机器人流程自动化(RPA)正在成为人工智能的主要企业用例之一,这种软件可以模拟人类在流程中执行任务的方式。
老牌RPA解决方案提供商正在成为云应用开发领域的杰出参与者,例如Automation Anywhere、BlackLine、Blue Prism Group、Kofax、Pegasystems和UiPath,这些公司让RPA、业务流程编排、Web内容管理、边缘计算和应用开发的边界变得模糊,其中大多数公司现在都强调他们解决方案组合中人工智能能力的深度。
当我们在RPA背景下谈论人工智能的时候,通常重点是在推理应用底层逻辑所使用的技术上。在这方面,机器学习和其他人工智能工具通常推动着对用户界面演示元素进行屏幕抓取、对屏幕文本的光学字符识别、浏览器级别控制和域对象模型的自动感应、捕捉人类用户击键和点击、理解自然语言文本、解析文档对象模型等。
在RPA生态系统内,人工智能的作用正在逐渐扩大。人工智能还越来越多地提供了内嵌智能机器人的应用逻辑核心,以满足特定业务流程自动化场景的需求。这个趋势中一个重要行业里程碑就是Automation Anywhere近日宣布,将开放给那些嵌入Automation Anywhere最新IQ Bot人工智能功能的合作伙伴应用。Automation Anywhere在自己的年度客户大会上宣布,合作伙伴现在可以提供预训练的、应用特定的IQ Bots,它可以智能地自动化以文档为中心的业务流程,例如处理财务报表、采购订单和发票等。
Automation Anywhere的Bot Store一站式商店是面向为各种以应用为中心的RPA机器人,不仅限于那些融合了这些新AI功能的机器人商店。在IQ Bot技术发布之前,合作伙伴和开发人员只能通过Automation Anywhere Enterprise RPA平台,利用与外部AI应用的API级集成来提供AI功能。IQ Bot的推出让开发人员和合作伙伴能够在其机器人中提供原生计算机视觉、自然语言处理和机器学习功能。谷歌、微软、IBM和Pure Software等多加合作伙伴和开发商都已经在这个商店中提供了预训练的“认知”机器人。
实质上,这些以人工智能为动力的机器人,让RPA应用能够将概率业务逻辑嵌入到或者替代既有的业务规则。这项创新将Automation Anywhere的应用生态系统打造为智能的、结合上下文的,同时可以意识到由机器学习、深度学习和其他数据驱动AI算法的运行时行为。因此,现在Automation Anywhere RPA环境中的机器人就可以利用大数据和实时流来动态调整对业务流程完整历史、当前和预测上下文的自动操作。
市场趋势
Automation Anywhere的最新公告是对Wikibon在最近《大数据分析趋势和预测》中提出的多项应用市场趋势的进一步证明:
有越来越多新上线的企业应用开发项目涉及构建AI驱动的智能,以部署到移动、嵌入式和边缘端点、以及特定领域的应用平台中。
有人可能会认为这些以解决方案为核心的IQ Bots等同于去年Wikibon报告中提到的那种容器式AI微服务。现在是可以结合IQ Bots以自动执行更复杂的业务流程编排,并且具有实时敏捷性。如果想更新这个机器人,需要从Bot Store商店下载最新的预训练版本,并重新部署到已经配置的应用中。
RPA在传统环境中的一大优势是,通过外部接口构建应用,对现有信息技术系统几乎不需要进行改动。因此,RPA是应用开发和流程设计商店的快捷入口,让开发人员通过在构建的应用中实现轻量级业务流程来提高他们的生产力。Wikibon预计将有相当数量的开发工作迁移到业务边缘,以全面的智能RPA为基础的AI微服务形式,成为每个应用项目的核心。
展望未来,我们希望Automation Anywhere进一步发展RPA生态系统,使用云原生方法(如Kubernetes)支持跨机器人进行编排。想象身处于这样一个世界:开发人员只需将现有企业工作流程转换为交互式智能RPA机器人的编排。想象一下,开发人员现在也可以做到这一点,跨私有云中基于分布式机器人的微服务、复杂的多云环境、甚至是物联网上边缘节点之间。
Wikibon预计,其他RPA厂商将在未来6到12个月内推出他们打包的、预训练的、以解决方案为主导的AI机器人。通过在这一全新领域采取开创性举措,Automation Anywhere将为一种“剃刀与刀片式”打下基础,构建一种新的、专注于预打包的垂直解决方案和业务线解决方案RPA业务模式。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。