机器人技术与智能自动化：人类与机器力量的结合.pdf

机器人技术与智能自动化人类与机器力量的结合20“大 AI”如 何创造价值24智能自动化项目的成功秘诀28结语29后续步骤/联系人2RPA早已占据一席之地4AI：蕴 含 变 革力 量 ，但 却 更 为繁复10RPA与 AI之间的关系12迈向智能自动化16“RPA+” 如何创造价值 目录机器人技术与智能自动化：人类与机器力量的结合 1金融服务公司对自动化的运用已有一段时日。机器人流程自动化（RPA ）早已占据一席之地，但随着企业探索释放价值的潜能，人工智能（AI）目前正凭借收入提高、客户服务、效率和风险管理改善的方式，广受青睐。AI被广泛视为下一个业务颠覆者，且发展迅速。AI领域工作者相信，其将是未来三到五年内最具颠覆性的技术。AI不仅仅局限于无人驾驶汽车。金融服务公司早已见证AI工具是如何提高收入、效率和风险管理水平的。然而，AI是未来的一部分：其真正的实力不仅体现在与RPA 和数字化的普遍结合，还体现在与人类输入的融合。人类或机器单独工作的效果绝对无法超越人机携手的成果。我们相信，金融服务公司可凭借“智能自动化”即多个工具和自动化方法的智能应用蓬勃发展。本篇机器人技术与智能自动化系列的最新刊物透过繁杂的表象，解释了AI对于金融服务企业的意义，以及RPA 和AI如何相辅相成。我们还识别了不同形式智能自动化所实现的活动和流程的类型，从处理“追加保证金通知”电邮到信用风险管理、产品定价和欺诈检测。智能自动化可为金融服务企业带来收益，但仍有挑战更待解决，以释放这些收益。我们突出强调了其中最为重要的部分，并提供了关于管理团队如何开始在自身运营中探索智能自动化变革潜力的建议。机器人技术和智能自动化（ IA）向金融服务公司提供了多重收益，但成功取决于对不同工具和自动化方法优势的理解。 RPA 早已占据一席之地在过去几年里，我们看到了 RPA应用的爆炸式增长。 RPA程序曾经是一个不起眼的工具，而今每个大型金融服务机构却 均 在 运 行 。安 永 RPA专业团队的快速发 展 印 证 了 这 种 颇 高 的 关 注 度 ，团 队 从屈指可数的几个人壮大到 2,000余人，向 40个国家或地区交付 RPA项目。2机器人技术与智能自动化：人类与机器力量的结合 3RPA创造了大量的自动化机会，而迄今为止，我们仅抓住了其潜能的皮毛而已。然而，传统 RPA具 有 局 限 性 ，仅 能 处 理结构化数据（如系统、电子表格和网络里的信息），仅能根据已有定义做出简单决策（如基于“决策树”或基于规则的更复杂定义）。总之，这些局限性意味着，尽管 RPA极其强大，但却仅能用于特定流程，而且更多的是子流程，从而限制了端到端流程自动化。 传统 RPA正在与 AI和其他数字自动化工具（如，光学字符识 别（ OCR）、数字表格、工作流程、聊天机器人、人机结合处理）相结合，以帮助克服这些局限性。这创造了任何流程之间实现端到端流程改造的潜能，同时无需考虑现有系统环境。传统 RPA能够改造流 程 ，但 单 独使用时却受到重大限制。AI: 蕴含变革力量，但却更为繁复AI指通过计算机系统的开发，能够运用简单决策树以外的判断，执行通常需要人类智慧的任务，如视觉感知、聊天和消息对话、读取电邮、语音识别、决策制定和语言翻译。4机器人技术与智能自动化：人类与机器力量的结合 5AI是真实存在的，且有潜能改造当今的业务运营。在过去几 年里，三大组成部分汇集，实现了这一点： 新 AI模式算法 以数字方式移动数据 新的云计算能力和处理能力然而， AI世界令企业倍感困惑，即便是拥有 RPA经验的企业。 这部分归因于 AI涵括了诸多供应商的众多不同技术类型，远超 RPA领域所见。因此， AI范围颇广，而在本刊中载列 AI的所有特点是无法企及 的 。但 AI通常可被划分为不同的类型或用例，并运用多种技术和工具加以实施。如今，任何一个单一工具均无法交付基于 AI的所有用例。作为一种变革力量， AI日益得到金融服务机构的认可。自然语言处理 （NLP） 和 “书面聊天机器人”AI类别语音识别和“虚拟助理”计算机视觉和OCR预测和决策的监督学习深入学习简单问题的复杂答案6机器人技术与智能自动化：人类与机器力量的结合 7在仅仅一个供应商内，即可存在多种不同的工具，这明 确 表 明了： 用例的宽度 工具的数量 基于工具数量而所需的技能 所需的培训、测试和技术环境 交付的运营模式这阐释了 AI格局的复杂性。AI具 备 诸 多 特 点 ，并 运 用 多 种 技 术 和工具加以实施AI可能需借助其他工具和人员实现有效性保证金分析师重新培训相关模式（如有必要）机器人记录登记成功的信息机器人将任何例外情况以电邮方式发送给代理人机器人批准发送通知机器人输入抵押品管理系统运用机器学习（ML）模式计算结果，并将结果存储到RPA 数据库中运用NLP将电邮拆分为句子从电邮服务器检索电邮，并提取元数据 ML/NLP机器人人员（人机结合）不仅仅潜在用例和相应技能的复杂性是个问题，各个用例的应用也需要重大投资。以安永近期“追加保证金通知”处理自动化的项目为例，经纪人要求投资人增加现金保证金，以达到规定的最低水平。目前，追加保证金通知的回复是成千上万封完全非结构化的电邮，这一领域非常适合实施自动化。据以往经 验 ，我 们 在 第 8页表格中汇总了运用 AI实现这一流程自动化的优缺点。这不仅仅是 AI力量（在一个为期八周的项目中，处理95%的电邮是非常不错的），也是成本和复杂性以及每个案例独特性的一个很好例证。8运用 AI实现追加保证金通知处理自动化的优缺点优点 缺点1. 在八周内 ，交付全部工作电邮的解析和处理2. 在 四 周 内 ，实 现 60%的准确率， 足以试行3. 在 八 周 内 ，实 现 95%的准确率， 足以大规模 上线4. 须与 RPA结合， 以实现在现有系统内追加保证金通知回复的真正登记5. 重 大 投 资 回 报 率（ ROI），三个月后开始得到回报， 12个月内收回全部投资1. 需要 3万封电邮（六个月的量），以获得期望的准确率2. 仍需要人为干预来处理例外情况，并继续培训 机 器 学 习（ ML）模 式3. 需 要 自 然 语 言 处 理（ NLP）、 ML技 能（ 在 我 们的案例中使用了 Python）和 编 程 技 能4. 这仅适用于特定类型的电邮，而且我们了解到是与追加保证金通知有关。对于具备类似数据量的任何其他类型电邮（如投诉和催费问题 ）， ML须接受再次培训5. 当数据量小时， ML的 准 确 率 非 常 低 ，从 而需 要 更 多 的 人 为 干 预 ，所 以 投 资 回 报 率 可 能 较低6. 通 过 使 用 开 源（ 免 费 ）工 具 ，我 们 可 实 现 适 当的投资回报率，而利用商业工具，投资收回时间将为两年或更久