RPA+AI，发生了四个奇妙的“化学反应”

RPA这个概念本身并不新鲜，目前全球市值最高的RPA公司UiPath，创立于2005年，到现在已经有17年历史了。然而，这两年RPA突然又火了，仅仅2021年中国市场就发生了17起重要融资。

RPA获得如此多的关注，与AI的结合是其中的一个重要原因。RPA+AI，一下子打开了RPA应用的想象空间。因此，众多RPA厂商都将AI作为其产品的一个重要卖点。那么，RPA和AI到底是怎么结合的呢？为此，数据猿策划了RPA+AI深度行业选题，分析RPA和AI的结合点，并采访多位RPA、AI领域的专家，一起探讨行业的未来发展趋势。

具体来看，RPA+AI可以分为以下四个方面：

RPA+机器学习，实现流程发现、流程设计自动化

RPA产品有三个核心功能，流程发现、流程设计、流程执行。首先，是要发现自动化流程，然后根据这个流程来设计自动化步骤，最后再由RPA系统来执行这些自动化流程。所以，自动化流程的发现、设计，是整个系统闭环的关键一步。影刀CEO金礼剑也认同AI在RPA各个环节的应用价值，“发现、设计、执行是RPA应用的一个闭环，AI在每个环节都能提供强有力的支撑：在发现环节有流程挖掘、需求录制这类AI产品帮助用户自动发现和记录自动化场景，在设计环节有CV、OCR等技术帮助机器人更准确的定位目标元素，在执行环节有一些流程推荐、智能文档处理等产品大幅提升RPA的易用性。”

具体来看，发现和设计自动化流程有两种方式：

人工流程设计方式。业务人员和RPA人员以头脑风暴的方式，针对具体的业务场景，进行多次讨论，识别出那些高频重复、标准化程度高的环节，抽象出可自动化的流程，然后借助RPA产品设计出自动化执行的机器流程。在这个过程当中，需要业务人员的深度介入，高度依赖业务人员的经验，RPA流程的设计效率并不高。在流程发现、流程设计、流程执行三个关键环节当中，RPA产品实际上只在流程执行环节实现了高度自动化，在流程发现和流程设计环节，还是高度依赖人工操作。因而，整个RPA流程的自动化程度并不高。这无形当中提高了RPA产品的应用门槛，降低了RPA产品的应用价值。

RPA+机器学习方式。这种方式致力于在流程发现、流程设计环节，也实现自动化。具体方式为：将RPA平台部署到电脑、手机等终端，系统以静默状态抓取用户的行为轨迹和业务数据。员工只需要按照自己日常的工作方式，来登陆业务系统，进行业务操作即可。众多员工的业务操作，就会产生大量的行为轨迹和业务流程数据，而可自动化的业务流程就藏在这些数据当中。借助机器学习技术，RPA系统可从这些数据当中识别出可自动化的业务流程。

机器学习技术的核心，就是从看似杂乱无章的数据中，挖掘出规律。借助回归、聚类、深度神经网络等算法模型，从海量数据当中，识别出那些适合自动化的业务环节。此外，系统还可以“学习”业务之间的关联关系，将多个环节“串起来”，形成一条完整的业务流程链条。之后，RPA系统依据学习到的业务知识，自动设计出业务流程。至此，就实现了流程发现、流程设计的自动化。当然，系统自动设计出的业务流程可能还不完善，业务人员可以在此基础上进行修改。在已有流程上进行部分修改，其难度肯定要大大低于从头开始设计整个流程。而且，RPA系统还可以“学习”业务人员修改流程的这个过程，进而改进机器学习算法模型，让以后给出的RPA自动化流程更加合理，需要修改的地方更少。

这让笔者想到一个典故：有一个著名的园林设计师，要给一个公园设计人行道，要怎样来规划人行道才是最合理的呢，他一时也拿不定主意。最终，他想了一个办法，那就是在需要设计人行道的区域撒上种子，等长出青草之后，邀请人们按照自己的意愿在草地上行走。最终，大量行人在这片草地上留下了一个路径网络，设计师就按照这个网络来铺设道路。这真是一个天才的设计，人们自己走出来的道路，才是最高效合理的道路。

机器学习平台，就相当于上面的草地。业务人员的行为轨迹和业务数据，就相当于在这片草地上踩出来的人行道。RPA系统只需要识别出这条“人行道”，就能设计出最“自然”的自动化流程。再天才的设计师，也会有没考虑到的意外情况。而通过机器学习系统设计出的RPA流程，是群众智慧的结晶。只要数据足够丰富，就能够识别最合理的业务流程路径。

目前，RPA系统只能将一部分业务环节自动化，依然还有大量的业务流程需要人工操作。因而，在实际的业务操作过程中，人机协同会很普遍。通过机器学习方式产生的RPA流程，系统是学习员工日常业务操作的产物，“设计感”更弱，人机协同会更加自然流畅。人们更容易感觉到，与其配合的是另外一个同事，而不是一个冰冷的“机器”。

实在智能创始人、CEO孙林君的观点与数据猿不谋而合，孙林君认为，“RPA和AI有非常多的结合点，AI在感知能力、认知能力以及改造传统RPA方面都有巨大的空间，我们非常看好AI+IPA（AI改造了的RPA）的数字员工弥补劳动力缺口的巨大空间，我们认为最有价值的点在于AI对于RPA基础能力的增强，使得RPA的机器人能够真正大规模稳定的在线上运行，且维护成本很低。具体来说，在OCR、表格识别、异常监控预警、拾取能力增强、结构化信息抽取、多轮交互等方面都有应用，这些是我们认为有价值的应用方向，底层技术上主要使用机器学习、深度学习、知识图谱等。”

RPA+OCR，打通线上线下业务流程

RPA是一个数智化系统，处理的都是线上数据和流程。然而，在企业真实的业务场景中，经常会用到各种纸质票据、证件、材料。例如，金融业的客户开户、贷款申请、数据校审等，制造业订单处理、仓库盘点等，物流业的订单和货运跟踪、提货单、货物订单等领域，需要处理PDF、扫描文件、发票识别、传真和手写文档等大量纸质文件。

理想情况下，是企业的整个业务流程都在线上系统运转，用电子票据替换纸质票据。数字化是智能化的必要基础，面对大量的纸质票据、材料，再智能的RPA系统也无济于事。那是否要等到企业数字化建设比较完备之后，才能用上RPA等智能化系统呢？在目前情况下，最好的方式是数字化和智能化同时进行。RPA+OCR，就能解决这个问题。

借助OCR系统，可以将线下信息线上化，录入到数字化业务系统当中，然后再将数字化之后的信息接入RPA系统，实现业务流程的自动流转。同时，RPA系统还可以接入打印机、传真机等硬件设备，将线上处理好的业务信息，转化为线下的纸质文档。OCR+RPA，将RPA系统的自动化“触角”进一步延伸到线下业务流程，并实现了线上线下的协同。

此外，在某些业务场景当中，基于OCR的身份识别，可作为整个RPA业务流程当中的一环。在银行、电信营业厅的业务办理当中，往往需要通过身份证识别来确定办理人的身份，并将其身份信息录入到业务系统当中。

例如，电信业务当中，有一项业务是稽核业务。以往采用人工稽核纸质材料的方式，在人员成本、纸张成本、打印成本、仓储成本、物流成本等方面支出较大，给该运营商带来沉重的成本负担。此外，人工稽核的效率低，由于业务稽核过程繁琐，人工稽核的出错率较高，为电信业务的合规运行埋下风险隐患。以OCR+RPA的AI稽核方案，借助OCR识别用户身份信息，并配合人脸识别结果确定用户身份，同时识别出电子签章、电子签名等；RPA系统自动进行人证对比、签名与证件比对，并将相关业务信息自动填入电子业务单当中。通过OCR系统与RPA系统的紧密配合，可实现整个业务流程的自动化运转。

相对于原来人工处理方式，通过AI业务稽核优势明显，比如：通过无纸化稽核，在纸质材料、打印、材料仓储等方面节省成本；大幅压缩业务稽核的时间，减少用户的等待时间；AI自动化稽核的准确率高于人工水平，而且避免了由于人员疲劳、疏漏等带来的业务风险，稽核的准确率得到进一步提升。

当然，要将OCR技术应用到RPA领域，还需要基于RPA的业务需求，对OCR进行相应的技术和应用创新。达观数据创始人、CEO陈运文认为，“OCR虽然已经有二十余年的产品发展周期，在很多应用中也出现了OCR的身影，但还远没有成熟。目前相对成熟的OCR应用还集中在标准化文档上，例如身份证、银行卡、发票等格式规范的卡证，而面对形式多样的文档，例如医疗单据、财务报表、通知单、铭牌等时，要识别准确并把格式还原好仍然是不那么容易实现的，行业内能提供相应OCR服务的厂商寥寥无几。达观在银行、证券、保险、汽车制造、医药等众多行业的企业文档资料处理中，深入研发了一系列OCR的创新技术，在产品细节方面也进行了大量的打磨和突破。”

陈运文还向数据猿介绍了他们的一项OCR技术创新——无锚点OCR文字提取算法，对无固定样式的单据提升识别精度。达观数据基于达观自主研发的视觉技术，还研发了复杂嵌套表格的识别技术，结合知识增强的跨模态语义理解关键技术，提供图像矫正、图像分割、版面标签分类、文字识别、信息扣取、文档比对、表格识别、文字过滤、信息审核、文字二次加工等一整套全流程OCR模型定制与应用能力。陈运文认为，未来更智能的OCR系统，将有望和RPA深度融合后创造更多元的业务价值。

RPA+对话机器人，

让智能客服真正具备解决问题的能力

对话式机器人是人工智能的一个重要应用，尤其是在智能客服领域，通过对话式机器人替代人工客服，大幅降低了客服成本。但是，智能客服也有比较大的局限性。传统智能客服系统，能够回答用户的提问，但不能解决用户的问题，尤其是不能解决具有复杂业务属性的问题。很多时候，用户提出问题，并不仅仅是为了获得一个简单回复，而是希望能够获得企业的资源支持，来解决自己提出的问题。

如果要实现以上目标，就需要智能客服系统能够对接企业内部的ERP、CRM、供应链管理、物流仓储等业务系统，甚至是财务、人力资源等管理系统。而且，要能够依据客户需求，来对多个系统进行一系列的流程化操作。这种情况下，就需要实现对话式机器人与RPA系统的融合。

跨系统的流程梳理与流程执行，是RPA的强项。RPA+对话式机器人，可以实现前后端的联动：在前端，智能客服系统直接面向用户，对话式机器人以聊天的方式来与用户进行互动，通过多轮对话来理解用户意图，掌握需要解决的问题；在后端，基于智能客服系统反馈来的需求，RPA系统设定一定的业务流程，在ERP、CRM、供应链等系统中，查询相关信息，依据规则执行一系列的操作。然后，RPA系统将操作结果再反馈给前端，智能客服系统再通过对话式机器人将结果反馈给用户。

举个具体的例子，当一个用户刚买的电冰箱出现了问题，想寻求售后服务。大体上看，企业要完成这个售后服务闭环，有三种方式：

第一，人工方式。用户打电话给售后，讲述了自己遇到的问题，售后人员通过电话指导用户检查、解决问题。如果问题得不到解决，就需要调动售后服务体系，安排人工上门服务，并准备好替换的零部件。

第二，传统智能客服方式。用户登录智能客服系统，提出自己的问题，系统会给出一些回答。但最终，还是要切换到人工系统，来为用户提供上门维修服务。

第三，智能客户+RPA方式。用户通过智能客服系统提出问题，系统给出一些解决方案。如果还不能解决问题，智能客服系统就自动切换到RPA系统，由RPA系统来安排上门维修人员，并协调物流系统从最近的仓库中调出对应的零部件。同时，RPA系统将物流信息同步给售后维修人员，让其在附近的仓库取零部件。然后，RPA系统再将业务处理结果反馈给智能客服系统，进而通知用户：用户您好，明天下午，将由售后维修人员来上门提供维修服务，并更换XX零部件。在整个过程中，全程无需人工介入，就实现了业务闭环，不仅仅回答了用户的疑问，更重要的是能针对用户的问题，调动企业业务系统来提供解决方案。

RPA系统的优势在于跨系统的流程协调，将RPA与智能客服对接，客服系统不再只是单向回答客户的问题，还能与客户实现多轮互动，调动后端业务系统，实现复杂的业务操作。通过这种方式，真正实现了前后端的打通。有了RPA的加持，智能客服系统的价值得到了极大的延伸，从一个简单的客服系统变身为一个强大的业务服务系统。另一方面，智能客服与RPA的结合，也延伸了RPA系统的业务“触角”。目前大部分RPA系统面向的都是企业内部的业务流程，直接服务对象是企业内部员工。通过对接智能客服系统，RPA系统可以直接触达客户，扩充了RPA的应用范围。

对于企业而言，RPA就像一个交通枢纽，连接了前端的客服系统和后端的业务系统，更好实现以客户为中心的服务升级，缩短企业与客户的距离，提高快速反应能力。相对于原来人工协调的方式，RPA系统指挥企业的业务流转，实现自动化的客户服务闭环，不仅仅可以降低人工成本，还能提升业务流程的效率。以前通过人工的方式，客户反馈的问题可能几天才能得到回复；而借助智能客服+RPA，这个过程也许只需要几分钟，这大大提升了用户体验。

RPA+NLP/知识图谱，

赋予流程机器人一定的业务理解能力

目前大部分RPA机器人，都是按照既定规则，机械的执行一系列流程。这样的RPA产品，对业务和所处理的内容并不具备理解能力，其作用类似工厂里的流水线工人。然而，在一些应用场景当中，需要RPA系统对业务和所处理的内容具备一定的理解能力，才能进行操作。这种情况下，RPA就需要结合NLP和知识图谱技术。

例如，证券行业的投资、监管等业务，需要全方位了解企业经营状况，掌握大量的市场信息。要掌握这些信息，就要涉及大量销购合同、投资基金合同、IPO发行相关文档、年报、财报、流水账单、发票、债券募集书、法律文书等众多类型专业文档，还要掌握《物权法》、《证券法》、《公司法》、《票据法》等相关法律法规。此类文档为券商核心业务的重要组成部分，其处理的效率直接关系到期业务进展的成败。因而，更高效的处理这些业务内容，是券商的核心竞争力之一。

这些工作如果由人工来完成，将会非常耗时耗力，而且进度缓慢。面对大量的专业性文档，往往会超过个人的理解和处理极限，在部分细节的处理上也容易出现人为失误。借助RPA系统，来实现部分环节的自动化，就显得尤为必要。面对大量的专业内容，RPA系统要具备一定的专业知识和专业判断能力。RPA+NLP/知识图谱的综合方案，可以解决这个问题：借助NLP技术，可对大量专业文档进行内容摘要、文本纠错、关键词提取、文章标签、观点抽取、内容分类等一系列处理，从大量文件中迅速提取出关键信息，把“厚书读薄”，并且把这些信息分门别类。证券业务员可以在RPA系统处理好的材料基础上进行下一步操作，大大减轻了工作量。同时，针对证券行业的业务特性，构建行业知识图谱，让RPA机器人也成为半个业务专家，能够对一些问题作出理解和判断，让RPA机器人从“流水线工人”升级为业务经理。

被NLP、知识图谱技术加持之后的RPA系统，能够处理的业务范围得到了很大的扩展。比如，可以实现业务文档的审核和纠错。针对招股说明书、上市公司年报等文档，RPA系统不仅可以对文字、标点、数字格式等简单内容进行纠错，还可以对照相关法律法规、政策文件的知识图谱，来发现文档中明显违反某项法律、政策规定的内容；智能投研顾问，RPA系统自动“阅读”大量行业、市场和公司研报，将研报中的内容进行结构化处理，提取关键信息，自动建立相关的结构化数据库。并基于特定的行业、企业分析逻辑，建立投研知识图谱。基于数据库和知识图谱，RPA系统可以自动给出特定行业、企业的结构化分析，并给出投资建议。

弘玑为数据猿提供了一个财务领域的典型应用场景，在一些大型集团企业里，往往有几十个甚至上百个银行账户，需要不断的下载电子回单票据，到款匹配等业务。在这些业务场景，传统方式都是需要人工去处理的，弘玑推出的RPA+AI组合的财资易解决方案，由RPA机器人自动从各类网银账户上下载各类电子回单、电子票据，然后通过AI的能力进行OCR识别，形成结构化数据，再由RPA机器人自动填入相应系统中。

当然，除了证券领域，RPA+NLP、知识图谱的方案，还有广泛的应用，比如互联网舆情研判、银行的贷款风控、电商的用户评价分析等。总之，NLP、知识图谱和RPA是相互成就。一方面，NLP、知识图谱技术，提升了RPA机器人的“脑力”，让其可以做更多有技术含量的工作；另一方面，RPA系统让NLP、知识图谱技术更容易落地，尤其是借助RPA的跨系统特性，有助于打通整个业务链条。

综上，RPA与AI的结合点包括机器学习、OCR、对话机器人、NLP、知识图谱等，这两类技术融合在一起，会发生奇妙的化学反应。AI技术，可以从多个方面为RPA机器人赋能，提升系统的智能水平，也扩展了RPA产品的应用范围。同时，RPA系统也是AI技术应用落地的好帮手。轻量化、非侵入性的RPA系统，可以作为AI技术与业务的粘合剂，推动AI技术在具体的业务场景中落地。跨系统特性，让RPA产品可以做很好的协调员，把分散到不同领域的AI应用“串起来”，构成一个业务闭环。

需要指出的是，对于RPA企业而言，与AI的结合既是机遇，也加大了竞争风险。一方面，RPA企业可以通过拓展AI功能，大幅拓宽其业务领域，打开市场空间；另一方面，AI企业也可能补上RPA功能，攻入到RPA企业的领地。RPA和AI业务双向融合的同时，也意味着RPA企业和AI企业的双向竞争。

RPA和AI厂商是竞合关系，在竞争的同时也会加强合作。在AI应用方面，RPA厂商既可以自研部分AI技术，也可以接入第三方AI平台。云扩科技CTO史秋芳向数据猿介绍道，“云扩 AI HUB是人工智能算法与企业业务流程的“集线器”，集成了各大厂商的人工智能能力，让流程开发者敏捷试用人工智能服务，并快速集成到业务流程中。每个服务都被封装至立即可用的RPA自动化组件，都已被内置在云扩RPA编辑器中，拖拽至流程即可使用。”目前，云扩 AI HUB除了支持云扩自有的AI模型外，还支持阿里云AI、百度AI、腾讯AI、讯飞AI等，共同为客户提供主要包括图像识别、OCR、图像分类、意图分类、情绪分析、语音识别、实体分类、数据挖掘、欺诈检测、异常检测等AI组件。

壹沓科技联合创始人&CTO肖鸣林同样认同合作的价值，“业务流程自动化的需求非常广泛，市场容量大，上限高，代表了产业互联网的未来方向，实现形式可以很多样化。而当下市场还处于开拓的初期阶段，尤其中国市场的RPA应用率还不到10%，未来5到10年内会保持很高的增速。在这种背景下，我认为大家更多的是合作而非竞争关系，共同把客户服务好。壹沓目前就已经和不少企业服务平台在深度的合作当中，各自发挥自身优势，共同构建强大和高效的业务流程自动化服务平台。”

当然，无论是通过自研还是合作的方式来实现RPA+AI，关键还是能通过技术赋能，来赋能客户的业务。正如达观数据创始人、CEO陈运文所说，“我们预测RPA未来会成为IT领域的一项通用基础性技术，因为RPA技术门槛并不高，且应用范围广，所以大量的IT企业都将有自己的RPA产品。事实上目前已经可以初步看到这个趋势了，RPA行业“百花齐放”，众多企业都开发出了自己的RPA产品。在此情况下，AI能力就成为了RPA竞争中的“点睛之笔”，谁具备了更全面的数据、更好的AI算法、更优的AI产品，谁就具备了更多竞争优势。在超自动化（hyperautomation）的时代里，AI是关键内核，是最强有力的发动机。差异化竞争力就体现在谁能掌握更好的AI能力，把产品和业务场景结合的更加紧密，提供更好的产品和服务。”

文：月满西楼 / 数据猿