身处于第四次工业革命的洪流之中，如何在有效降低人力成本、提高生产力的同时减少错误，是每家企业都在思考和亟待解决的问题。以往，业务流程改进需要多年的努力，而且需要对企业已有的业务应用程序和基于工作流程的流程编排器进行彻底检查，是一个极其繁琐又漫长的过程。

然而，最近几年RPA产品的激增解决了这一问题，RPA能够在不中断现有企业应用程序的情况下快速推动业务流程的数字化和自动化升级。其中AI技术的应用是非常重要的一环，今天我们就来聊一AI技术与RPA的关系。

为什么说AI技术和我们很近呢？因为AI的典型用例涵盖了企业中从前台到后台的大多数分析应用程序，其中的商业价值触手可及。麦肯锡最近的一项研究预测，AI技术可以在其研究的九大企业职能部门和19个行业中创造3.5万亿至5.8万亿美元的全球年度利润。

那么为什么又说AI技术离我们很远呢？因为实际落地的AI应用还是少数，具体应用的场景还停留在例如预测机器故障率，情绪检测的文本分析或面部图像识别等小范围内。

与UiPath关系最紧密的AI技术是深度学习，人工智能近年来的繁荣很大程度上可以归功于中深度神经网络算法的应用。

这里我们介绍两种中度神经网络算法：

卷积神经网络：可直接输入图像，广泛应用于计算机的视觉任务中，这是UiPath投入巨大的一个领域。

递归神经网络：非常适合语言问题，并且在强化学习中也很重要。在强化学习中，机器可以追踪已发生的事，从经验中学习。

下面，让我们来看看如何将AI技术嵌入RPA。

以往，企业流程基本都可以由以下环节组成：

数据 > 判断 > 操作

而现在，领先的公司正在利用AI技术添加“预测”这一环节来充分利用所有数据，构成了一种新的流程：

数据 > 预测 > 判断 > 行动

在企业自动化方面，了解这些环节的复杂性对解决AI或认知难题至关重要。

现代公司最重要的通货是什么？是数据。谷歌、Facebook、微软等公司每年都花费数十亿美元用于抓取和存储数据的开发工作。另外，“预测”环节也涉及保护重要数据并将其转换为有意义的信息，以便进一步处理和预测。此环节还涉及与客户（内部或外部）的交互。具体包括数据提取，数据转换和数据清理等。企业的数据可以分为结构化数据，非结构化数据和会话数据。

下面，我们来具体了解一下：

结构化数据：即行数据,存储在数据库里，可以用二维表结构来逻辑表达实现的数据。可以很好地适应关系SQL数据库，并且可以很好地与基本算法配合使用。大多数公司都使用机器可理解并查询的结构化数据。接受结构化数据的下游流程的自动化更容易，并且具有更好的成功率。

非结构化数据：包括所有格式的办公文档、文本、图片、XML、HTML、各类报表、图像和音频/视频信息等等。非结构化数据很难甚至不可能通过算法解释。大多数公司目前仍处于从非结构化数据中提取信息的阶段，而实现零接触操作更重要的在于处理非结构化数据的能力。这类数据还包括子组，在提取时，每个子组可能会需要不同的技术解决方案。

企业拥有大量非结构化数据。有人预测，到2020年，企业中90％以上的数据都将是非结构化的。这将是AI技术应用于RPA产品时需要解决的一个难点和重点。