AI与RPA

RPA(机器人流程自动化)是一类自动化软件工具,它可以通过用户界面使用和理解企业已有的应用,将基于规则的常规操作自动化,例如读取邮件和系统,计算,生成文件和报告,检查文件等。因此,RPA的应用范围非常广泛。在未来,那些你不想做的枯燥的工作,也许真的可以不做了,重复化、标准化的工作都可以让机器人帮你完成。 RPA适用的领域是企业具有明确业务规则、结构化输入和输出的操作流程领域,如财务、人力资源、供应链、信息技术等。RPA的技术本身适用于业务高频、大量、规则清晰,人工操作重复、量大、时间长的任务。规则清晰的定义则是可以把详细的、人工操作的每一步动作都能写下来的操作手册。简而言之就是流程标准化程度要足够高。 举一些例子,IT运维部门对于定期的机器维护工作一般都会放在周末的凌晨,都是通过类似的命令重启机器,进行检查,其实也是适用RPA的。而HR部门对于人员的入职离职等的手续,也是一步一步可以完成的。除了后台部门,前端业务线譬如银行开户、会员注册、订单处理等流程,也是可以使用RPA的。 最简单的判断一个流程是否适合用RPA,就看实施、维护RPA的成本与节省的人力相比。一般ROI(投资回报比)在1以上可以考虑(一年或更短时间回本)。而规则清晰的定义则是可以把详细的、人工操作的每一步动作都能写下来的操作手册,目前许多大型国企和外企都会有而国内中小企业则相对缺乏。从这一个角度来看,其实每个企业内部都会有符合条件的流程,但是在考虑RPA的前期阶段,优先有想的是看一下自己的流程标准化程度是否足够高,否则更应考虑流程标准化的项目。      如果说RPA就是机器人的神经网络,那么AI是机器人的大脑。 AI即人工智能,是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人,语言识别,图像识别,自然语言处理和专家系统等。总的说来,人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。 目前人工智能主要应用的领域: 个人助理(智能手机上的语音助理、语音输入、家庭管家和陪护机器人) 产品举例:微软小冰、百度度秘、科大讯飞等、Amazon Echo、Google Home等。 安防(智能监控、安保机器人) 产品举例:商汤科技、格灵深瞳、神州云海。 自驾领域(智能汽车、公共交通、快递用车、工业应用) 产品举例:Google、Uber、特斯拉、亚马逊、奔驰、京东等。 医疗健康(医疗健康的监测诊断、智能医疗设备) 产品举例: Enlitic、Intuitive Sirgical、碳云智能、Promontory等。 电商零售(仓储物流、智能导购和客服) 产品举例:阿里、京东、亚马逊。 金融(智能投顾、智能客服、安防监控、金融监管) 产品举例:蚂蚁金服、交通银行、大华股份、kensho。 教育(智能评测、个性化辅导、儿童陪伴) 产品举例:学吧课堂、科大讯飞、云知声。 比较RPA与AI,两者的区别还是很大的。RPA是流程自动化,把重复的流程按照一条条规则自动完成,不需要做很多判断,而AI则是可以像人一样做出判断。两者的关系像人的手脚和大脑,RPA根据指令去执行而AI更倾向于去发出指令。…

基于内容的图片检索CBIR(Content Based Image Retrieval)简介

传统的图像检索过程,先通过人工对图像进行文字标注,再利用关键字来检索图像,这种依据图像描述的字符匹配程度提供检索结果的方法,简称“以字找图”,既耗时又主观多义。基于内容的图像检索客服“以字找图”方式的不足,直接从待查找的图像视觉特征出发,在图像库(查找范围)中找出与之相似的图像,这种依据视觉相似程度给出图像检索结果的方式,简称“以图找图”。基于内容的图像检索分为三个层次: (1)依据提取图像本身的颜色、形状、纹理等低层特征进行检索; (2)基于图像的低层特征,通过识别图像中的对象类别以及对象之间的空间拓扑关系进行检索; (3)基于图像抽象属性(场景语义、行为语义、情感语义等)的推理学习进行检索; 基于内容的图像检索技术研究的热点可以分为4个方面: 最初的图像检索研究主要集中在如何选择合适的全局特征去描述图像内容和采用什么样的相似性度量方法进行图像匹配。 第二个研究热点是基于区域的图像检索方法,其主要思想是图像分割技术提取出图像中的物体,然后对每个区域使用局部特征来描述,综合每个区域特征可以得到图像的特征描述。这两个研究方向都是以图像为中心,对于用于的需求缺乏分析。 第三个研究热点就是针对这一问题而展开的,借助相关的反馈的思想,根据用户的需求及时调整系统检索时用的特征和相似性度量方法,从而缩小低层特征和高层语义之间的差距。 第四个研究热点是研究如何从多种渠道获取图像语义信息,如何将图像底层特征与图像关键词结合进行图像自动标注以提高检索准确率等。 根据一般图像检索的工作原理可以知道,基于特征的图像检索有3个关键: (1)选取恰当的图像特征; (2)采取有效的特征提取方法; (3)准确的特征匹配算法; 利用各种特征对图像检索已经取得了相当的发展,大量的检索实验可以表明,综合特征检索要比单一特征检索更符合人类的视觉感受要求,检索效果会更好,但如何去找到合适的权值将多个特征组合起来是非常困难的。目前在CBIR中最常用的特征一般有:颜色特征、形状特征和纹理特征。 颜色是图像检索中最先被采用的特征,主要方法有: (1)颜色直方图 (2)颜色一致性矢量(CCV,color coherence vectors) (3)颜色相关图…