使用针对机器人流程自动化的长运行工作流的构建和管理人工智能流制造技术

本公开的一些实施例涉及使用针对机器人流程自动化的长运行工作流的构建和管理人工智能流。公开了使用具有人工智能流的长运行工作流来管理人工智能(AI)/机器学习(ML)模型的训练/重训练生命周期。当由执行长运行工作流的机器人流程自动化(RPA)机器人调用AI/ML模型时，可以需要验证。该验证包括来自用户的动态输入。RPA机器人接收来自用户的动态输入，并且使用该数据来训练替换AI/ML模型或重训练被调用AI/ML模型。长运行工作流的状态可以在训练和服务两者中保留。长运行工作流可以用于保持跟踪当前执行在ML模型生命周期中的位置。持跟踪当前执行在ML模型生命周期中的位置。持跟踪当前执行在ML模型生命周期中的位置。

【技术实现步骤摘要】
使用针对机器人流程自动化的长运行工作流的构建和管理人工智能流


[0001]本专利技术总体上涉及人工智能(AI)和机器学习(ML)，并且更具体地涉及使用具有AI流的长运行(long
‑
running)工作流来管理AI/ML模型的训练/重训练生命周期。

技术介绍

[0002]当前的人工智能工具(诸如Google和ML)基本上看起来像一个工作流。在这些系统中提供有称为流水线的一组操作。该功能提供了诸如数据转换、表格数据准备、装箱(bin)和聚类等功能。这些是基本操作，用户可以将其拖放到工作场所，并且将数据从一个组件可视化地传送到另一组件。一个示例包括表格数据准备，其中数据被泵入装箱系统，该系统接收表格数据中的值，将其装箱到单独的类中，然后再送到实际的模型训练器。
[0003]然而，这些工具未提供AI/ML模型的动态输入。因此，改进的方法可能是有益的。

技术实现思路

[0004]本专利技术的某些实施例可以为当前AI技术尚未完全标识、理解或解决的本领域问题和需求提供解决方案。例如，本专利技术的一些实施例涉及使用具有AI流的长运行工作流来管理AI/ML模型的训练/重训练生命周期。
[0005]在一个实施例中，一种系统包括在计算系统上运行的当前AI/ML模型。该系统还包括在与当前AI/ML模型相同的计算系统上或在不同的计算系统上运行的RPA机器人。RPA机器人被配置为执行包括调用当前AI/ML模型的AI流的长运行工作流。当调用由RPA机器人对当前AI/ML模型作出并且与AI/ML模型相关联的置信度低于人类验证阈值时，RPA机器人被配置为暂停长运行工作流的执行并且等待与人类验证相关的动态输入，从人类验证收集动态输入，该动态输入包括训练数据，并且在接收动态输入之后继续长运行工作流的执行。
[0006]在另一实施例中，一种非暂态计算机可读介质存储计算机程序。该计算机程序被配置为使得至少一个处理器执行包括调用当前AI/ML模型的AI流的长运行工作流，并且确定与当前AI/ML模型相关联的置信度。当与AI/ML模型相关联的置信度低于人类验证阈值时，该计算机程序被配置为使得至少一个处理器暂停长运行工作流的执行并且等待与人类验证相关的动态输入，从人类验证收集动态输入，该动态输入包括训练数据，并且在接收动态输入之后继续长运行工作流的执行。
[0007]在另一实施例中，一种计算系统包括存储器，该存储器存储用于执行包括调用当前AI/ML模型的AI流的长运行工作流的计算机程序指令。计算系统还包括被配置为执行计算机程序指令的至少一个处理器。该计算机程序指令被配置为使得至少一个处理器确定与当前AI/ML模型相关联的置信度。当与AI/ML模型相关联的置信度低于人类验证阈值时，该计算机程序指令被配置为使得至少一个处理器暂停长运行工作流的执行并且等待与人类验证相关的动态输入，以及从人类验证收集动态输入。该动态输入包括训练数据。
附图说明
[0008]为了便于理解本专利技术某些实施例的优点，将参考附图中所示的具体实施例对以上简要描述的本专利技术进行更具体的描述。虽然应当理解，这些附图仅描述了本专利技术的典型实施例，因此不应当被视为对其范围的限制，但将通过使用附图以附加的具体性和细节来描述和解释本专利技术，在附图中：
[0009]图1是示出根据本专利技术的实施例的RPA系统的架构图；
[0010]图2是示出根据本专利技术的实施例的部署的RPA系统的架构图；
[0011]图3是示出根据本专利技术的实施例的设计器(designer)、活动与驱动器(drivers)之间的关系的架构图；
[0012]图4是示出根据本专利技术的实施例的RPA系统的架构图；
[0013]图5是示出根据本专利技术的实施例的被配置为使用长运行工作流来构建和管理AI流的计算系统的架构图；
[0014]图6A示出了根据本专利技术的实施例的已经被训练以识别图像中的图形元素的神经网络的示例；
[0015]图6B示出了根据本专利技术的实施例的神经元的示例；
[0016]图7示出了根据本专利技术的实施例的AI技能工作室的用户界面；
[0017]图8A和图8B示出了根据本专利技术的实施例的指挥器(conductor)应用的进程设计器的设计视图；
[0018]图8C示出了根据本专利技术的实施例的指挥器应用的进程设计器的设计视图；
[0019]图9是示出根据本专利技术的实施例的被配置为使用长运行工作流来构建和管理AI流的系统的架构图；
[0020]图10是示出根据本专利技术的实施例的使用AI的示例长运行工作流的流程的流程图；以及
[0021]图11是示出根据本专利技术的实施例的用于使用长运行工作流来构建和管理AI流的流程的流程图。
[0022]除非另有说明，否则在附图中，相似的附图标记始终表示对应特征。
具体实施方式
[0023]一些实施例涉及使用具有人工智能(AI)流的长运行工作流来管理AI/机器学习(ML)模型的训练/重训练生命周期。当执行长运行工作流的机器人流程自动化(RPA)机器人调用AI/ML模型时，可以需要验证。该验证包括来自用户的动态输入。RPA机器人接收来自用户的动态输入，并且使用该数据来训练替换AI/ML模型或重训练被调用AI/ML模型。长运行工作流的状态可以在训练和服务两者中保留。长运行工作流可以用于跟踪当前执行在流水线中的位置。
[0024]在一些实施例中，RPA的长运行工作流是支持无人值守环境中的服务编排、人类干预和长运行事务的主项目。当某些进程需要人类输入来处理异常、批准或验证，然后再进行活动中的下一步时，人类干预就会发挥作用。在这种情况下，进程执行被暂停，以释放RPA机器人，直到人类任务完成。
[0025]长运行工作流可以通过持久性活动支持工作流碎片化，并且可以与调用进程和非
用户交互活动相结合，以用RPA机器人任务编排人类任务。长运行工作流可以在会话中运行，以促进快速执行。在一些实施例中，长运行工作流可以编排后台进程，该后台进程可以包含执行应用程序编程接口(API)调用并且在长运行工作流会话中运行的活动。在一些实施例中，这些活动可以由调用进程活动调用。在用户会话中运行的具有用户交互活动的进程可以通过从指挥器活动(下文将更详细地描述的指挥器)开始作业来调用。在一些实施例中，用户可以通过需要在指挥器中完成表格的任务进行交互。可以包括导致RPA机器人等待表单任务完成并且然后恢复长运行工作流的活动。
[0026]在一些实施例中，ML进程本身就是一个工作流。可以跟踪AI/ML模型生命周期中的步骤，从初始训练，到运行经初始训练的AI/ML模型，到重训练，到使用经重训练的AI/ML模型为操作服务，再将漂移AI/M模型返回人类验证和训练阶段等，以便系统知道它在AI/ML进程中的位置。例如，在一些实施例中，如果AI/ML模型训练/重训练长运行工作流正在由RPA机器人执行，则长运行工作流的状态可以定期保存和/或基于某种触发(例如，正在完成的任务、AI/ML模型更新等)。如果执行训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种系统，包括：在计算系统上运行的当前人工智能AI/机器学习ML模型；以及在与所述当前AI/ML模型相同的所述计算系统上或在不同的计算系统上运行的机器人流程自动化RPA机器人，所述RPA机器人被配置为：执行包括调用所述当前AI/ML模型的AI流的长运行工作流，以及当调用由所述RPA机器人对所述当前AI/ML模型作出并且与所述AI/ML模型相关联的置信度低于人类验证阈值时：暂停所述长运行工作流的执行并且等待与所述人类验证相关的动态输入，从所述人类验证收集所述动态输入，所述动态输入包括训练数据，以及在接收所述动态输入之后继续所述长运行工作流的执行。2.根据权利要求1所述的系统，其中所述RPA机器人还被配置为：使用所收集的所述动态输入训练替换AI/ML模型或重训练所述当前AI/ML模型；以及部署经训练的所述替换AI/ML模型或经重训练的所述当前AI/ML模型以用于代替所述当前AI/ML模型。3.根据权利要求1所述的系统，其中所述RPA机器人还被配置为：保留所述长运行工作流的状态，其中所述长运行工作流的所述状态包括所述RPA机器人正在执行的活动、针对所述活动的输入和人类验证数据。4.根据权利要求3所述的系统，其中所述RPA机器人还被配置为：在所述RPA机器人在其上执行的所述计算系统断电、所述计算系统崩溃、或者处理资源被重分配离开训练替换AI/ML模型或重训练所述当前AI/ML模型之后，基于所保存的所述状态恢复所述长运行工作流。5.根据权利要求1所述的系统，其中所述长运行工作流包括促进工作流碎片化的一个或多个持久性活动。6.根据权利要求1所述的系统，其中所述RPA机器人还被配置为：跟踪所述当前AI/ML模型在AI/ML模型生命周期中的位置，其中所述AI/ML模型生命周期包括AI/ML模型的初始训练阶段、使用经初始训练的所述AI/ML模型的服务操作阶段、在生产操作之前的所述AI/ML模型的重训练阶段、以及经重训练的所述AI/ML模型被部署用于生产操作的生产操作阶段。7.根据权利要求1所述的系统，其中与所述当前AI/ML模型相关联的所述置信度是由所述当前AI/ML模型输出的置信度分数。8.根据权利要求1所述的系统，其中与所述当前AI/ML模型相关联的所述置信度由监测AI/ML模型生成，并且所述RPA机器人被配置为：调用所述监测AI/ML模型并且从所述监测AI/ML模型接收针对所述当前AI/ML模型的所述置信度。9.根据权利要求1所述的系统，其中所述RPA机器人被配置为：应用概率业务规则以获取针对所述当前AI/ML模型的所述置信度。10.根据权利要求1所述的系统，其中所述RPA机器人被配置为：随时间监测所述当前AI/ML模型的数据漂移和概念漂移。
11.一种存储计算机程序的非暂态计算机可读介质，所述计算机程序被配置为使得至少一个处理器：执行包括调用当前人工智能AI/机器学习ML模型的人工智能AI流的长运行工作流；确定与所述当前AI/ML模型相关联的置信度；以及当与所述AI/ML模型相关联的所述置信度低于人类验证阈值时：暂停所述长运行工作流的执行并且等待与所述人类验证相关的动态输入，从所述人类验证收集所述动态输入，所述动态输入包括训练数据，以及在接收所述动态输入之后继续所述长运行工作流的执行。12.根据权利要求11所述的非暂态计算机可读介质，其中所述计算机程序还被配置为使得所述至少一个处理器：使用所收集的所述动态输入训练替换AI/ML模型或重训练所述当前AI/ML模型；以及部署经训练的所述替换AI/ML模型或经重训练的所述当前AI/ML模型以用于代替所述当前AI/ML模型。13.根据权利要求11所述的非暂态计算机可读介质，其中所述计算机程序还被配置为使得所述至少一个处理器：保留所述长运行工作流的状态，其中所述计算机程序是或包括机器人流程自动化RPA机器人，并且所述长运行工作流的所述状态包括所述RPA机器人正在执行的活动、针对所述活动的输入和人类验证数据。14.根据权利要求13所述的非暂态计算机可读介质，其中所述计算机程序还被配置为使得所述至少一个处理器：在所述RPA机器人在其上执行的计算系统断电、所述计算系统崩溃、或者处理资源被重分配离开训练替换AI/ML模型或重训练所述当前AI/ML模型之后，基于所保存的所...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：尤帕斯公司，
类型：发明
国别省市：