bpmn.ai：在业务流程中协调您的AI服务的流程模式（下）

bpmn.ai：在业务流程中协调您的AI服务的流程模式（下）

合奏

不同的机器学习方法也有不同的优点和缺点。这是两个示例：

例如，决策树很容易理解–总体问题很容易掌握，但是各个领域中的复杂关系仍然没有引起注意。

深度学习很难理解，但会以更复杂的方式学习关系。

整体想法是结合多种方法的优势：多个模型可以决定相同的情况–如果达成协议，则决定是明确的。观察到分歧并使用机器学习工具进行监控-另一个模型决定哪种模型在哪种情况下表现良好。

或者，也可以根据四眼原则在人类参与下根据需要民主地做出决定。通常，集成也被“打包”使用，即，它们在调用体系结构层中充当单个模型。缺点是局部模型的优点和缺点在外部仍然不可见，因此也是不可反射的。显式建模还可以逐步推出新模型：新的“同胞”加入民主并进行投票，也许会给出良好的信心值，因此是否会获得很多决策权。

 无论是针对随机噪声还是针对使用对抗学习技术的攻击者，集成都比单个模型更难于愚弄。

⚠️ 运行和学习时间增加，功能重要性就更难得出。决策质量的提高是以基于ML的决策的复杂性为代价的。

分而治之–工艺选择

通常，不仅需要自动化的一个过程，还需要多个过程。通常，业务交易可以通过几个输入渠道触发流程。这就是分而治之原则与解决问题部分的几种ML模型一起发挥作用的地方。

第一步处理是从传入文档，电子邮件或聊天消息中提取所有实体，即所有可识别的方面，因为它们可能会在处理中输入到表单中：客户名称，电子邮件地址，发票编号等，或者更抽象的评估，例如情感分析，以识别和量化情感状态和主观信息，尤其是一段文字中表达的情绪。

这样，结构较弱的数据流就会变成具有已知（和类型化）字段的数据流。这些可以在第二个ML步骤中使用，以分类最合适的后续流程，该流程可以使用非AI流程自动化手段处理数据。

分离这两个步骤具有战略意义，因为 实体提取 正成为可以使用预训练模型或云服务的标准产品。流程分类需要与您自己的流程分开的学习数据。

⚠️ 可能存在不属于任何过程或包含多个问题的事件。

⚠️ 用于机器学习的目标指标不仅应针对“命中率”进行优化，而且还应考虑单个错误的成本。将合同申请文件错误分类为合同终止可能会很昂贵。

总结与展望

机器学习支持现代过程自动化的许多挑战。 仅流程关键指标的收集 就可以改善数据状况，并提供有关各个子流程行为的信息。在评估工作流引擎的业务案例时应考虑这一点。此外，它们为编排的AI带来了一些协同作用：

您可以通过可解释性，漂移检测和异常检测将对ML决策的健康怀疑态度表现为制衡。

流程所有者需要置信度阈值来控制自动化程度。

机器学习结果和使用过的模型的历史有助于论证责任，并关闭反馈循环，以长期保持自动化决策的质量。

待办事项中还有更多模式，我们计划在将来包括在内。该模式列表在Github上有一个永久的开源主页 。我们希望您能从您的项目中找到有用的高级观点。我们很乐意更详细地讨论它们，我们期待您的反馈！

本杰明和弗兰克共同领导了Viadee的AI研究。它们有助于实现和优化金融服务，物流和零售领域的流程自动化思想。他们还沉迷于诸如敏捷，可解释AI或进化架构之类的技术和方法。