通过 AI 获得更多自动化价值：您的 AI 手册（第 2 部分）

机器人流程自动化 (RPA) 只是一个开始——它是您的自动化程序的基础，而不是目标。

在第一部分中，您学习了如何测试您的自动化程序和您的公司是否已为人工智能 (AI) 做好准备。在这篇文章中，我将深入探讨细节：您和您的自动化团队如何在底层实现 AI。

AI 模型既是自动化程序的加速器，也是倍增器。

根据伦敦经济学院管理系技术、工作和全球化教授 Leslie Willcocks 所做的案例研究，第一年 RPA 投资的投资回报率在 30% 到 200% 之间。在 UiPath 客户中，我们看到公司在短短一个月内就实现了 ROI（DHL 全球货运、货运）、实现 2:1 的 ROI（邮政银行）等等。

回报只是一个开始：公司发现了提高生产力、提高员工敬业度和减少错误的好处。那么，想象一下，将认知智能添加到您的自动化套件中可以做什么。错误处理？例外？人在圈子里？人工智能可以提供帮助。

在 AI Playbook 网络研讨会（在我们的 AI 峰会期间举行）中，dentsu International 美洲自动化主管 Brian Klochkoff 与我一起解释了将 AI 模型添加到您的自动化程序中如何解锁和创造价值。

设计人工智能执行支持计划

在本系列文章的第一部分中，我们向您展示了如何揭开 AI 的神秘面纱，并让人们了解 AI 的可能性。我们还讨论了如何展示投资人工智能的案例​​。一旦你赢得了利益相关者的支持，你就不想浪费这种势头。确保您已准备好使用包含以下元素的执行计划来运行。

人工智能治理和道德

人工智能的治理和伦理是一个相对较新的领域，因此前进的道路并不平坦。许多公司和政府实体仍在研究治理的形式，尤其是与道德考虑相关的情况。

然而，在大多数情况下，典型的卓越中心 (CoE) 治理模型对 AI 和 RPA 一样适用。对 RPA CoE 也很重要的关键是建立问责制、透明度和公平性规则。

例如，您如何避免模型和数据中的系统性偏差？您需要有控制点，使您能够将决策追溯到人类、机器人或两者的某种混合。这部分执行支持计划也将包括有关数据隐私和网络安全的规则。

我们将治理和道德放在首位，因为治理和道德需要来自执行 AI 的团队的专门努力。任何低于首要任务的事情都会造成贵公司不愿承担的风险。

运营模式

我们多次写过自动化运营模型，包括：

• 设计一个的好处

• 组建团队时的注意事项

• 优化您的全部自动化潜力

谈到人工智能，你的运营模式的核心必须是一个跨职能的团队。这个跨职能团队包括来自业务、数据分析、RPA 和支持方面的人员。重要的是，您设计的运营模型没有孤岛。您的互动渠道应该是高效的，有大量的合作机会。

尽早确定您是在内部构建模型还是使用预先构建的模型。此决定将影响您的基础架构要求和资源，我们将在接下来的两节中讨论。

理想情况下，您的运营模式的结构能够在新技术出现并能够采用它们时进行集成。集成和采用必须在您的软件开发生命周期 (SDLC) 的现实和治理需求内进行。

在电通，根据克洛克科夫的说法，“我们认为运营模式是所有这些东西的包装。”因此，dentsu 专注于创建全面的文档并在公司的内部网上透明地发布这些工作。 “人们可以了解我们的目的以及他们如何参与其中。”

基础设施和支持

确定治理和运营后，您将需要考虑基础架构。您是要在本地、气隙还是在云中托管您的 AI 平台？你打算把机器放在哪里？您将如何托管为这些 AI 模型提供动力的数据？您还需要在这里决定使用哪些方法进行训练。

根据这些决定，交货时间、所需工作量和预算都会发生变化，因此请谨慎制定。

资源技能

随着您的基础设施安定下来，您将需要评估您当前资源的技能水平以及可能存在的技能差距。您的核心资源将是 RPA 开发人员，他们可以提升技能并学习将 AI 应用于 RPA。数据科学家也将扮演关键角色，理想的场景是 RPA 开发人员和数据科学家紧密合作的团队。

根据您之前的决定，您可能能够提高现有员工的技能，但也要仔细考虑从外部招聘。您将需要多种资源才能获得想要的结果。

电通围绕其团队中参与 CoE 的人员、他们拥有什么技能、他们正在努力实现的目标以及他们拥有什么认证来构建角色。 Klochkoff 认为他们的工作最终形成了一个“跨职能社区”。电通希望创建一条由治理管理的学习路径，使员工能够增强他们当前的技能。

Klockkoff 强调说：“技术的发展速度如此之快，有时很难跟上 [你的] 自己的知识。”他建议您每周至少暂停一次，让您的团队有时间了解发布说明、网络研讨会和白皮书。 “我们并不总是这样做，”克洛克科夫警告说，“这意味着我们错过了一些可以嵌入到我们的解决方案中的功能。”

将 AI 集成到您现有的 RPA 程序中

启动并运行执行支持计划后，您就可以开始集成了。集成 AI 的关键有两个：让您的 RPA 和数据分析 CoE 协同工作，并调整您的软件开发周期以包含 AI。

鼓励两个 CoE 合作

CoE 往往属于两种模式之一，每种模式都需要不同的协作策略。

在单个 CoE 模型中，单个 RPA 和数据分析 CoE 向不同部门报告。通常，CoE 是分开独立工作的。

为了实现更大的协作，RPA CoE 可以主动联系数据和分析 CoE。他们可以一起找到从协同作用中受益的业务用例。这可能需要向数据分析团队解释 RPA，但这种相互理解的好处是巨大的。

在单一 CoE 模型中，单一 CoE 包含所有自动化技术并向一位主管（通常是首席数字官或首席自动化官）报告。 CoE 领导者可以利用这种整合将 CoE 的重点放在自动化任务上。

没有一种适用于所有组织的正确模型。您需要权衡每种模型的优缺点，以及您的目标以及您在自动化之旅中所处的位置，以确定哪种模型最适合您的组织。

然而，随着时间的推移，随着公司添加更多自动化技术，单个 CoE 模型往往会演变成单一的 CoE 模型。

当他们向领导者和运营负责人展示价值并将其阐明时，他们能够解释人工智能如何缓解人在回路中的挑战，并扩展自动化能力以解决“更复杂的问题”。

一旦公司拥有 AI 和自动化技术组合，自然会开始思考如何让它们和谐相处。

调整您的软件开发生命周期

如果您使用的是单独的 CoE 模型，要让 SDLC 以最高效率运行，它需要两个 CoE 的编排。通常，这两种技术都将遵循相同的 SDLC，但细微的差别会改变您最好的编排方式。要介绍一种可以容纳 AI 的结构，请重点关注以下六个组成部分。

• 识别： 从业务问题开始，而不是技术解决方案。将 RPA、数据科学家和业务用户聚集在一起——最好是在同一个房间里——以确定适合 AI 解决方案的问题。在做任何其他事情之前，请确定使用 RPA 和 UiPath AI Center 是否可以解决手头的问题。如果您确定 AI Center 适合，请弄清楚机器学习 (ML) 模型应该解决什么问题。

• 设计： 人工智能的分层需要设计考虑。在您开始设计时，请确定您的 RPA 开发人员是否需要通过添加 ML 来设计他们的 RPA 解决方案。此外，您还需要询问您的数据团队，他们的机器学习建模需要哪些数据准备。

• 开发 ：在这个阶段，只要遵循各自的 DevOps 政策和程序，您就可以让您的 RPA 和数据科学家团队产生分歧并制作各自的组件。确定数据和分析 CoE 与 RPA CoE 之间所需的编排级别。知道，在端到端的工作流程中，一种技术的输入将如何产生下一种技术的输出。

• 测试 ：确保您的用户验收测试人员以及您的 CoE 知道在 SDLC 的每个阶段会发生什么。 RPA 往往很简单，因此测试是确定的。你要么通过，要么不通过。 ML 是关于逐步改进的，因此模型包含一个置信度阈值，该阈值会随着时间的推移而提高。

• 部署 ：现代自动化技术的进步使 AI Ops 比过去几年更容易。确定 RPA CoE 是否负责将 AI 模型部署到 AI Center。更新您的部署清单以确保检查到位。实际的部署行为现在非常简单。

• 维护 ：确定您的团队如何减轻和管理外部更改的影响，并确定部署后哪个团队维护 AI 模型。在RPA中，每个人都知道机器人是否在运行；很难确定 ML 模型是否做出了“错误”的决定。您可能需要创建一个仪表板来跟踪置信度并在置信度低于某个阈值时触发警报。

尽管 RPA 和 AI SDLC 有很多相似之处，但差异才是真正的区别。

通过集成 AI 将您的自动化战略提升到新的水平

AI 将使您的自动化策略更上一层楼。整合人工智能需要组织技能和技术技能，但这种整合的好处将是巨大的。在引入 AI 之前，您的 SDLC、RPA 和数据分析 CoE、自动化程序都需要进行清晰而仔细的重新评估。

要详细了解 AI 模型以及 AI 和自动化最佳实践，请查看完整的 AI Playbook 网络研讨会记录。