bpmn.ai：在业务流程中协调您的AI服务的流程模式（上）

bpmn.ai：在业务流程中协调您的AI服务的流程模式（上）

 

通过AI项目进行的旅程通常仅以成功的概念证明开始。关于AI服务的编排尚无共识。工具支持和方法论讨论通常以在云中提供机器学习管道（例如，通过Kubeflow）和Web服务而达到高潮 。从体系结构的角度来看，使单个机器学习模型可用非常简单（例如，通过 KFServing），而诸如Azure ML Services之类的云提供商  甚至隐藏了服务创建，然后声称这是机器学习的端到端解决方案。但是，如何以有意义的方式将此类服务集成并组合到业务流程中？

已经使用工作流引擎的公司（例如 盘古BPM）在AI用例方面拥有领先优势。从这个角度考虑：将基于AI的思想引入完全手动的流程比在具有定义的数据流的受控环境中进行相同的流程要困难得多。一些集成模式利用此受控环境来协调业务流程中的AI决策。

在我们的项目中，我们发现以下有用的模式列表。一方面，它们充当数据科学家与流程所有者或流程自动化专家之间的交流手段。另一方面，当您将基于AI的决策应用于生产时，它们可以用作要考虑的想法清单。模式可以很容易地理解为小型BPMN流程。它们有不同的目的，但大多数都以负责任和透明的方式帮助应用AI决策。

1. 第1组：入门

2. 第二组：介入

3. 第三组：数据保护与合规

4. 第四组：多模型模式

5. 总结与展望

约定：AI组件在过程模式中以绿色突出显示。

大多数模式不是互斥的，可以随意组合。

第1组：入门

过程数据收集–只是看，别碰！

第一个也是最简单的模式不包含AI组件，而是包括一个具有手动活动的业务流程，该业务流程的调用记录了相关的元数据和所包含的流程变量。

这种模式已经有助于实施AI策略：由于它将手动活动置于流程控制之下，因此您可以从流程引擎日志中获取见解。因此，它们对于将来指导您的AI项目非常有用。

相关问题是：

1. 该活动多久执行一次？

2. 它在整个业务流程的运行时中所占的份额是多少？

3. 这些活动的费用是多少？

4. 各项活动的投入和产出之间是否存在系统的关联？我们可以希望使它们自动化吗？

您不仅可以使用这些见解来确定自动化工作的优先级，而且在使用机器学习方法实施自动化决策时还需要依靠它们：它们成为损失功能的一部分 。

一个示例：在输入管理中，AI将传入的业务文档分类并将其转发给负责的流程。为此，机器学习模型将从手动分类的历史中学习并尝试以相同的方式对它们进行分类。每次机器学习都需要一个目标关键指标，该指标必须进行优化。解决此类分类问题的经典方法是优化一种 命中率 （准确性）正确到错误的分类。尽管这样做有效，但它有系统地浪费了潜在的节省成本–最终，目标没有完全定义。我们不仅要估算过去的决策。我们要避免昂贵的流程和错误。这些目标必须成为目标关键指标的一部分，因为在输入管理中，并非所有错误分类都同样昂贵：

 

1. 将传入的新客户合同错误地分类为终止合同是最大的可能错误。

2. 将终止合同归类为传入的新客户合同是不正确的，但是几乎没有任何经济后果。

3. 如果错误的经济后果难以估计，您至少可以尝试选择有利的（或可纠正的）过程。

“最大化命中率”的经典方法意味着所有错误都有相同的后果。这对于概念验证就足够了，但对于AI组件的生产性，经济性使用来说却不够。为了能够进行这些加权，需要以过程数据收集为基础。

⚠️尤其是外部外包任务应引起这种关注。

⚠️ 避免将个人数据存储在过程变量中，以符合GDPR目标。

相关教程