RPA是全球企业软件领域中增长快的细分市场13868850106
社会正处于一个由信息化向自动化https://www.ai-indeed.com/，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*、*、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*、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，我们的业务好，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：实在智能RPA学院|少年，看你骨骼清奇，送你一份AI武林秘籍：知识图谱
一、图谱一出，谁与争锋（图谱简史）
如果把人工智能领域比作江湖，机器学习和深度学习堪称武林中的屠龙刀、倚天剑，而知识图谱则是一部葵花宝典级的武林绝学。
知识图谱并非武林新生，其江湖地位久远。相传在六十年前，江湖上有三大门派：其一是连接派（神经网络），其二是经验派（机器学习），其三是符号派（知识工程）。三大门派明争暗斗，十余年后一部武林秘籍从符号派悄然流传于武林之中，受限于当时的环境，初出茅庐，其功力还未受到其他门派的重视，名号也毫无大侠之风——语义网络。当时语义网络由相互连接的节点和边组成，节点表示概念或者对象，边表示他们之间的关系(is-a关系，比如：打狗棒是一种兵器；part-of关系，比如：精钢是兵器的一部分)。在表现形式上，语义网络侧重于描述概念与概念之间的关系（门派武功剑谱等的层次分类体系），几十年后，符号派经历语义网络、逻辑描述、元数据、OWL等血雨腥风的磨砺，经历从弱语义到强语义的尝试，因了谷歌等一代宗师的继承研习，集各家所长，发扬光大而重出江湖，凝结出这部惊世绝学——知识图谱。知识图谱虽传承了语义网络衣钵，但更偏重于描述实体之间的关联（包括人物、兵器、武功等）。二者还有一个显著的差异就是规模，传统语义网可称为小擒拿手，知识图谱则为禅宗大法。
二、得图谱者得天下（图谱作用）
知识图谱历经多年沉淀，集众家之长，以不变应万变：搜索引擎，问答系统，社交网络，电商平台，反欺诈，智能投顾等等。追溯其核心的应用能力，有如下几个方面。
1.为NLP输入浑厚内力
机器对自然语言的理解，需要有如下条件：足够大的数据规模，丰富的语义关系，的数据结构，优良的数据质量。知识图谱天然具备此要素：知识图谱规模巨大，实体可达到亿级；关系多样，目前通用的知识图谱，均有包含数千种常见语义关系；结构友好，SOP三元组的结构对于机器而言能够处理；质量精良，知识图谱可以充分利用大数据的多源特性进行交叉验证，也可利用众包保证知识库质量。所以知识图谱成为了让机器理解自然语言所需的背景知识的不二选择，使NLP内力骤增。
2.对XAI见招拆招
XAI（可解释人工智能）是人工智能的一个新兴分支，用于解释人工智能所做出的每一个决策背后的逻辑，有人称之为”人工智能的圣杯”。
日常生活中我们的问答搜索等，都涉及解释这件事。问几个问题：（1）神雕为什么会飞？因为鸟有翅膀；（2）为什么提到杨过会想到小龙女？因为他们是神仙眷侣；（3）为什么鹤顶红会致命？因为鹤顶红是一种毒药，俗称砒霜。三个答案，分别用属性、关系、概念来对问题做解释，而这三者，恰恰是包含于知识图谱里。因此，解释离不开知识图谱。知识图谱的应用不仅如此，它可应用于更多的人工智能场景，包含辅助问答、辅助决策、辅助搜索、常识推理等。
3.ML(DL)攻击力++
知识图谱与深度学习结合，可称霸武林。一种是将知识图谱的语义信息输入到深度学习模型中，将离散化的知识表示为连续化的向量，从而使得知识图谱的先验知识能够称为深度学习的输入；另外一种是利用知识作为优化目标的约束，指导深度学习模型的学习过程，通常是将知识图谱中的知识表示为优化目标的后验正则项。反之，在知识图谱的构建和扩展中，又依赖深度学习的强力支撑，阴阳互补，可以大成。
三、欲练此功，先修内功（图谱构建）
凡上乘武功，皆需内力深厚，外功扎实，绝不是一朝一夕即可练就，效仿葵花宝典，如若自宫，必不成功。郭靖的降龙十八掌至刚至柔，是因二十余年九阴真经的内力沉淀其中。知识图谱的修炼一般分四个等级。
1、内功心法：知识抽取（实体抽取，语义抽取，关系抽取，属性和属性值抽取）
所需技能：爬虫，NER（命名实体识别），ML,正则，相似度计算，马尔科夫逻辑网，DeepDive框架。
2、苦练招式：知识表示（SPO三元组，稠密低维实值向量）
常规招法：距离模型、单层神经网络模型、双线性模型、神经张量模型、矩阵分解模型、翻译模型。
升级招法:Trans系列、KG2E模型。
3、内外兼修：知识融合（实体对齐，本体构建、质量评估、属性校正）
所需技能：概率模型，机器学习，聚类算法。
4、集大成者：知识存储和推理。
必杀技能：图数据库，基于符号逻辑、OWL本体、图、TransR、分布式知识语义表示、深度学习等的推理方法）
四、法律图谱，初涉江湖
2018年底，实在智能包小黑苦练内功，实现了垂直领域法律知识图谱的构建和应用，在民事案由的智能评估中发挥智慧大脑的作用。法律知识图谱初现武林，秉公平正义之举，怀为国为民之心，修千家之好，迎百家之客，期待为人工智能发展和人类进步尽绵薄之力。
参考文献：肖仰华《知识将比数据更重要，得知识者得天下》
财务RPA-财务机器人-免费使用 http://shizai010.cntrades.com/sell/itemid-230424649.shtml
财务RPA-财务机器人产品介绍 http://www.maimaisb.com/news/202106/08/65410.html
RPA机器人 财务机器人价格优惠 http://www.51sole.com/b2b/pd_296949697.htm
RPA机器人-RPA软件机器人价格行情 http://shizai010.cntrades.com/sell/itemid-230424643.shtml
代发B2B广告http://www.b2bxc.com/