身處于第四次工業革命的洪流之中，如何在有效降低人力成本、提高生產力的同時減少錯誤，是每家企業都在思考和亟待解決的問題。以往，業務流程改進需要多年的努力，而且需要對企業已有的業務應用程序和基于工作流程的流程編排器進行徹底檢查，是一個極其繁瑣又漫長的過程。

然而，最近幾年RPA產品的激增解決了這一問題，RPA能夠在不中斷現有企業應用程序的情況下快速推動業務流程的數字化和自動化升級。其中AI技術的應用是非常重要的一環，今天我們就來聊一AI技術與RPA的關系。

為什么說AI技術和我們很近呢？因為AI的典型用例涵蓋了企業中從前臺到后臺的大多數分析應用程序，其中的商業價值觸手可及。麥肯錫最近的一項研究預測，AI技術可以在其研究的九大企業職能部門和19個行業中創造3.5萬億至5.8萬億美元的全球年度利潤。

那么為什么又說AI技術離我們很遠呢？因為實際落地的AI應用還是少數，具體應用的場景還停留在例如預測機器故障率，情緒檢測的文本分析或面部圖像識別等小范圍內。

與UiPath關系最緊密的AI技術是深度學習，人工智能近年來的繁榮很大程度上可以歸功于中深度神經網絡算法的應用。

這里我們介紹兩種中度神經網絡算法：

卷積神經網絡：可直接輸入圖像，廣泛應用于計算機的視覺任務中，這是UiPath投入巨大的一個領域。

遞歸神經網絡：非常適合語言問題，并且在強化學習中也很重要。在強化學習中，機器可以追蹤已發生的事，從經驗中學習。

下面，讓我們來看看如何將AI技術嵌入RPA。

以往，企業流程基本都可以由以下環節組成：

數據 > 判斷 > 操作

而現在，領先的公司正在利用AI技術添加“預測”這一環節來充分利用所有數據，構成了一種新的流程：

數據 > 預測 > 判斷 > 行動

在企業自動化方面，了解這些環節的復雜性對解決AI或認知難題至關重要。

現代公司最重要的通貨是什么？是數據。谷歌、Facebook、微軟等公司每年都花費數十億美元用于抓取和存儲數據的開發工作。另外，“預測”環節也涉及保護重要數據并將其轉換為有意義的信息，以便進一步處理和預測。此環節還涉及與客戶（內部或外部）的交互。具體包括數據提取，數據轉換和數據清理等。企業的數據可以分為結構化數據，非結構化數據和會話數據。

下面，我們來具體了解一下：

結構化數據：即行數據,存儲在數據庫里，可以用二維表結構來邏輯表達實現的數據。可以很好地適應關系SQL數據庫，并且可以很好地與基本算法配合使用。大多數公司都使用機器可理解并查詢的結構化數據。接受結構化數據的下游流程的自動化更容易，并且具有更好的成功率。

非結構化數據：包括所有格式的辦公文檔、文本、圖片、XML、HTML、各類報表、圖像和音頻/視頻信息等等。非結構化數據很難甚至不可能通過算法解釋。大多數公司目前仍處于從非結構化數據中提取信息的階段，而實現零接觸操作更重要的在于處理非結構化數據的能力。這類數據還包括子組，在提取時，每個子組可能會需要不同的技術解決方案。

企業擁有大量非結構化數據。有人預測，到2020年，企業中90％以上的數據都將是非結構化的。這將是AI技術應用于RPA產品時需要解決的一個難點和重點。