社会正处于一个由信息化向自动化,由自动化向智能化转型的时代,人工智能正渗透到各行各业,然而在面对个性化的场景、分散的系统和散落的数据时,如何通过人工智能为社会带来价值？构建数据中台或者paas平台也许是好的选择,但这些举措往往成本高企,过程漫长,前期企业很难为此买单,相比之下,rpa（机器人流程自动化）作为一个成熟却受限的应用一直被低估,它有着成本低,落地快的优势,可以成为当下人工智能的接盘侠。
基于这个目标,我们提出了“章鱼数字员工”的概念,rpa相当于章鱼的多条触手,执行多项复杂操作,ai相当于章鱼的大脑,做出合理的智能决策,组合而成就是一个无实体形态的“章鱼·数字员工”。设想一下,未来一个人带领一群机器人工作的场景,这将成为我们看到的未来。相比于唤作机器人,我们更愿意称之它为“数字员工”。
「实在智能」的产品以ai+rpa为主打,由ai云脑(z-brain)、机器人工厂(z-factory)、中枢控制台(z-commander)、终端机器人(z-robot)四部分组成,其中终端机器人(z-robot)可单独使用,也可结合企业所需嵌入某流程中使用。
一、z-factory机器人工厂
rpa的核心部分,又叫流程编辑器。基于前期对企业客户及rpa的研究调查,我们配置的流程编辑器拥有强大的稳定性和兼容性,同时内部组件库深度汲取了人工智能“sota”技术,能充分适应企业级复杂流程的创建与运行。
1、可视化低代码,小白也能轻松上手
当用户登录factory系统的时候,可以快速的开启原历史打开或创建的应用。我们可视化的、流程块的节点编辑,通过简单的拖拉拽,就可以搭建符合当前用户场景的业务逻辑。如果对业务流程一知半解也没关系,我们内置了丰富的典型案例,用户可以在这案例的基础之上去构建适合它的场景的应用,做相应的简单的改造。当然也可以直接运行典型案例的流程,享受流程自动化带来的快感。
2、精准处理复杂流程,企业级管理就是小case
我们自研的rpa流程引擎相较于传统的开源的work flow的流程引擎,它能支持复杂场景的流程设计,并支持多任务进行以及支持流程节点的异常处理。以下面两个真实的案例客户为案例：
从这个流程图当中可以看到,在繁杂的业务流程中,factory能完成多任务并行,同时处理各种异常情况的扭转,我们也在这个流程节点中加了一些try-catch的机制,方便我们用户处理各种异常情况。
3、智能检索+超丰富组件库,花式打造各种流程
我们的ai能力通过组件化低门槛的方式,方便用户进行简单的调用,同时我们也支持私有化的部署。我们自研的基于计算机视觉的cv的组件,当前已支持了flash、sliverlight以及pdf相应的一些图片上面的元素 的拾取和操作。当然在其他类型,如ocr类型,我们已支持常见场景的图片类识别,比如说身份证、银行卡、对账单、保险单、工业巡检等；在nlp这个类型中支持了具有通用性原则化的一些分词,包括关键词提取、语义分析、语义相似度分析等。,我们可以根据客户的场景去研发符合业务需求的能力。
4、公共参数可视化,既是拥抱变化也是维持稳定
大家都知道在互联网行业里,我们听得多的一句话就是拥抱变化。rpa数字员工,在安 装部署的过程当中对环境的要求是非常的高,如果任何一个环节出现了变化,它的可用性就基本上降为0。有了公共参数可视化的配置组件,就完全可以解决以上这个问题,让我们数字员工具有能够拥抱变化的能力。它的实现的原理跟机制是把我们流程当中具有可变的因素 、条件设为全局变量,支持可视化的配置输入,然后就可以提升我们整个流程应用的一个可维护性、可适配性。
二、z-commander中枢控制台
充当流程的指挥官。顾名思义,统筹多台设备上客户端机器人的管理和监督、进行智能运筹调度、任务计划制定。它具备一高一低两个特性：一、产品的稳定性高,二、维护成本低。
三、z-bot终端机器人
任务的执行者,其中bot包含三种模态：任务式,流程式,交互式。它们可以灵活部署在客户端设备上,并通过时间轴和数据看板的方式展现bot各个时间节点上,每个任务执行情况以及执行结果,让效率进一步得到提升。同时bot也具备了z-commander的一些基础的能力,它可以脱离z-commander的进行灵活的一个控制,灵活的任务管理,灵活的定时任务设定。
四、ai云脑
实在智能在传统“三件套“架构的基础上,了自研ai能力平台“智能云脑”z-brain。其中,在自然语言处理领域,z-brain覆盖了包括bert、albert、roberta等算法；在计算机视觉领域,z-brain覆盖了db、pmtd、rare等算法。具备迭代、自动调参、多场景融合技术,可以输出ai组件,完成大规模复杂场景的智能决策。
首先是云脑部分的起点——data hub多元异构数据平台,由它接触我们客户的业务系统,进行数据的采集以及进行简单的处理,并将处理过后的数据传输到我们的标注平台,我们的业务专家,在标注平台进行业务能力的一个标注,然后实现人工智能的人工部分,通过标注过后的数据,再以在线的方式传输到我们的算法平台,相当我们人工智能有了数据的石油,算法平台里面可以进行数据的提炼（预处理）,包括模型的构建、参数的设置、模型的训练以及的打包发布,可以将模型直接发布到我们的决策平台,由决策平台来进行业务的对接以及模型的一个计算,决策平台会将后续从data hub过来的业务环境的数据进行一个模型的计算,输出计算结果或者是决策方案,然后由这个方案发布送到我们的commander,commander来调度具体的bot来进行根据决策进行相应的一个执行。
这就是我们智能决策机器人的全链路,它实现了一个从数据到决策的闭环。我们相信ai+rpa有着无限的可能,在未来机器人的协作里,rpa的发展肯定是机器人之间的协同工作能够产生无限的自动化和智能化提效的解决方案,我们首先需具备ai加rpa的产品矩阵,并以此形成适用于各行各业的rpa解决方案库。
相关新闻：刷新nlp纪录的谷歌科学家蓝振忠博士到访实在智能,受聘担任特聘讲师
10月19日,蓝博士专程到访「实在智能」,带来了一场精彩的学术演讲。他结合当前业界自然语言理解模型的研究进展,分享了albert模型的原创思路,讲解了albert相对于bert模型三大优化的原因、尝试过程及效果对比。
2019年9月26日, 发表了重磅论文——《albert: a lite bert for selfsupervised learning of language representations》。谷歌的全新预训练轻量级人工智能模型albert在13项nlp（自然语言处理）任务中达到state of the art（水平）,在glue、race和squad三大nlp基准测试中均以显著优势均取得,震撼业界。
该论文出炉一周后,「实在智能」算法团队即复现了论文代码,并在谷歌之前开源了中文预训练版本albert模型,消息迅速传遍了国内科技圈和ai社区,并得到了一些重要媒体的报道。很短时间内在github上即获得了数百颗星,也引起了上述论文的作者、谷歌科学家蓝振忠博士的关注和点赞,双方一拍即合,约定时间进行充分的交流。
业界报道「实在智能」发布中文预训练albert模型
10月19日,蓝博士专程到访「实在智能」,带来了一场精彩的学术演讲。他结合当前业界自然语言理解模型的研究进展,分享了albert模型的原创思路,讲解了albert相对于bert模型三大优化的原因、尝试过程及效果对比。重点分析了基于因式分解和参数共享,使得参数显著减少的情况下,如何获得更好的模型效果。同时,从深度、广度等维度论证了albert模型取得的优化效果,也提到在提升训练和预测速度方面的改进空间和进一步的探索方向。
在互动环节,蓝博士结合同学们提出的“小数据量如何训练模型”、“中英文任务对模型效果的影响”、“因式分解的其他方式”等问题做了详细解释和回答。
交流期间,蓝博士数次为「实在智能」在ai算法领域的探索和实践点赞,赞赏佐助同学（徐亮）开源中文预训练版本albert模型的工作,并欣然担任“实在大学特聘讲师”。他引用母校cmu（美国卡耐基梅隆大学）的校训“my heart is in the work”与「实在智能」的同学们共勉,珍惜时光,奋发努力,点亮人生。
后续,蓝博士会和「实在智能」在中文开源社区领域开展一系列联合研究,推进albert模型在中文方面的应用和发展。
蓝博士担任「实在大学特聘讲师」
蓝博士在「实在智能」进行学术分享
「实在智能」算法团队积极交流互动
「实在大学」特聘讲师简介
蓝振忠,美国卡耐基梅隆大学博士。现任google科学家,曾任美国智能监控公司的首席科学家, 对视频和多媒体的智能分析有深入研究。他曾代表卡耐基梅隆大学在美国标准总局（nist）举办的视频智能分析大赛中连续多年进入前三。先后在nips、cvpr、iccv、ijcai、icdm等国际会议上发表过25篇以上的论文,论文引用次数上千。
《albert: a lite bert for self-supervised learning of language representations》论文作者。
免费会员