텍처가 사용될 수 있다.
본 명세서에서 설명되는 시스템 특징들 중 일부는 이들의 구현 독립성을 특히 더 강조하기 위해, 모듈들로서 제시되었다는 점을 유념해야 한다. 예를 들어, 모듈은 커스텀 초고밀도 집적(VLSI) 회로들 또는 게이트 어레이들, 기성 반도체들 이를테면 로직 칩들, 트랜지스터들, 또는 다른 개별 컴포넌트들을 포함하는 하드웨어 회로로서 구현될 수 있다. 모듈은 또한 필드 프로그래머블 게이트 어레이들, 프로그래머블 어레이 로직, 프로그래머블 로직 디바이스들, 그래픽 처리 장치들 등과 같은 프로그래머블 하드웨어 디바이스들로 구현될 수도 있다.
모듈은 또한 다양한 타입들의 프로세서들에 의한 실행을 위해 소프트웨어로 적어도 부분적으로 구현될 수도 있다. 실행 가능 코드의 식별 유닛은 예를 들어, 객체, 절차, 또는 기능으로서 조직화될 수 있는 컴퓨터 명령어들의 하나 이상의 물리적 또는 논리적 블록을 포함할 수 있다. 그럼에도 불구하고, 식별된 모듈의 실행 가능 코드들은 물리적으로 함께 위치될 필요는 없고, 상이한 위치들에 저장된 이질적인 명령어들 - 이는 논리적으로 함께 결합될 때 모듈을 포함하고 모듈에 대해 언급된 목적을 달성함 - 를 포함할 수 있다. 또한, 모듈들은 본 발명의 범위로부터 벗어나지 않고, 예를 들어, 하드 디스크 드라이브, 플래시 디바이스, RAM, 테이프, 및/또는 데이터를 저장하는 데 사용되는 임의의 다른 상기한 비일시적인 컴퓨터 판독 가능 매체일 수 있는 컴퓨터 판독 가능 매체에 저장될 수 있다.
실제로, 실행 가능 코드의 모듈은 단일 명령어, 또는 많은 명령어들일 수 있고, 여러 상이한 코드 세그먼트들에 걸쳐, 상이한 프로그램들 중에, 그리고 여러 메모리 디바이스들에 걸쳐 분산될 수도 있다. 유사하게, 운용 데이터는 본원에서 모듈들 내에서 식별 및 예시될 수 있고, 임의의 적합한 형태로 구현되고 임의의 적합한 타입의 데이터 구조 내에 조직화될 수 있다. 운용 데이터는 단일 데이터 세트로서 모아질 수 있거나, 또는 상이한 스토리지 디바이스들을 포함하는 상이한 위치들에 걸쳐 분산될 수 있고, 시스템 또는 네트워크 상에 적어도 부분적으로, 단지 전자 신호들로서 존재할 수 있다.
도 6a 및 도 6b는 본 발명의 일 실시예에 따른, ML 모델들을 호스팅, 모니터링, 및 리트레이닝하기 위한 RPA 아키텍처(600)를 도시한 구성도이다. 아키텍처(600)는 AI 센터 클라이언트 티어(650), AI 센터 서비스 티어(660), 및 AI 센터 스토리지 티어(670)를 포함한다. 이러한 실시예에서, AI 센터 서비스 티어(660)에서의 서비스 컴포넌트들은 쿠버네티스(k8s) 클러스터들 내부에서 호스팅된다. 그러나, 일부 실시예에서, 본 발명의 범위로부터 벗어나지 않고, 단일 k8s 클러스터가 사용될 수 있다.
이러한 실시예에서의 클라이언트 티어(650)에서, 클라우드 RPA(610)는 AI 센터 사용자(604)와 같은 사용자들이 등록될 수 있고 조직으로부터의 다른 사용자들이 다양한 서비스들을 사용하도록 초대될 수 있는 서비스로서의 소프트웨어(SaaS)를 제공하는 클라우드 플랫폼(예를 들어, 퍼블릭 클라우드, 프라이빗 클라우드, 하이브리드 클라우드 등)이다. 관리자(602)는 조직 내의 사용자들에 대한 AI 센터를 인에이블하는 능력을 가질 수 있다. 관리자(602)는 또한 해당 계정 하의 테넌트들/그룹들에 라이센스들을 할당할 수 있다. 일부 실시예에서, 클라우드 RPA(610)와 AI 센터 사이의 전형적인 상호작용은 AI 센터 및 테넌트들에 대한 라이센스들의 할당 - 이는 ML 스킬들을 디플로이하기 위해 사용될 수 있음 - 을 인에이블/디스에이블할 것이다. AI 센터 서비스 티어(660)에 의해 공급되는 사용 통계치(611)가 또한 클라우드 RPA(610)를 통해 관리자(602)에 의해 액세스 가능하다.
사용자(604)(예를 들어, ML 엔지니어, 프로세스 엔지니어, 또는 데이터 과학자)는 미리 구성된 ML 모델들을 AI 애플리케이션(614)의 일부로서 구축한다. 일부 실시예에서, AI 애플리케이션(614)은 사용자가 ML 모델들의 라이프사이클을 생성하고 관리할 수 있는 UI를 제공하는 웹 애플리케이션이다. RPA 개발자(606)는 RPA 디자이너(616)(예를 들어, UiPath Studio™)로 워크플로우들을 개발하며, 이것들은 이후 RPA 로봇들(618)을 생성하는 데 사용된다. RPA 디자이너(616) 및 RPA 로봇(618)은 컨덕터(612)와 통신하여 AI 센터 서비스 티어(660)의 AI 센터 서비스들에 액세스하기 위한 구성들 및 토큰들을 가져온다. 일부 실시예에서, 단지 인증 및 인가된 클라이언트들만 컨덕터(612)로부터 데이터를 획득할 수 있다. 클라이언트가 인가되는 경우, 토큰이 유효한 동안 서비스 티어(660)에의 액세스를 가능하게 하는 토큰이 제공될 수 있다.
RPA 로봇들(618)은 자신들이 동작하고 있는 컴퓨팅 시스템 및/또는 자신들이 액세스할 수 있는 임의의 다른 데이터 소스 또는 스토리지로부터 데이터를 획득할 수 있다. 이러한 데이터는 RPA 로봇들(618)에 의해 API 게이트웨이들(632, 642)을 통해 코어 마이크로서비스들 또는 ML 스킬들에 각각 송신될 수 있다. ML 스킬들(646, 647, 648)은 예를 들어, ML 패키지들의 이용자가 이용할 준비가 된(consumer-ready) 라이브 디플로이먼트일 수 있다. 일부 실시예에서, 로봇들(618)의 역할은 상이한 위치들로부터 상이한 타입들의 데이터(예를 들어, 블랍/파일 저장소및/또는 데이터 스트림들로부터의 데이터)를 취하고 이를 ML 스킬들에 공급하는 것뿐만 아니라, ML 스킬들(646, 647, 648)의 출력을 취하고 이를 요구되는 스토리지들 및/또는 스트림들로 푸시하는 것이다. 일부 실시예에서, RPA 로봇들(618)은 또한 데이터를 데이터세트들로 업로드할 수 있다.
RPA 개발자(606)는 RPA 디자이너(616)를 사용하여 RPA 워크플로우를 구축하고, 사용자(604)는 ML 모델들을 구축하고 이들을 컨덕터(612) 또는 AI 애플리케이션(614)에 업로드한다. ML 스킬들(및 각각의 ML 모델들)을 프로비저닝, 생성/판독/업데이트/삭제(CRUD), 및 열거하는 것은 코어 서비스들로부터 ML 모델들에 대한 메타데이터를 수신하는 API 게이트웨이(632)를 통해 일어난다. 로봇들(618)은 또한 자신들의 동작들을 위한 모델들을 실행한 ML 스킬들(예를 들어, ML 스킬들(646, 647, 648))을 이용한다.
API 게이트웨이(632)와의 통신에 대하여, 클라우드 RPA(610)는 테넌트 프로비저닝(tenant provisioning, TP) 정보를 송신한다. 이러한 실시예에서, TP 정보는 테넌트에 대한 메타데이터이다. 테넌트는 해당 이용자와 연관된 ML 모델들 및 데이터를 소유할 이용자의 논리적 유닛이다. 이러한 메타데이터는 컨덕터 테넌트에 대한 참조, 명칭 및 위치 등과 같은 몇몇 기본적인 세부 사항들 등을 포함할 수 있다.
AI 애플리케이션(614)은 코어 엔티티들(core entities, CE)에 대한 CRUD를 수행한다. 이러한 실시예에서, 코어 엔티티들은 다른 엔티티들(예를 들어, ML 패키지, ML 스킬, 테넌트, 프로젝트, 감사 로그(audit log)들, 데이터세트 등)과의 관계를 갖는 데이터베이스에 저장된 메타데이터 테이블들이다. 컨덕터(612) 또는 AI 애플리케이션(614)이 ML 스킬들(LS)을 열거하고, RPA 로봇(들)(618)이 ML 스킬들을 열거한다. 컨덕터(612) 및/또는 AI 애플리케이션(614)은 ML 스킬들에 대한 CRUD 동작들을 담당하는 관리자에게 세부 사항들을 제시하기 위해 ML 스킬들을 열거할 수 있는 반면, RPA 로봇들(618)은 RPA 개발자가 ML 스킬을 선택하고 이를 RPA 워크플로우에 사용할 수 있도록 판독 전용 ML 스킬 리스트를 제시한다. RPA 로봇(들)은 또한 ML 서비스 클러스터(640)의 API 게이트웨이(642)를 통해 ML 스킬들(646, 647, 648)로부터 예측된 것을 수신한다.
이러한 실시예에서, 서비스 티어(694)의 서비스들은 세 개의 k8s 클러스터들 - 트레이닝 클러스터(620), 코어 마이크로서비스 클러스터(630), 및 ML 서비스 클러스터(640) - 를 포함한다. 이러한 실시예에서, 코어 마이크로서비스 클러스터는 데이터베이스(633)를 사용할 수 있는 API 게이트웨이(632)를 포함한다. 유사하게, ML 서비스 클러스터(640)는 데이터베이스(643)를 사용할 수 있는 API 게이트웨이(642)를 포함한다. 데이터베이스(633, 643)는 착신 요청들을 검증하는 데 사용될 수 있는 각각의 API 게이트웨이들(632, 642)에 대한 구성들 및 규칙들을 저장한다. API 게이트웨이들(632, 642)은 비인가 사용, 남용, 침해, 서비스 거부 공격(denial-of-service attack) 등을 방지하기 위해 서비스들/스킬들 앞에 배치되는 서비스들이다. 게이트웨이들(632, 642)은 요청들을 검증하고 또한 더 많은 보안 정책들을 적용하여 배후 리소스들을 보호할 수 있다. 그 다음, 게이트웨이들(632, 642)은 게이트웨이들(632 및 642) 배후의 서비스들로부터의 검증된 요청들에 대한 정보를 다시 전달한다.
AI 트레이너(634)는 트레이닝 클러스터(620)의 리트레이닝 파이프라인들(622, 624, 626)을 통해 ML 모델들의 리트레이닝을 가이하게 하는 서비스이다. 리트레이닝 파이프라인들(622, 624, 626)은 상이한 테넌트들에 대해 트레이닝 클러스터(620)에서 실행되는 트레이닝 작업들이다. AI 트레이너(634)는 AI 애플리케이션(614)에서 리트레이닝 파이프라인들(622, 624, 626)을 생성할 때 사용자가 지정한 것에 기초하여 필요한 컴퓨팅 리소스들(예를 들어, CPU 리소스 설정들, GPU 리소스 설정들, RAM 할당 등)을 이용하여 트레이닝 작업들을 생성할 것을 트레이닝 클러스터(620)에 지시한다. 주어진 트레이닝 작업이 완료되면, 생성된 아티팩트들이 스토리지 (예를 들어, 블랍 스토리지 (672))에 부싱(bushing)되고, 리소스들은 해제될 수 있다.
AI 헬퍼(635)는 비동기 동작, 상태 머신 관리, 스토리지 추상화 및 액세스 등과 같은 내부 유틸리티 서비스들의 집합을 제공한다. AI 패키지 매니저(636)는 컨덕터(612) 및/또는 AI 애플리케이션(614)에 의해 호출될 ML 패키지 및 프로젝트 CRUD 및 관련 REST API들을 제공한다. AI 디플로이어(637)는 필요한 종속성을 갖는 ML 모델들의 이미지들(예를 들어, Docker™ 이미지들)을 구축하고, 컨테이너 레지스트리(674)로 푸시하며, ML 서비스 클러스터(640)의 쿠버네티스 API들과 상호작용하여, 컨테이너들을 ML 스킬들(646, 647, 648)의 ML 스킬들로서 디플로이한다. 상기한 내용에 따라, 일부 실시예에서, Docker™은 ML 모델 이미지들을 패키징하는 데 사용될 수 있다.
코어 마이크로서비스 클러스터(630)는 메시지 브로커(message broker)(638)를 포함하는데, 이는 장기 실행 및 비동기 작업들을 지원하기 위해 발행/구독 모델 기반 메시징 기능을 제공하는 다중 테넌트 서버이다. 블랍 스토리지 (672)는 ML 모델들 및 다른 종속 파일들을 저장하기 위한 다중 테넌트 스토리지를 제공한다. 컨테이너 레지스트리(674)는 이용자가 업로드한 ML 모델들의 도커 이미지들을 저장하기 위한 다중 테넌트 프라이빗 컨테이너 레지스트리를 제공한다. SQL 서버(676)는 ML 스킬들, ML 패키지들, 데이터세트들 등에 대한 메타데이터를 저장한다. 이벤트/로그 스토리지 (678)는 k8s 클러스터들(620, 630, 640)에서 실행되는 애플리케이션들/포드(pod)들에 대한 로그들 및 메트릭들을 저장한다. k8s 클러스터들(620, 630, 640)과 이벤트/로그 스토리지 (678) 사이에 연결이 존재하지만, 이는 도 6b에 도시되어 있지 않다.
서비스 메시 제어기(644)(예를 들어, Istio™)는 ML 스킬들(646, 647, 648)에 대해, 트래픽 라우팅 규칙들, 모니터링 등과 같은 서비스 메시 기능을 제공한다. ML 스킬들(646, 647, 648)로 들어가고 이들로부터 나올 수 있는 것은 서비스 메시 제어기(644)에 의해 제어된다. 서비스 메시 제어기(644)는 ML 스킬들에 대한 네트워킹 및 모니터링 정책들을 푸시한다. 예를 들어, 서비스 메시 제어기(644)는 요청들이 유래할 수 있는 인터넷 프로토콜(IP) 어드레스들을 제어하고, 바이러스들을 차단하며, 이용자들이 독점 코드를 다운로드하고/거나 특정 포트들에 액세스하는 것을 차단하는 등을 할 수 있다. API 게이트웨이(642)는 ML 스킬들(646, 647, 648)에 대한 클라이언트 요청들을 검증한다.
ML 모델들이 검증되고 디플로이되면, 그리고 RPA 로봇들(618)이 자신들의 동작 동안 ML 모델을 사용하는 액티비티에 도달할 때, RPA 로봇들(618)에 ML 스킬들(646, 647, 648)로서 이용 가능해지면, RPA 로봇들(618)은 요청 및 관련 데이터를 ML 서비스 클러스터(640)의 API 게이트웨이(642)에 송신한다. 그러나, 일부 실시예에서, ML 모델의 실행을 위한 데이터는 RPA 로봇들(618)과 상이한 소스에 의해 보충될 수 있거나, 또는 전적으로 RPA 로봇들(618)과 상이한 소스로부터 유래할 수 있다는 점을 유념해야 한다.
주어진 RPA 로봇(618)에 대한 ML 동작들을 위한 데이터는 서비스 메시 제어기(644)를 통해 적절한 ML 스킬(들)(646, 647, 648)로 라우팅된다. 그 다음, ML 스킬들(646, 647, 648)로부터의 출력이 API 게이트웨이(642)를 통해 적절한 RPA 로봇(618)으로 다시 송신된다. 그 다음, 로봇은 이러한 데이터를 사용하여 자신의 ML 액티비티를 수행한다. 특정 ML 액티비티들에 대해, 로봇들(618)은 여러 번 데이터를 ML 스킬들(646, 647, 648)에 송신하고/거나 이들로부터 데이터를 수신할 수 있다는 점을 유념해야 한다.
그러나, ML 스킬들(646, 647, 648)이 디플로이되었으면, ML 스킬들(646, 647, 648)의 후속 관리가 바람직하다. 일부 실시예에서, 리트레이닝은 ML 모델의 타입, 및 ML 모델이 트레이닝될 데이터에 종속적일 수 있다. 일부 실시예는 AI 센터 스토리지 티어(670) - 여기에 테넌트들은 그들이 트레이닝하려는 데이터를 포함시킬 수 있음 - 를 채용하고, RPA 로봇들(618)이 AI 센터 스토리지 티어(670)와 상호작용할 수 있다. 데이터는 시간이 지나면서 수집될 수 있고, RPA 로봇들(618)은 이 데이터를 AI 센터 스토리지 티어(670)에 제공할 수 있다. 일부 실시예에서, 트레이닝 데이터는 블랍 스토리지(672)에 저장된다.
예를 들어, RPA 로봇들(618)은 각각의 RPA 로봇(618)이 AI 센터 스토리지 티어(670)가 어디에 있는지를 자동으로 알고 데이터를 업로드할 수 있게 하는 RPA 워크플로우에서의 액티비티를 통해 데이터를 AI 센터 스토리지 티어(670)에 계속해서 푸시할 수 있다. 추가적으로 또는 대안적으로, RPA 로봇들(618)은 로컬 데이터 및/또는 AI 센터 스토리지 티어(670) 외부의 원격 데이터베이스에 저장된 데이터를 통해 반복할 수 있고, 그 다음 이 데이터를 AI 센터 스토리지 티어(670)에 송신할 수 있다. 이러한 데이터는 ML 스킬들(646, 647, 648)과 연관된 ML 모델들을 리트레이닝하는 데 사용될 수 있다. 예를 들어, ML 스킬들(646, 647, 648)의 ML 모델들의 성능이 모니터링될 수 있다. ML 스킬들(646, 647, 648)의 ML 모델의 성능이 특정 문턱값(예를 들어, 애플리케이션에 따라, 60%, 80%, 95%, 99% 등의 신뢰도) 아래로 떨어진다면, AI 트레이너(634)는 AI 센터 스토리지 티어(670)에 저장된 데이터를 사용하여 해당 ML 모델의 리트레이닝을 개시할 수 있다. 추가적으로 또는 대안적으로, ML 스킬들(646, 647, 648)의 ML 모델들은 각각의 해당 ML 모델을 트레이닝하기 위한 특정 양의 데이터가 수신된 후, 특정 시간량이 경과한 후 등에 리트레이닝될 수 있다.
시간이 지나면서 AI 센터 스토리지 티어(670)에 수집되는 데이터는 상이한 타입들의 데이터가 데이터세트들로 그룹화될 수 있다. 유사한 타입들의 데이터는 논리적 또는 물리적으로 그룹화될 수 있다. 일부 실시예에서, 사용자들은 AI 애플리케이션(614)을 통해, 그들이 트레이닝시키려는 ML 모델을 선택하고(그들이 적절한 액세스 권한을 갖는다면), 그들이 각각의 ML 모델을 트레이닝시키려는 데이터세트(들)를 선택 및 관리하고, 그들이 리트레이닝이 일어나기를 원하는 때(예를 들어, 요청시 또는 주기적으로)를 선택하며, 리트레이닝 파이프라인들 등을 생성/모니터링하는 등을 할 수 있다.
일부 실시예에서, 데이터세트들은 ML 모델들이 데이터세트에서의 데이터에 액세스하기 위한 포인터들로서 제시될 수 있다. ML 스킬들(646, 647, 648)의 ML 모델들은 각각의 ML 모델이 마지막으로 트레이닝되었던 땐 이용 가능하지 않았던 더 새로운 데이터, 더 오래된 데이터와 더 새로운 데이터의 조합, 전체 데이터세트 등에 기초하여 리트레이닝될 수 있다. ML 모델들은 새로운 데이터가 획득됨에 따라 시간이 지나면서 더 정확해질 수 있다.
일부 실시예에서, 사용자들은 사용하고자 하는 성능 척도(들)를 선택 또는 정의할 수 있고, 리트레이닝 파이프라인들(622, 624, 626)은 선택된 성능 척도(들)에 기초하여 리트레이닝된 ML 모델에 대한 하나 이상의 스코어를 생성한다. 트레이닝 클러스터(620)는 리트레이닝을 위한 리소스들(예를 들어, CPU들, GPU들, RAM 등)의 관리를 가능하게 하는 추상화 계층을 제공한다. 일부 실시예에서, 본 발명의 범위로부터 벗어나지 않고, 다수의 k8s 클러스터들, 다수의 스토리지 티어들, 또는 양자가 사용될 수 있다는 점을 유념해야 한다. 스코어(들)가 향상된다면, 리트레이닝된 ML 모델은 사용자가 원한다면 자동으로 이전 버전 대신에 사용될 수 있다. 그렇지 않으면, 사용자는 알림을 받고, 리트레이닝된 버전을 디플로이하는 것이 바람직한지 여부를 결정할 수 있다. 일부 실시예에서, 스코어의 변화는 시간이 지나면서 추적되어, 정확도의 향상과 감소 양자를 강조할 수 있다. 그 다음, 사용자 또는 트레이닝 클러스터(620)는 부정적인 추이를 야기하는 원인이 무엇인지 결정하려고 시도할 수 있다.
일부 실시예에서, 사용되는 데이터의 양은 자동으로 조정될 수 있다. 예를 들어, 본 발명의 범위로부터 벗어나지 않고, 데이터 포인트들의 수, 데이터가 수집되는 빈도, 수집되는 데이터의 양, 리트레이닝을 위한 트리거들, 및/또는 임의의 다른 적합한 트레이닝 파라미터들을 사용자들이 조정할 수 있게 하는 트레이닝 인터페이스가 컨덕터(612) 또는 AI 애플리케이션(614)로서 제공될 수 있다.
도 6a 및 도 6b의 아키텍처는 IP 침해를 줄이거나 방지하는 것을 도울 수 있다. 예를 들어, 일부 실시예에서, 호스팅된 ML 스킬들(646, 647, 648)의 ML 모델들 또는 다른 이용 가능한 호스팅된 ML 모델들의 적어도 일부는 이용자들에 의해 제공되지 않을 수 있고, 아키텍처(600)를 제공하는 회사의 소유일 수 있다. 이들 ML 모델들은 단지 설명만으로 RPA 로봇들(618)에 의해 이용 가능하고 호출 가능하게 될 수 있고, 독점 ML 모델들 자체는 사용자들 또는 호출 RPA 로봇들(618)에 제공되지 않을 수 있다. 더 정확히 말하면, ML 모델 실행의 결과들만 제공될 수 있다.
일부 실시예에서, RPA를 위한 로우 코드 ML 모델 디플로이먼트 및 트레이닝 시스템이 제공될 수 있다. ML 패키지들은 사용자들(604) 및/또는 RPA 개발자들(606)에 의한 코딩 없이 한 번의 클릭으로 디플로이될 수 있다. 예를 들어, 사용자들은 ML 모델들의 카탈로그로부터 선택하고 선택된 ML 모델들을 타겟 컴퓨팅 환경(예를 들어, 단일 노드 k8s 설비, 다중 노드 k8s 설비 등) 상에 디플로이할 수 있다. 특정 실시예들에서, 사용자들은 버튼을 한 번 클릭하여 ML 스킬들(646, 647, 648)의 ML 모델들을 트레이닝할 수 있다. 예를 들어, 도 8의 로우 코드 ML 모델 파이프라인 생성 인터페이스(800)를 참조한다. 이러한 실시예들은 사용자들(604) 및/또는 RPA 개발자들(606)에게 기술적 지식을 가질 것을 요구하지 않을 수 있고, 이들은 수동 프로그래밍 없이 트레이닝/리트레이닝을 트리거할 수 있다. 그러나, 이는 ML 모델 패키지들이 이용자들의 것이고 UiPath®와 같은 RPA 제공자에 의해 제공되는 특별 취급(out-of-the-box) ML 모델들이 아니라면, 완전히 사실이 아닐 수도 있다. 트레이닝 가능한 ML 모델 패키지를 구축하기 위해, 자신들의 커스텀 ML 모델들을 생성하는 이용자들은 ML 모델 패키지 예측을 위해 행할 수 있는 것 외에 일부 코딩을 행할 수 있다.
일부 실시예에서, RPA 개발자들(606)은 다수의 ML 모델들을 함께 체이닝할 수 있다. 이는 특정 로직 또는 구성에 기초할 수 있다. ML 모델들의 네트워크는 인터페이스(예를 들어, RPA 디자이너 애플리케이션(606))에서 사용자들에게 이용 가능하게 될 수 있으며, 가능하게는 가장 관련성이 높을 것으로 시스템이 결정한 ML 모델들이 제안된다. 예를 들어, RPA 개발자(606)가 디자이너 애플리케이션(616)을 사용하여 버튼을 클릭하는 액티비티에 대한 ML 모델을 추가하고자 한다면, 예를 들어, 코어 마이크로서비스 클러스터(630)에 의해 그래픽 요소 인식 ML 모델들이 제안될 수 있다. 그 다음, RPA 개발자(606)는 원하는 결과를 달성하도록 ML 모델들을 선택하고 이들을 적절하게 체이닝할 수 있다.
도 7은 본 발명의 일 실시예에 따른, ML 모델들을 호스팅, 모니터링, 및 리트레이닝하는 것을 수행하도록 구성된 시스템(700)을 도시한 구성도이다. 시스템(700)은 데스크탑 컴퓨터(702), 태블릿(704), 및 스마트폰(706)과 같은 사용자 컴퓨팅 시스템들을 포함한다. 그러나, 본 발명의 범위로부터 벗어나지 않고, 스마트 워치들, 랩탑 컴퓨터들 등을 포함하지만 이에 제한되지 않는 임의의 요구되는 컴퓨팅 시스템이 사용될 수 있다.또한, 세 개의 사용자 컴퓨팅 시스템들이 도 7에 도시되어 있지만, 본 발명의 범위로부터 벗어나지 않고, 임의의 적합한 수의 컴퓨팅 시스템이 사용될 수 있다. 예를 들어, 일부 실시예에서, 수십, 수백, 수천, 또는 수백만의 컴퓨팅 시스템들이 사용될 수 있다.
각 컴퓨팅 시스템(702, 704, 706)은 데이터를 수집하여 데이터베이스(도시되지 않음)로 송신하고/거나, 특정 작업들의 수행으로 AI/ML 모델(들)(예를 들어, 체이닝되거나 체이닝되지 않은 AI/ML 모델들(732) 중 하나 이상)을 실행하는 RPA 로봇(710)을 갖는다. 예를 들어, RPA 로봇들(710) 중 하나 이상은 각각의 컴퓨팅 시스템 상에서 사용자가 무엇을 행하고 있는지를 인식하기 위해 CV를 사용하도록 트레이닝되는 AI/ML 모델들을 사용할 수 있다. 컴퓨팅 시스템들(702, 704, 706)은 정보를 네트워크(720)(예를 들어, 근거리 네트워크(LAN), 모바일 통신 네트워크, 위성 통신 시스템, 인터넷, 이들의 임의의 조합 등)를 통해 서버(730)로 송신한다. 일부 실시예에서, 서버(730)는 퍼블릭 클라우드 아키텍처, 프라이빗 클라우드 아키텍처, 하이브리드 클라우드 아키텍처 등의 일부일 수 있다. 특정 실시예들에서, 서버(730)는 단일 컴퓨팅 시스템(730) 상에서 다수의 소프트웨어 기반 서버들을 호스팅할 수 있다. 일부 실시예에서, 서버(730)는 하나 이상의 가상 머신(virtual machine, VM)을 통해 구현될 수 있다. 특정 실시예들에서, 서버(730)는 인터넷 연결성을 갖지 않는 "에어 갭" 서버일 수 있다. 일부 실시예에서, 서버(730)는 AI 센터 기능을 제공하는 하나의 머신, 또는 머신들의 클러스터일 수 있다. 이러한 실시예에서, 서버(730)는 오토메이션을 완료함에 있어서 각 호출 RPA 로봇을 보조하는 정보를 제공하기 위해 RPA 로봇들(710) 중 하나 이상에 의해 호출되는 AI/ML 모델들(732)을 포함한다. 일부 실시예에서, RPA 로봇들(710)에 의해 호출되는 AI/ML 모델들(732)은 사용자 상호작용들의 시퀀스들을 식별하기 위해 통계적 모델링(예를 들어, 은닉 마르코프 모델(hidden Markov models, HMM)들)과 같은 다양한 기능들을 수행하고, 딥 러닝 기법들(예를 들어, LSTM(long short term memory) 딥 러닝, 이전의 은닉 상태들의 인코딩 등)을 이용하는 다수의 계층들을 가질 수 있다.
디플로이되면, AI/ML 모델들(732)의 리트레이닝이 바람직할 수 있다. 그러나, 일부 실시예에서, ML 모델 또는 ML 스킬의 디플로이먼트가 트레이닝의 선행 조건은 아닐 수 있다. 실제로, 일부 ML 모델들은 디플로이되기 전에 트레이닝될 필요가 있다. 일부 실시예에서, 리트레이닝은 ML 모델의 타입, 및 ML 모델이 트레이닝될 데이터에 종속적일 수 있다. 일부 실시예는 (예를 들어, 데이터베이스(740)의 일부로서) 보안 테넌트 레벨 스토리지 계층 - 여기에 테넌트들은 그들이 트레이닝하려는 데이터를 포함시킬 수 있음 - 을 채용하고, RPA 로봇들(710) 중 하나 이상이 이러한 스토리지 계층과 상호작용할 수 있다. 데이터는 시간이 지나면서 수집될 수 있고, RPA 로봇들(710)은 이 데이터를 데이터베이스(740)에 제공할 수 있다.
예를 들어, RPA 로봇들(732) 중 하나 이상은 각각의 RPA 로봇(710)이 데이터베이스(740)가 어디에 있는지를 자동으로 알고 데이터를 업로드할 수 있게 하는 RPA 워크플로우에서의 액티비티를 통해 데이터를 데이터베이스(740)에 계속해서 푸시할 수 있다. 추가적으로 또는 대안적으로, RPA 로봇들(710)은 로컬 데이터 및/또는 또 다른 원격 데이터베이스에 저장된 데이터를 통해 반복할 수 있고, 그 다음 이 데이터를 데이터베이스(740)에 송신할 수 있다. 이러한 데이터는 AI/ML 모델들(732)을 리트레이닝하는 데 사용될 수 있다. 예를 들어, 서버(730)는 AI/ML 모델들(732)의 성능을 모니터할 수 있다. AI/ML 모델(732)의 성능이 특정 문턱값(예를 들어, 애플리케이션에 따라, 60%, 80%, 95%, 99% 등의 신뢰도) 아래로 떨어진다면, 서버(730)는 데이터베이스(740)에 저장된 데이터를 사용하여 해당 AI/ML 모델(732)의 리트레이닝을 개시할 수 있다. 추가적으로 또는 대안적으로, AI/ML 모델들(732)은 각각의 해당 AI/ML 모델을 트레이닝하기 위한 특정 양의 데이터가 수신된 후, 특정 시간량이 경과한 후 등에 리트레이닝될 수 있다.
시간이 지나면서 데이터베이스(740) 내에 수집되는 데이터는 상이한 타입들의 데이터가 데이터세트들로 그룹화될 수 있다. 유사한 타입들의 데이터는 논리적 또는 물리적으로 그룹화될 수 있다. 일부 실시예에서, 사용자들은 AI/ML 모델들(732) 중 그들이 트레이닝시키려는 AI/ML 모델을 선택하고(그들이 적절한 액세스 권한을 갖는다면), 그들이 각각의 AI/ML 모델을 트레이닝시키려는 데이터세트(들)를 선택하며, 그들이 리트레이닝이 일어나기를 원하는 때(예를 들어, 요청시 또는 주기적으로)를 선택할 수 있다.
일부 실시예에서, 데이터세트들은 AI/ML 모델들(732)이 데이터세트에서의 데이터에 액세스하기 위한 포인터들로서 제시될 수 있다. AI/ML 모델들(732)은 각각의 AI/ML 모델이 마지막으로 트레이닝되었던 땐 이용 가능하지 않았던 더 새로운 데이터, 더 오래된 데이터와 더 새로운 데이터의 조합, 전체 데이터세트 등에 기초하여 리트레이닝될 수 있다. AI/ML 모델들(732)은 새로운 데이터가 획득됨에 따라 시간이 지나면서 더 정확해질 수 있다.
일부 실시예에서, 사용자들은 사용하고자 하는 성능 척도(들)를 선택할 수 있고, 서버(730)는 선택된 성능 척도(들)에 기초하여 리트레이닝된 ML 모델에 대한 하나 이상의 스코어를 생성한다. 일부 실시예에서, 본 발명의 범위로부터 벗어나지 않고, 다수의 서버들, 다수의 데이터베이스들, 또는 양자가 사용될 수 있다는 점을 유념해야 한다. 스코어(들)가 향상된다면, 리트레이닝된 AI/ML 모델은 자동으로 이전 버전 대신에 사용하기 위해 서버(730)에 의해 디플로이될 수 있다. 대안적으로, 컴퓨팅 시스템(750)의 사용자는 알림을 받고, 리트레이닝된 버전을 디플로이하는 것이 바람직한지 여부를 결정할 수 있다. 일부 실시예에서, 스코어의 변화는 시간이 지나면서 추적되어, 정확도의 향상과 감소 양자를 강조할 수 있다. 그 다음, 서버(730) 또는 컴퓨팅 시스템(750)의 사용자는 부정적인 추이를 야기하는 원인이 무엇인지 결정하려고 시도할 수 있다.
일부 실시예에서, 사용되는 데이터의 양은 자동으로 조정될 수 있다. 예를 들어, 본 발명의 범위로부터 벗어나지 않고, 데이터 포인트들의 수, 데이터가 수집되는 빈도, 수집되는 데이터의 양, 리트레이닝을 위한 트리거들, 및/또는 임의의 다른 적합한 트레이닝 파라미터들을 컴퓨팅 시스템(750)의 사용자가 조정할 수 있게 하는 트레이닝 인터페이스(752)가 제공될 수 있다.
시스템(700)의 아키텍처는 IP 침해를 줄이거나 방지하는 것을 도울 수 있다. 예를 들어, 호스팅된 AI/ML 모델들(732) 중 적어도 일부는 사용자 컴퓨팅 시스템들(702, 704, 706)의 회사에 의해 제공되지 않을 수 있다. 이러한 AI/ML 모델들은 단지 설명만으로 RPA 로봇들(710)에 의해 이용 가능하고 호출 가능하게 될 수 있고, 독점 AI/ML 모델들 자체는 사용자들 또는 호출 RPA 로봇들(710)에 제공되지 않을 수 있다. 더 정확히 말하면, AI/ML 모델 실행의 결과들만 제공될 수 있다.
AI 계층들
일부 실시예에서, 다수의 AI 계층들이 사용될 수 있다. 각 AI 계층은 데이터에 대해 실행되는 알고리즘(또는 모델)이고, AI 모델 자체는 트레이닝 데이터에서 트레이닝되는 트레이닝된 인공 "뉴런들"의 딥 러닝 뉴럴 네트워크(deep learning neural network, DLNN)들일 수 있다. 계층들은 직렬로, 병렬로, 또는 이들의 조합으로 실행될 수 있다.
AI 계층들은 시퀀스 추출 계층, 클러스터링 검출 계층, 시각적 컴포넌트 검출 계층, 텍스트 인식 계층(예를 들어, OCR), 오디오-텍스트 변환 계층, 또는 이들의 임의의 조합을 포함할 수 있지만, 이에 제한되지 않는다. 그러나, 본 발명의 범위로부터 벗어나지 않고, 임의의 요구되는 수 및 타입(들)의 계층이 사용될 수 있다. 다수의 계층들을 사용하면 시스템이 스크린들에서 어떤 일이 일어나고 있는지에 대한 전체적인 묘사를 전개시킬 수 있다. 예를 들어, 하나의 AI 계층은 OCR을 수행할 수 있고, 또 다른 계층은 버튼들을 검출할 수 있으며, 또 다른 계층은 시퀀스들을 비교할 수 있는 등이다. 패턴들은 한 AI 계층에 의해 개별적으로 또는 다수의 AI 계층들에 의해 집합적으로 결정될 수 있다.
도 8은 본 발명의 일 실시예에 따른, 로우 코드 ML 모델 파이프라인 생성 인터페이스(800)를 도시한다. 인터페이스(800)는 사용자가 프로그래밍 없이 새로운 실행 ML 파이프라인을 생성할 수 있게 한다. 예를 들어, 사용자는 파이프라인 타입(예를 들어, 트레이닝, 평가, 또는 전체(트레이닝 + 평가)), ML 패키지, ML 패키지 메이저 및 마이너 버전들, 입력 데이터세트, 및 평가 데이터세트를 지정할 수 있다. 일부 실시예에서, 트레이닝 파이프라인은 입력으로서 패키지 및 데이터세트를 취하며 새로운 패키지 버전을 생성하고, 평가 파이프라인은 입력으로서패키지 버전 및 데이터세트를 취하며 메트릭들 및 로그들의 세트를 생성하며, 전체 파이프라인은 처리 기능, 트레이닝 파이프라인, 그리고 그 직후, 평가 파이프라인을 실행한다. ML 패키지들의 메이저 버전들은 RPA 제공자에 의해 제공되거나 이용자에 의해 업로드되는 버전들인 반면, ML 패키지들의 마이너 버전들은 메이저/마이너 버전이 파이프라인을 사용하여 트레이닝될 때 생성되는 버전들이다. 일부 실시예에서, 모든 트레이닝 파이프라인 실행은 ML 패키지의 마이너 버전을 생성한다. 사용자는 또한 환경 변수들을 추가하고, GPU 트레이닝을 인에이블할지 여부를 선택하며, ML 파이프라인이 언제 실행되어야 하는지(예를 들어, 지금, 시간 기반, 반복 등)를 선택할 수 있다. 환경 변수들은 예를 들어, 트레이닝 작업을 조정하기 위해 ML 모델 알고리즘에 의해 사용될 수 있는 하이퍼파라미터들(예를 들어, 추정기들의 수, 에포크들의 수 등)과 같은, 데이터에 추가하여 선택 사항으로서 제공될 수 있는 모델 특정 구성들을 포함할 수 있다.
도 9는 본 발명의 일 실시예에 따른, ML 모델들을 호스팅, 모니터링, 및 리트레이닝하기 위한 프로세스(900)를 도시한 흐름도이다. 프로세스는 단계 910에서 ML 모델들 및 ML 모델들에 대한 데이터세트들을 저장하는 것으로 시작된다. 일부 실시예에서, 각 데이터세트는 논리적 또는 물리적으로 그룹화된 유사한 타입들의 데이터를 포함한다. 특정 실시예들에서, 데이터세트들은 로컬 데이터, 원격 데이터베이스에 저장된 데이터, 또는 양자를 통해 반복하고, 데이터를 리트레이닝을 위해 AI 센터의 스토리지에 송신하는 RPA 로봇들에 의해 제공된다. 그 다음, 단계 920에서 RPA 로봇들에 의해 호출되는 저장된 ML 모델들이 실행된다. 일부 실시예에서, 호출 RPA 로봇들의 RPA 워크플로우는 각 RPA 로봇이 리트레이닝을 위한 데이터를 업로드하기 위한 스토리지의 위치를 포함하는 데이터 푸시 액티비티를 포함한다. 특정 실시예들에서, AI 센터 또는 RPA 로봇의 액티비티는 리트레이닝을 위한 데이터 포인트들의 수, 리트레이닝 데이터가 수집되는 빈도, 수집되는 리트레이닝 데이터의 양, 리트레이닝을 위한 하나 이상의 트리거, 또는 이들의 조합을 조정하도록 구성된다. 일부 실시예에서, RPA 로봇들은 모델들을 호출하고 ML 모델들의 실행의 결과들을 수신하는 것이 허용되지만, 하나 이상의 ML 모델 자체에 액세스하는 것은 허용되지 않는다. 특정 실시예들에서, ML 모델은 컨테이너에 저장되고, ML 모델을 포함하는 컨테이너의 컨텐츠는 암호화 또는 난독화되거나, ML 모델이 암호화되거나, 또는 둘 모두이다.
단계 930에서 리트레이닝 요청이 수신되거나 리트레이닝 조건이 충족된다면, 단계 940에서 ML 모델은 ML 모델에 대한 트레이닝 구성에서 지정된 복수의 데이터세트들의 서브세트를 사용하여 리트레이닝다. 일부 실시예에서, 복수의 데이터세트들은 리트레이닝 동안 ML 모델들에 대한 포인터들로서 제시되며, 리트레이닝되고 있는 ML 모델은 각각의 포인터들을 통해 리트레이닝을 위해 복수의 데이터세트들의 서브세트에 액세스한다. 단계 950에서 리트레이닝되고 있는 ML 모델에 대한 하나 이상의 성능 척도가 수신되고, 리트레이닝 동안 하나 이상의 성능 척도에 대한 하나 이상의 스코어가 생성되며, 시간이 지나면서 하나 이상 스코어에 대한 변화가 추적된다. 그 다음, 단계 960에서 리트레이닝된 ML 모델이 디플로이되고, 프로세스는 단계 920으로 되돌아간다. 일부 실시예에서, 하나 이상의 스코어가 향상될 때, AI 센터는 ML 모델의 이전 버전 대신에 리트레이닝된 ML 모델을 디플로이하도록 구성될 수 있다. 특정 실시예들에서, 하나 이상의 스코어가 향상될 때, AI 센터는 ML 모델의 리트레이닝된 버전을 디플로이하고, ML 모델의 리트레이닝된 버전 및 ML 모델의 이전 버전 양자를 사용하며, 가장 높은 신뢰도를 갖는 결과를 선택하도록 구성된다. 일부 실시예에서, 프로세스(900)는 하나 이상의 리트레이닝 파이프라인을 실행하도록 구성된 트레이닝 클러스터, ML 모델들에 대한 CRUD 동작들을 수행하고 트레이닝 클러스터의 리 트레이닝 파이프라인으로 하여금, ML 모델들의 리트레이닝을 개시하게 하도록 구성된 코어 마이크로서비스 클러스터, 및 ML 모델들을 실행하고 실행의 결과들을 호출 RPA 로봇들에 제공하도록 구성된 ML 서비스 클러스터에 의해 수행될 수 있다.
일부 실시예에서, RPA를 위한 로우 코드 ML 모델 디플로이먼트 및 트레이닝 애플리케이션이 사용되며, 여기서 로우 코드 ML 모델 디플로이먼트 및 트레이닝 애플리케이션은 사용자들에 의한 코딩 없이 한 번의 클릭으로 ML 패키지들을 디플로이하도록 구성된다. 특정 실시예들에서, 로우 코드 ML 모델 디플로이먼트 및 트레이닝 애플리케이션은 ML 모델들의 카탈로그로부터의 선택을 가능하게 하고, 선택된 ML 모델들을 타겟 컴퓨팅 환경으로서 AI 센터에 디플로이하도록 구성된다. 일부 실시예에서, 로우 코드 ML 모델 디플로이먼트 및 트레이닝 애플리케이션은 서로 연결 가능한 ML 모델들의 그래프를 디스플레이하도록 구성된다. 특정 실시예들에서, 그래프에서의 ML 모델들은 직렬, 병렬, 또는 양자로 연결 가능하다.
도 9에서 수행되는 프로세스 단계들은 본 발명의 실시예들에 따라, 도 9에서 설명된 프로세스(들)의 적어도 일부를 수행하기 위한 프로세서(들)에 대한 명령어들을 인코딩하여, 컴퓨터 프로그램에 의해 수행될 수 있다. 컴퓨터 프로그램은 비일시적인 컴퓨터 판독 가능 매체 상에 구현될 수 있다. 컴퓨터 판독 가능 매체는 하드 디스크 드라이브, 플래시 디바이스, RAM, 테이프, 및/또는 데이터를 저장하는 데 사용되는 임의의 다른 이러한 매체 또는 매체들의 조합일 수 있지만, 이에 제한되지 않는다. 컴퓨터 프로그램은 도 9에 설명된 프로세스 단계들의 전부 또는 일부를 구현하도록 컴퓨팅 시스템의 프로세서(들)(예를 들어, 도 5의 컴퓨팅 시스템(500)의 프로세서(들)(510))를 제어하기 위한 인코딩된 명령어들을 포함할 수 있으며, 이는 또한 컴퓨터 판독 가능 매체 상에 저장될 수 있다.
컴퓨터 프로그램은 하드웨어, 소프트웨어, 또는 하이브리드 구현으로 구현될 수 있다. 컴퓨터 프로그램은 서로 통신 가동 준비가 되고, 디스플레이할 정보 또는 명령어들을 전달하도록 설계된 모듈들로 구성될 수 있다. 컴퓨터 프로그램은 범용 컴퓨터, ASIC, 또는 임의의 다른 적합한 디바이스 상에서 동작하도록 구성될 수 있다.
본원에서의 도면들에서 일반적으로 설명되고 도시된 바와 같이, 본 발명의 다양한 실시예들의 컴포넌트는 매우 다양한 상이한 구성들로 배열 및 설계될 수 있다는 것이 쉽게 이해될 것이다. 따라서, 첨부된 도면들에 나타내어진 바와 같이, 본 발명의 실시예들에 대한 상세한 설명은 청구된 바와 같은 본 발명의 범위를 제한하려는 것이 아니라, 단지 본 발명의 선택된 실시예들을 나타내는 것이다.
본 명세서 전반에 걸쳐 설명된 본 발명의 특징들, 구조들, 또는 특성들은 하나 이상의 실시예에서 임의의 적합한 방식으로 조합될 수 있다. 예를 들어, 본 명세서 전체에 걸쳐 "특정 실시예들", "일부 실시예", 또는 유사한 용어의 언급은 그 실시예와 관련하여 설명된 특정 특징, 구조, 또는 특성이 본 발명의 적어도 하나의 실시예에 포함된다는 것을 의미한다. 따라서, 본 명세서 전체에 걸쳐 어구들 "특정 실시예들에서", "일부 실시예에서"," 다른 실시예들에서", 또는 유사한 용어들의 출현은 반드시 모두 동일한 그룹의 실시예들을 지칭하는 것은 아니며, 설명된 특징들, 구조들 또는, 특성들이 하나 이상의 실시예에서 임의의 적합한 방식으로 조합될 수 있다.
본 명세서 전체에 걸쳐 특징들, 이점들, 또는 유사한 용어의 언급은 본 발명으로 실현될 수 있는 특징들 및 이점들 모두가 본 발명의 임의의 단일 실시예이어야 하거나 또는 본 발명의 임의의 단일 실시예에 있다는 것을 암시하는 것이 아님을 유념해야 한다. 더 정확히 말하면, 특징들 및 이점들을 지칭하는 용어는 실시예와 관련하여 설명된 특정 특징, 이점, 또는 특성이 본 발명의 적어도 하나의 실시예에 포함된다는 것을 의미하는 것으로 이해된다. 따라서, 본 명세서 전반에 걸친 특징들 및 이점들에 대한 논의, 및 유사한 용어는 동일한 실시예를 지칭할 수 있지만, 반드시 그러한 것은 아니다.
뿐만 아니라, 본 발명의 설명된 특징들, 이점들, 및 특성들은 하나 이상의 실시예에서 임의의 적합한 방식으로 조합될 수 있다. 당업자는 본 발명이 특정 실시예의 특정 특징들 또는 이점들 중 하나 이상 없이 실시될 수 있다는 것을 인식할 것이다. 다른 사례들에서, 본 발명의 모든 실시예들에 존재하는 것은 아닐 수 있는 추가적인 특징들 및 이점들이 특정 실시예들에서 인식될 수 있다.
당업자는 위에서 논의된 바와 같은 본 발명이 개시된 것들과 상이한 상이한 순서의 단계들로, 그리고/또는 구성들의 하드웨어 요소들로 실시될 수 있다는 것을 쉽게 이해할 것이다. 따라서, 본 발명이 이들 바람직한 실시예들에 기초하여 설명되었지만, 본 발명의 사상 및 범위 내에 유지되면서, 특정 수정, 변형, 및 대안적인 구성이 명백할 것이라는 것이 당업자들에게 명백할 것이다. 따라서, 본 발명의 한계 및 경계를 결정하기 위해, 첨부된 청구범위가 참조되어야 한다.

Claims (22)

  1. 시스템으로서,
    하나 이상의 머신 러닝(machine learning, ML) 모델을 호출하도록 구성된 하나 이상의 로봇 프로세스 오토메이션(robotic process automation, RPA) 로봇; 및
    상기 하나 이상의 ML 모델을 저장하고 상기 하나 이상의 RPA 로봇의 각 RPA 로봇으로부터의 호출 시에 상기 하나 이상의 ML 모델을 실행하도록 구성된 인공 지능(artificial intelligence, AI) 센터를 포함하며,
    상기 AI 센터는,
    상기 ML 모델에 대한 복수의 데이터세트들을 저장하도록 - 각 데이터세트는 논리적 또는 물리적으로 그룹화된 유사한 타입들의 데이터를 포함함 -, 그리고
    ML 모델에 대한 트레이닝 구성에서 지정된 상기 복수의 데이터세트들의 서브세트를 사용하여 리트레이닝이 수동으로 요청될 때 또는 트레이닝 조건이 충족될 때 상기 하나 이상의 ML 모델 중의 상기 ML 모델을 리트레이닝하고, 상기 리트레이닝된 ML 모델을 상기 하나 이상의 RPA 로봇에 의해 호출되게 디플로이하도록 구성된 것인, 시스템.
  2. 제1항에 있어서, 상기 AI 센터는,
    하나 이상의 리트레이닝 파이프라인을 실행하도록 구성된 트레이닝 클러스터;
    상기 하나 이상의 ML 모델에 대한 생성/판독/업데이트/삭제(create/read/update/delete, CRUD) 동작들을 수행하고, 상기 트레이닝 클러스터의 리트레이닝 파이프라인으로 하여금, 상기 하나 이상의 ML 모델의 리트레이닝을 개시하게 하도록 구성된 코어 마이크로서비스 클러스터; 및
    상기 하나 이상의 ML 모델을 실행하고, 상기 실행의 결과들을 상기 하나 이상의 RPA 로봇 중 호출 RPA 로봇들에 제공하도록 구성된 ML 서비스 클러스터
    를 포함하는 것인, 시스템.
  3. 제1항에 있어서, 상기 하나 이상의 RPA 로봇 중 적어도 하나의 RPA 로봇의 RPA 워크플로우는 상기 각 RPA 로봇이 리트레이닝을 위한 데이터를 업로드하기 위한 스토리지의 위치를 포함하는 데이터 푸시 액티비티를 포함하는 것인, 시스템.
  4. 제1항에 있어서, 상기 하나 이상의 RPA 로봇 중 적어도 하나의 RPA 로봇은 로컬 데이터, 원격 데이터베이스에 저장된 데이터, 또는 양자를 통해 반복하고, 리트레이닝을 위해 상기 데이터를 상기 AI 센터의 스토리지에 송신하도록 구성된 것인, 시스템.
  5. 제1항에 있어서, 상기 복수의 데이터세트들은 리트레이닝 동안 ML 모델들에 대한 포인터들로서 제시되며, 리트레이닝되고 있는 상기 ML 모델은 각각의 상기 포인터들을 통해 리트레이닝을 위해 상기 복수의 데이터세트들의 상기 서브세트에 액세스하는 것인, 시스템.
  6. 제1항에 있어서, 상기 AI 센터는,
    리트레이닝되고 있는 상기 ML 모델에 대한 하나 이상의 성능 척도를 수신하도록; 그리고
    상기 리트레이닝 동안 상기 하나 이상의 성능 척도에 대한 하나 이상의 스코어를 생성하도록 구성된 것인, 시스템.
  7. 제6항에 있어서, 상기 하나 이상의 스코어에 대한 변화가 여러 번 리트레이닝이 수행됨에 따라 시간이 지나면서 추적되는 것인, 시스템.
  8. 제1항에 있어서, 상기 AI 센터는 리트레이닝을 위한 데이터 포인트들의 수, 리트레이닝 데이터가 수집되는 빈도, 수집되는 리트레이닝 데이터의 양, 리트레이닝을 위한 하나 이상의 트리거, 또는 이들의 조합을 조정하도록 구성된 것인, 시스템.
  9. 제1항에 있어서, 상기 하나 이상의 RPA 로봇 중 적어도 하나의 RPA 로봇의 RPA 워크플로우가 리트레이닝을 위한 데이터 포인트들의 수, 리트레이닝 데이터가 수집되는 빈도, 수집되는 리트레이닝 데이터의 양, 리트레이닝을 위한 하나 이상의 트리거, 또는 이들의 조합을 조정하도록 구성된 것인, 시스템.
  10. 제1항에 있어서, 상기 AI 센터는 상기 하나 이상의 RPA 로봇이 상기 하나 이상의 ML 모델을 호출하고 상기 ML 모델의 실행의 결과들을 수신하는 것을 허용하지만, 상기 하나 이상의 RPA 로봇이 상기 하나 이상의 ML 모델 자체에 액세스하는 것은 허용하지 않는 것인, 시스템.
  11. 컴퓨터 프로그램을 저장하는 컴퓨터 판독 가능 비일시적 저장 매체로서, 상기 컴퓨터 프로그램은 적어도 하나의 프로세서로 하여금,
    복수의 머신 러닝(ML) 모델들, 및 상기 ML 모델들에 대한 복수의 데이터세트들을 저장하게 하도록 - 각 데이터세트는 논리적 또는 물리적으로 그룹화된 유사한 타입들의 데이터를 포함함 -;
    ML 모델에 대한 트레이닝 구성에서 지정된 상기 복수의 데이터세트들의 서브세트를 사용하여 리트레이닝이 수동으로 요청될 때 또는 트레이닝 조건이 충족될 때 상기 복수의 ML 모델들 중의 상기 ML 모델을 리트레이닝하게 하도록; 그리고
    상기 리트레이닝된 ML 모델을 상기 하나 이상의 로보틱 프로세스 오토메이션(RPA) 로봇에 의해 호출되는 데 이용 가능하게 함으로써 상기 리트레이닝된 ML 모델을 디플로이하게 하도록 구성된 것인, 컴퓨터 판독 가능 비일시적 저장 매체.
  12. 제11항에 있어서, 상기 복수의 데이터세트들은 리트레이닝 동안 ML 모델들에 대한 포인터들로서 제시되며, 리트레이닝되고 있는 상기 ML 모델은 각각의 상기 포인터들을 통해 리트레이닝을 위해 상기 복수의 데이터세트들의 상기 서브세트에 액세스하는 것인, 컴퓨터 판독 가능 비일시적 저장 매체.
  13. 제11항에 있어서, 상기 컴퓨터 프로그램은 또한, 상기 적어도 하나의 프로세서로 하여금,
    리트레이닝되고 있는 상기 ML 모델에 대한 하나 이상의 성능 척도를 수신하게 하도록; 그리고
    상기 리트레이닝 동안 상기 하나 이상의 성능 척도에 대한 하나 이상의 스코어를 생성하도록 구성된 것인, 컴퓨터 판독 가능 비일시적 저장 매체.
  14. 제13항에 있어서, 상기 하나 이상의 스코어에 대한 변화가 여러 번 리트레이닝이 수행됨에 따라 시간이 지나면서 추적되는 것인, 컴퓨터 판독 가능 비일시적 저장 매체.
  15. 제11항에 있어서, 상기 컴퓨터 프로그램은 또한, 상기 적어도 하나의 프로세서로 하여금,
    리트레이닝을 위한 데이터 포인트들의 수, 리트레이닝 데이터가 수집되는 빈도, 수집되는 리트레이닝 데이터의 양, 리트레이닝을 위한 하나 이상의 트리거, 또는 이들의 조합을 조정하게 하도록 구성된 것인, 컴퓨터 판독 가능 비일시적 저장 매체.
  16. 제11항에 있어서, 상기 컴퓨터 프로그램은 또한, 상기 적어도 하나의 프로세서로 하여금,
    상기 하나 이상의 RPA 로봇이 상기 복수의 ML 모델들을 호출하고 상기 ML 모델들의 실행의 결과들을 수신하는 것을 허용하게 하도록; 그리고
    상기 하나 이상의 RPA 로봇이 상기 복수의 ML 모델들 중 적어도 하나 자체에 액세스하는 것을 방지하게 하도록 구성된 것인, 컴퓨터 판독 가능 비일시적 저장 매체.
  17. 인공 지능(AI) 센터로서,
    하나 이상의 리트레이닝 파이프라인을 실행하도록 구성된 트레이닝 클러스터;
    하나 이상의 머신 러닝(ML) 모델에 대한 생성/판독/업데이트/삭제(CRUD) 동작들을 수행하고, 상기 트레이닝 클러스터의 리트레이닝 파이프라인으로 하여금, 상기 하나 이상의 ML 모델의 리트레이닝을 개시하게 하도록 구성된 코어 마이크로서비스 클러스터; 및
    상기 하나 이상의 ML 모델을 실행하고, 상기 실행의 결과들을 호출 로보틱 프로세스 오토메이션(RPA) 로봇들에 제공하도록 구성된 ML 서비스 클러스터
    를 포함하는, 인공 지능(AI) 센터.
  18. 제17항에 있어서, 상기 트레이닝 클러스터는 ML 모델에 대한 트레이닝 구성에서 지정된 상기 복수의 데이터세트들의 서브세트를 사용하여 리트레이닝이 수동으로 요청될 때 또는 트레이닝 조건이 충족될 때 상기 하나 이상의 ML 모델 중의 상기 ML 모델을 리트레이닝하도록 구성된 것인, 인공 지능(AI) 센터.
  19. 제18항에 있어서, 상기 코어 마이크로서비스 클러스터는 상기 리트레이닝된 ML 모델을 상기 RPA 로봇에 의해 호출되게 상기 ML 서비스 클러스터에 디플로이하도록 구성된 것인, 인공 지능(AI) 센터.
  20. 제18항에 있어서, 상기 복수의 데이터세트들은 리트레이닝 동안 ML 모델들에 대한 포인터들로서 제시되며, 리트레이닝되고 있는 상기 ML 모델은 각각의 상기 포인터들을 통해 리트레이닝을 위해 상기 복수의 데이터세트들의 상기 서브세트에 액세스하는 것인, 인공 지능(AI) 센터.
  21. 제17항에 있어서, 상기 AI 센터는 리트레이닝을 위한 데이터 포인트들의 수, 리트레이닝 데이터가 수집되는 빈도, 수집되는 리트레이닝 데이터의 양, 리트레이닝을 위한 하나 이상의 트리거, 또는 이들의 조합을 조정하도록 구성된 것인, 인공 지능(AI) 센터.
  22. 제17항에 있어서, 상기 ML 서비스 클러스터는 상기 하나 이상의 RPA 로봇이 상기 하나 이상의 ML 모델을 호출하고 상기 ML 모델의 실행의 결과들을 수신하는 것을 허용하지만, 상기 하나 이상의 RPA 로봇이 상기 하나 이상의 ML 모델 자체에 액세스하는 것은 허용하지 않는 것인, 인공 지능(AI) 센터.
KR1020217043355A 2020-11-25 2021-10-28 머신 러닝 모델을 호스팅, 모니터링, 및 리트레이닝하기 위한 로보틱 프로세스 오토메이션 아키텍처 및 프로세스 KR20220079801A (ko)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
IN202011051236 2020-11-25
IN202011051237 2020-11-25
IN202011051237 2020-11-25
IN202011051236 2020-11-25
US17/143,392 2021-01-07
US17/143,392 US20220164700A1 (en) 2020-11-25 2021-01-07 Robotic process automation architectures and processes for hosting, monitoring, and retraining machine learning models
PCT/US2021/056924 WO2022115198A1 (en) 2020-11-25 2021-10-28 Robotic process automation architectures and processes for hosting, monitoring, and retraining machine learning models

Publications (1)

Publication Number Publication Date
KR20220079801A true KR20220079801A (ko) 2022-06-14

Family

ID=81657769

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020217043355A KR20220079801A (ko) 2020-11-25 2021-10-28 머신 러닝 모델을 호스팅, 모니터링, 및 리트레이닝하기 위한 로보틱 프로세스 오토메이션 아키텍처 및 프로세스
KR1020217043356A KR20220075194A (ko) 2020-11-25 2021-10-28 머신 러닝 모델을 호스팅, 모니터링, 및 리트레이닝하기 위한 로보틱 프로세스 오토메이션 아키텍처 및 프로세스

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020217043356A KR20220075194A (ko) 2020-11-25 2021-10-28 머신 러닝 모델을 호스팅, 모니터링, 및 리트레이닝하기 위한 로보틱 프로세스 오토메이션 아키텍처 및 프로세스

Country Status (6)

Country Link
US (2) US20220164700A1 (ko)
EP (2) EP4031942A1 (ko)
JP (2) JP2023551619A (ko)
KR (2) KR20220079801A (ko)
CN (2) CN114793454A (ko)
WO (2) WO2022115198A1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115461749A (zh) * 2020-02-29 2022-12-09 具象有限公司 用于机器人计算设备/数字伴侣与用户之间的短期和长期对话管理的系统和方法
US11507059B1 (en) * 2021-10-11 2022-11-22 UiPath, Inc. System and computer-implemented method for seamless consumption of automations
US20230222044A1 (en) * 2022-01-07 2023-07-13 Jpmorgan Chase Bank, N.A. System and method for automatically monitoring performance of software robots
US20230298568A1 (en) * 2022-03-15 2023-09-21 Drift.com, Inc. Authoring content for a conversational bot
KR102486646B1 (ko) * 2022-06-28 2023-01-10 주식회사 윈테크솔루션 소프트웨어 자산 관리서비스 제공 장치 및 방법
US20240028309A1 (en) * 2022-07-22 2024-01-25 Rakuten Symphony Singapore Pte. Ltd. System and method for generating package for a low-code application builder
CN114937265B (zh) * 2022-07-25 2022-10-28 深圳市商汤科技有限公司 点云检测方法和模型训练方法、装置、设备及存储介质
KR102541576B1 (ko) * 2023-02-06 2023-06-14 주식회사 마티아솔루션 머신비전 판정 모델의 서빙 시스템
KR102549857B1 (ko) * 2023-02-14 2023-06-30 주식회사 마티아솔루션 머신비전 판정 모델 서비스 플랫폼 시스템

Family Cites Families (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7092922B2 (en) * 2003-05-23 2006-08-15 Computer Associates Think, Inc. Adaptive learning enhancement to automated model maintenance
US7792353B2 (en) * 2006-10-31 2010-09-07 Hewlett-Packard Development Company, L.P. Retraining a machine-learning classifier using re-labeled training samples
US10417577B2 (en) * 2015-06-05 2019-09-17 Facebook, Inc. Machine learning system interface
US20200034745A1 (en) * 2015-10-19 2020-01-30 Nutanix, Inc. Time series analysis and forecasting using a distributed tournament selection process
US11526771B2 (en) * 2016-04-08 2022-12-13 Bank Of America Corporation Big data based predictive graph generation system
US10855625B1 (en) * 2016-05-11 2020-12-01 Workato, Inc. Intelligent, adaptable, and trainable bot that orchestrates automation and workflows across multiple applications
US10839404B2 (en) * 2016-06-06 2020-11-17 Epiance Software Pvt. Ltd. Intelligent, interactive, and self-learning robotic process automation system
US11080616B2 (en) * 2016-09-27 2021-08-03 Clarifai, Inc. Artificial intelligence model and data collection/development platform
US11663517B2 (en) * 2017-11-03 2023-05-30 Salesforce, Inc. Automatic machine learning model generation
US11257002B2 (en) * 2017-11-22 2022-02-22 Amazon Technologies, Inc. Dynamic accuracy-based deployment and monitoring of machine learning models in provider networks
US10452674B2 (en) * 2017-12-07 2019-10-22 Accenture Global Solutions Limited Artificial intelligence and robotic process automation for automated data management
US10733329B1 (en) * 2018-04-20 2020-08-04 Automation Anywhere, Inc. Robotic process automation system and method with secure credential vault
US20190324781A1 (en) * 2018-04-24 2019-10-24 Epiance Software Pvt. Ltd. Robotic script generation based on process variation detection
US11042458B2 (en) * 2018-04-30 2021-06-22 Accenture Global Solutions Limited Robotic optimization for robotic process automation platforms
US11366857B2 (en) * 2018-08-21 2022-06-21 Directly, Inc. Artificial intelligence communications agent
US10764290B2 (en) * 2018-08-23 2020-09-01 Accenture Global Solutions Limited Governed access to RPA bots
US10963692B1 (en) * 2018-11-30 2021-03-30 Automation Anywhere, Inc. Deep learning based document image embeddings for layout classification and retrieval
US11281936B2 (en) * 2018-12-31 2022-03-22 Kofax, Inc. Systems and methods for identifying processes for robotic automation and building models therefor
US11790262B2 (en) * 2019-01-22 2023-10-17 Accenture Global Solutions Limited Data transformations for robotic process automation
US11386339B2 (en) * 2019-02-26 2022-07-12 Global Elmeast Inc. Artificial intelligence delivery edge network
AU2020267490A1 (en) * 2019-05-06 2021-12-23 Strong Force Iot Portfolio 2016, Llc Platform for facilitating development of intelligence in an industrial internet of things system
US11074105B2 (en) * 2019-05-16 2021-07-27 Blue Prism Cloud, Inc. Systems and methods for digital workforce intelligent orchestration
US20220300336A1 (en) * 2019-05-16 2022-09-22 Blue Prism Limited Systems and methods for digital workforce intelligent orchestration
US11667033B2 (en) * 2019-06-10 2023-06-06 Argos Labs Inc. Systems and methods for robotic process automation
US11196751B2 (en) * 2019-07-22 2021-12-07 Accenture Global Solutions Limited System and method for controlling security access
US10817314B1 (en) * 2019-10-01 2020-10-27 NTT DATA Services, LLC Augmented shareable video files for robotic process automation
US20210109896A1 (en) * 2019-10-11 2021-04-15 EMC IP Holding Company, LLC Smart Filesystem Indexing For Any Point-in-Time Replication
US20210117895A1 (en) * 2019-10-18 2021-04-22 ASG Technologies Group, Inc. dba ASG Technologies Systems and Methods for Cross-Platform Scheduling and Workload Automation
WO2021097259A1 (en) * 2019-11-15 2021-05-20 Equinix, Inc. Secure artificial intelligence model training and registration system
US11822913B2 (en) * 2019-12-20 2023-11-21 UiPath, Inc. Dynamic artificial intelligence / machine learning model update, or retrain and update, in digital processes at runtime
GB2590812B (en) * 2019-12-23 2022-01-05 Ultima Business Solutions Ltd A system and method for automated process orchestration
US11182178B1 (en) * 2020-02-21 2021-11-23 Automation Anywhere, Inc. Detection of user interface controls via invariance guided sub-control learning
US11314576B2 (en) * 2020-03-31 2022-04-26 Accenture Global Solutions Limited System and method for automating fault detection in multi-tenant environments
US20210326717A1 (en) * 2020-04-15 2021-10-21 Amazon Technologies, Inc. Code-free automated machine learning
US20210334817A1 (en) * 2020-04-28 2021-10-28 The Toronto-Dominion Bank Management of queued appointment workflow using robotic process automation and template-based documents
US20210342736A1 (en) * 2020-04-30 2021-11-04 UiPath, Inc. Machine learning model retraining pipeline for robotic process automation
US20210357757A1 (en) * 2020-05-15 2021-11-18 David T. Nguyen Customizing an artificial intelligence model to process a data set
US11593592B2 (en) * 2020-06-02 2023-02-28 Accenture Global Solutions Limited Intelligent payment processing platform system and method
US20220012134A1 (en) * 2020-07-10 2022-01-13 Commvault Systems, Inc. Cloud-based air-gapped data storage management system
US20220019195A1 (en) * 2020-07-15 2022-01-20 Automation Anywhere, Inc. Robotic process automation with conversational user interface
US20220028010A1 (en) * 2020-07-24 2022-01-27 The Toronto-Dominion Bank Management of reconciliation and reporting workflow using robotic process automation
US20220032457A1 (en) * 2020-08-03 2022-02-03 Automation Anywhere, Inc. Robotic Process Automation with Resilient Playback of Recordings
WO2022031819A1 (en) * 2020-08-05 2022-02-10 Avesha, Inc. Performing load balancing self adjustment within an application environment
US20220067573A1 (en) * 2020-08-31 2022-03-03 Accenture Global Solutions Limited In-production model optimization
US11288064B1 (en) * 2020-09-14 2022-03-29 Sap Se Robotic process automation for interactive documentation
US11461119B2 (en) * 2020-09-15 2022-10-04 Bank Of America Corporation Virtual containers configured to support multiple machine learning models
US11934175B2 (en) * 2020-10-02 2024-03-19 Sap Se Robotic process automation for remote assistance
US20220114249A1 (en) * 2020-10-09 2022-04-14 Huawei Technologies Co., Ltd. Systems and methods for secure and fast machine learning inference in a trusted execution environment
US11930097B2 (en) * 2020-10-14 2024-03-12 Ttec Holdings, Inc. Integrated orchestration of intelligent systems
US20220121982A1 (en) * 2020-10-19 2022-04-21 Bank Of America Corporation Intelligent engines to orchestrate automatic production of robotic process automation bots based on artificial intelligence feedback
US11954139B2 (en) * 2020-11-19 2024-04-09 Accenture Global Solutions Limited Deep document processing with self-supervised learning

Also Published As

Publication number Publication date
JP2023550852A (ja) 2023-12-06
US20220164700A1 (en) 2022-05-26
EP4032048A1 (en) 2022-07-27
CN114793454A (zh) 2022-07-26
US20220164701A1 (en) 2022-05-26
WO2022115199A1 (en) 2022-06-02
CN114793450A (zh) 2022-07-26
KR20220075194A (ko) 2022-06-07
JP2023551619A (ja) 2023-12-12
EP4031942A1 (en) 2022-07-27
WO2022115198A1 (en) 2022-06-02

Similar Documents

Publication Publication Date Title
US11738453B2 (en) Integration of heterogeneous models into robotic process automation workflows
KR102453988B1 (ko) 런타임시 디지털 프로세스에서의 동적 인공 지능/머신 러닝 모델 업데이트, 또는 재트레이닝 및 업데이트
KR102227687B1 (ko) 로봇 프로세스 자동화를 위한 자동화 윈도우
US20220164701A1 (en) Robotic process automation architectures and processes for hosting, monitoring, and retraining machine learning models
US11494291B2 (en) System and computer-implemented method for analyzing test automation workflow of robotic process automation (RPA)
JP2022551833A (ja) ロボティックプロセスオートメーションのための人工知能ベースのプロセス識別、抽出、および自動化
KR20220078587A (ko) 인공 지능을 사용한 로봇 프로세스 자동화를 위한 모델 선택 및 체인화
KR102412237B1 (ko) 로봇 프로세스 자동화를 위한 테스트 자동화
JP2022552468A (ja) ロボティック・プロセス・オートメーション及びワークフローのマイクロ最適化のためのプロセス進化
KR20220079834A (ko) 로봇 프로세스 자동화를 위한 인공 지능 계층 기반 프로세스 추출
US11775860B2 (en) Reinforcement learning in robotic process automation
US20210110035A1 (en) Centralized platform for validation of machine learning models for robotic process automation before deployment
JP2023524917A (ja) ロボティックプロセスオートメーションのためのアプリケーション統合
KR102502324B1 (ko) 로봇 프로세스 자동화를 위한 머신 학습 모델 재훈련 파이프라인
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
CN116529032A (zh) 用于机器人流程自动化（rpa）的支持机器人的任务自动化
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
JP2023522280A (ja) ロボティックプロセスオートメーションのためのテスト自動化
US20230102169A1 (en) System and computer-implemented method for controlling a robot of a virtual machine

Legal Events

Date Code Title Description
A201 Request for examination