让机器人 7x24 小时自动开发票，除了机器学习，还需要什么？

雷锋网按：随着人工智能和机器学习技术的发展，许多公司也在考虑通过机器人来实现业务自动化的问题。对此，拥有 22 年从业经验的技术专家 Rajesh Kumar 撰文探讨了 RPA 技术对提升生产力的重要意义。雷锋网对这篇文章进行了不改变原意的编译：

对于那些正在考虑如何实现业务流程自动化以提高生产力的公司而言，机器人过程自动化（Robotic Process Automation，简称 RPA）将是他们首先考虑的技术之一。

为什么是 RPA？

目前一些实现业务自动化的最快速、最容易的方法将来自 RPA 技术。这是近年来最明智的技术革新之一，它带来了降低成本、提升生产力、甚至提高效率和准确性的方法。

然而，对于 RPA 技术究竟能够实现什么以及它的局限性方面，许多企业仍存在着很大的困惑。在考虑实施 RPA 技术时，企业最好有明确的期望，以便最大程度地利用它来获得战略优势。

了解 RPA 技术周遭所蕴含机会的最好方法，就是想像一个员工在日常工作中做着几十个平淡无奇、重复的任务。随着时间的推移，这些任务变得沉闷累赘，人类员工生产力会下降或着出错。

然而 RPA 技术却可以更快、更准确地执行这些任务，而且不会感到疲劳。人类员工便被解放出来，专注于那些需要更多批判性思维、创造力和更高层次与客户接触的任务。

一个很好的利用基于 RPA 技术的自动化流程的例子就是发票验证流程。

这个过程中可能涉及到一位员工需从三个不同的供应商门户网站下载发票，并上传到一个 ERP 系统，并用相应的采购订单验证核准价值金额，最终批准或拒绝相关发票信息录入系统。通过编写一定量的脚本程序，这个流程可以很容易地结合到一个 RPA 软件中处理。

RPA 技术实际是一种运用相关技术来配置机器人或计算机，使用和解释现有应用程序，来处理事务，操作数据或触发响应以及同其他数字系统通信的方式。

进一步简化来说，RPA 技术是一种“记录和回放”技术，机器人（实际上是安装在机器上的软件）被教会了如何使用软件来执行某些任务，之后机器人就会周而复始地执行，这就是一种使其变得简单有效的自动化方法。

一般来讲，同一发票验证过程的自动化将涉及到三个不同供应商系统的集成，这些供应商系统必须与一些具有逻辑验证功能的 ERP 系统集成。虽然这两个过程的结果是一致的，但是传统的自动化路线方案会给软件开发人员带来额外的工作量，如与 IT 团队合作打开防火墙端口，购买专门用于运行软件的服务器以及一些维护类工作。

RPA 技术则会让过程变得更简单。该软件还可以自动执行许多其他流程，同时每周它可以运行 24 x 7 小时，然而对发票验证的流程很可能每个星期只有需要处理几个小时的工作量。

限制 RPA 技术的障碍

虽然 RPA 技术提供了非常快速，非侵入性的自动化手段，但它也有其局限性。为了最大限度地提高 RPA 的实用性，自动化流程需要基于明确的标准操作程序（SOP），其中决策规则具有非常明确的参数。

在任何基于 RPA 技术的自动化策略中，将较大的流程划分为“可自动化”和“人为干预”的部分，并更新流程以实现最大程度的自动化非常重要。

然而，要将每个流程完全自动化可能并不现实。这是因为一些流程是相当程序化的，而另一些流程可能需要用到人类员工的经验知识并作出判断。因为大量的知识并不能被有效地编入算法，在这样的情况下，RPA 技术则不能把那些需要人类经验知识参与的过程自动化。对于需要运用人为判断的领域，RPA 技术变得无效。

流程中可被自动化的部分由 RPA 技术驱动，由此变成了完全的规则和算法驱动，并且很难使这部分变的“聪明”或“智能”。在某些情况下，这也会将流程的可自动化部分缩小到不可行的程度，因为产生的回报结果甚微，无法为 RPA 技术投资的合理性带来有利证明。

这样的一个例子如，自动将问题票据分配到适当的组。如果分配规则是基于票证类别和发行票据的某些字段，那么 RPA 肯定能够解决自动化问题。然而另一方面，如果涉及到读取票据描述的内容并运用人类知识来决定哪个团队应该处理该票据，那么突然之间，该过程的自动化变成了不可行。

机器学习起到何种帮助作用？

机器学习（Machine Learning，简称 ML）是一项新兴技术，但却成熟到可以应用于解决现实生活中的问题。ML 的工作原理是将大量的数据（或知识）捕获后形成某种形式的数学模型。该模型可以利用知识来解决问题。

例如，如果我们开发一个包含有一年票值描述及其相应分配路径信息的机器学习模型，则可以用它来预测新票据的路径信息。机器学习技术有能力根据先前的行为进行学习，并运用这些知识对当前的行为做出决定。

机器学习技术可以应用于许多可以获得大量历史数据的问题，利用这些历史数据在特定领域可以预测或决定。这不像是开发一个算法，因为它是建立在知识基础上的。如果我们考虑之前的票务路径问题，那么为过去一年中每张票的信息开发算法都是非常困难的。不过，利用机器学习的方法可以非常有效地解决这种情况。

强大的组合

ML 技术与 RPA 技术的结合有助于克服 RPA 的局限性，因为它可以从历史数据建立知识库，并将其用于行为决策和预测。

如果我们再次考虑这个票据路径分配流程的例子，现在看起来则变的完全可行，在 RPA 流程中提取票据描述信息，并调用 ML 预测服务来获取路径信息以继续自动化流程。这就像是引入一个聪明的代理进入了 RPA 的流程。而且通过定期重新训练并保持最新知识，不断丰富 ML 模型也是可行的。

机器人过程自动化技术本身或与机器学习结合，是一项令人兴奋的技术，对于能源节省和效率提高的可能性是无上限的。虽然这些技术的组合构成了一个强大的自动化解决方案，但要使终端客户能够应用，还需要完成一些工作。

但是，凭借结合专业的经验技能，企业完全可以实现真正的自动化解决方案，从而获得他们一直想要的结果。

Via  business2community ，雷锋网编译

。