不做决策的“RPA机器人”，不是合格的“数字化劳动力”

01 RPA机器人向“数字劳动力”的转变

随着 RPA 技术被广泛应用各行业的不同场景中，再结合以深度学习为代表的 AI 人工智能技术的新一轮发展，RPA 机器人目前已经从仅能处理“单一、重复和标准化的流程”向智能流程自动化的方向发展，从而具备处理更复杂环境下“长流程”业务的能力，在执行任务的复杂度、覆盖应用场景的广度也将相应提升。

但 RPA 智能化到什么程度，才能成为满足我们真实需求的 RPA 机器人呢？

我们自然是希望这样的 RPA 机器人，除了能够帮助减少重复劳动、鼓励员工创新外，拥有如文档识别能力、语言对话处理能力，乃至协助实现处理复杂场景的决策的能力；甚至是在不远的将来，通过直接交互，让“他”去协助创建 RPA 流程本身也不再是一种奢望。AI 能力的融合，在进一步提升工作执行效率的同时， 会拓展 RPA 机器人的能力边界，加速实现智能自动化；而这样的 RPA 机器人，才能真正为政企的数字化转型服务，成为与人类员工协同工作的“数字化劳动力”。

今天，在完成了赋予我们的“RPA 机器人”对话式AI、文档识别等能力后，对智能决策的支持，做复杂场景下更“长”、更有“价值”的自动化流程，业已成为来也科技探索实践的又一个重要方向。

因为，不能做决策的“RPA 机器人”不是一个合格的“数字化劳动力”。

02 智能决策和规则引擎

在 RPA 流程自动化实践过程中，并非都需要“智能决策”。因为决策是分层次的，有些必须“人来决策”，一些可以使用“机器辅助决策”和“机器自动决策”。例如在重视流程的合规与审核的政府业务中，“人工审批”永远是不可缺少的环节；在至关重要的关键业务和事项上，也一定需要人来做最后的把关；而在一些人力、财务和企业生产场景中，则是“智能决策”发挥强大能力协助人类员工的最佳场所。

人来决策

决策的主体是人，例如在复杂的企业管理、商业决策和战略决策等领域，目前人的知识、经验和甚至直觉仍然是决策的重要决定因素。

机器辅助决策

通过信息技术手段获取有效的足够的数据，或提供异常、需要关注的事件，让人来做出科学决策。

机器自动决策

通过科学技术提供准确、及时、完整的信息，再利用软件化、数字化的简单的知识做出决策。随着人工智能技术的发展，通过学习历史数据中获取模式和经验，从而实现更为强大的“认知”效果。例如目前典型的开车路线的选择、新闻的自动推送、工厂的自动化生产和检测。

参考文章链接：

http://yunrun.com.cn/community/3538.html

与完全靠人决策不同，机器辅助决策，通过实现 RPA 打通信息和数据孤岛，实现企业的数据价值，最终以图表或者结合商业智能（BI）的形式展现在人的眼前，则是一种典型半自动化的决策形式。

而对我们更关注的机器自动决策，我们首先要厘清自动决策和智能决策两个概念，进而才能了解决策智能的显著特征。智能化是自动化发展的高级阶段，而现在很多智能决策的提法，在本质上仅仅是自动化决策。

自动决策是指在专家经验、政策、法规、规定等数字化的基础上，实现自动数据釆集、处理、评价和决策生成。

智能决策是在对历史、现实案例进行数字化基础上，通过机器学习（深度学习）进行样本归纳、类比推理分析，实现知识挖掘、计算和持续迭代更新，体现适应性、动态性和演化性的智能体理性决策特征，能自动给岀方案并持续优化方案生成。

参考文章链接：

https://zhuanlan.zhihu.com/p/349678242

机器自动决策最简单的实现方法是采用“IF-ELSE 规则”，而这也是业务人员最直观、最自然地梳理业务逻辑的方式。让业务人员能在低代码界面中自主设计业务决策流程，通过决策引擎配置规则，创建规则决策事件，是实现决策流程自动化最简单且行之有效的途径。

学会使用规则、自动决策，是实现智能决策的第一步。

03 自动化规则决策的落地实践

业务人员直接利用决策模块，创建自动决策流程和配置业务规则，在来也科技内部 CoE（客户卓越中心）得到了实践。业务同事根据公司架构、业务、人员和流程变动情况，快速高效地更新现有 CoE 自动化 RPA 流程已成为现实，再也无需要花大量时间与 RPA 开发人员进行业务和规则的梳理和沟通；在提升效率的同时，及时响应了公司快速发展。

目前一个典型的应用场景自动决策落地，发生在人力成本核算业务中。由于业务的调整、部门组织架构的变化，需要在人员部门的归属和部门成本的核算时，根据业务的变动实时调整，将人员的成本中心进行准确地划分。

自动决策模块界面进行规则设置

成本中心划分规则说明：

● 除了销售业务部门，其他部门的人员成本核算只需要拆分到一级部门，

● 销售业务部门中产品研发和个人用户相关业务会拆分到二级部门
● 销售业务部门中的销售和商务则会拆分至三级部门；
● 由于存在了同一个人同时隶属于多个部门的情况，还需要根据个人的“多部门人员所属部门配置表”来进行部门分配。
当然实际的业务规则比上述的示意要复杂的多。

在未使用自动决策模块前，RPA 机器人交付过程中需要根据实际的业务情况，经过业务人员规则梳理后，创建 RPA 流程和编写低代码规则流程；但由于规则、 RPA 流程和低代码紧密耦合在一起，一旦业务规则发生了变化，则需要重新进行一次规则的编辑更新，耗时耗力。而在采用了自动化的规则引擎模块后，业务人员便可随时进行业务规则的编辑改动，快速适应业务变化，规则集良好的可解释性特点在这里发挥得淋漓尽致。

多部门人员所属部门配置表

其他报销规则（如加班时间判定、加班打车、加班外卖等）、财务合规检查等业务场景，也处于应用更加简便的规则模型和自动决策的实践过程中。

总体来说，规则引擎是自动智能决策的一个起点，通过决策引擎配置规则，创建决策事件达到更好地辅助决策目的可以有效地实现决策自动化，这对于业务人员非常的友好，一般只需要配置以下几个步骤：

● 创建新的决策事件

● 配置决策流

• 创建决策节点

• 创建规则集：规则集名称、规则集描述、规则集配置

• 配置规则集中数据获取源、数据模型、数据推送方式

• 配置决策分支条件

● 决策事件测试

● 发布新创建的决策事件

流程“多进多出”的自动决策模块是实现复杂业务和长流程的一个重要组件

通过机器学习模型训练并自动实现规则的转换，更多直观的、开箱即用的预训练 AI 模型的实现，决策模块从自动化向智能化的不断进化已成为一种必然。随着智能决策能力的进一步增强，将促进数字化劳动力不断进化、完成大量枯燥乏味的工作，让人类员工真正享受创造带来的成就感，帮助组织实现员工、流程和技术三方面的数字化转型。

• END -