智能流程自動化（RPA+AI）在發電行業的應用創新思路

劉遠 陳旻暉

[摘 ? ?要]隨著人工智能技術與機器人流程自動化技術的融合發展，AI為機器人流程自動化提供智能認知和智能決策能力，進一步拓展機器人流程自動化的應用領域，掀起第二輪業務流程自動化的浪潮。針對發電企業的現狀和需求，提出應用智能流程自動化技術開展應用創新的思路，通過創造數字勞動力解決企業轉型和發展的壓力。

[關鍵詞]流程自動化;人工智能;數字勞動力

[中圖分類號]TP18 [文獻標志碼]A [文章編號]2095–6487（2022）01–00–04

[Abstract]With the integration and development of artificial intelligence technology and robot process automation technology， AI provides intelligent cognition and intelligent decision-making ability for robot process automation， further expands the application field of robot process automation， and sets off the wave of the second round of business process automation. According to the current situation and needs of power generation enterprises， this paper puts forward the idea of applying intelligent process automation technology to carry out application innovation， and solves the pressure of enterprise transformation and development by creating digital labor force.

[Keywords]process automation; artificial intelligence; digital workforce

1 智能流程自動化的概念

智能流程自動化（Intelligent Process Automation，IPA）是RPA與AI技術的結合，2020年Gartner發布的戰略科技發展趨勢報告提出10項具有巨大顛覆性潛力，在未來5年內將迅速增長，高度波動，預計達到臨界點的戰略科技發展趨勢，其中智能流程自動化技術（超自動化）排名首位。

機器人流程自動化（RPA）主要通過軟件應用（機器人），將基于規則、重復性、單調的簡單任務實現自動化處理，通過非侵入式的方式實現系統之間的數據交互，具有敏捷化開發、靈活部署、簡單易用、方便維護等特點。RPA應用業務領域通常由狹義定義的預定義業務規則驅動，因此處理模糊和復雜問題的能力有限。

智能流程自動化（IPA）涵蓋多種機器學習、套裝軟件和自動化工具的集合，能夠理解自動化步驟的作用范圍、相互聯系和協調方式，從而實現對復雜人工工作的替代。主要應用的人工智能技術包括光學字符識別（OCR）、自然語言處理（NLP）、知識圖譜（KG）和機器學習（ML）等。其中，OCR負責對非結構化類型的數據進行信息提取和轉換;NLP負責對文本信息進行語義分析，識別和理解其中的關鍵信息;KG負責將信息轉換為具有關聯性知識或規則，以支撐邏輯判斷;ML負責模擬人類的學習行為，以獲取新的知識和技能，并通過持續的訓練和反饋不斷提升模型準確性。

如果把RPA比喻成人的雙手，那么AI就是人的眼睛和大腦，幫助RPA獲得智能認知能力和智能決策能力，使其在無需人工干預的情況下能夠判斷和處理復雜任務。

從RPA到IPA的演變，反映出從流程驅動自動化向適應性更強的數據驅動自動化過渡的必然趨勢。為了保持競爭力和效率，企業必須考慮將機器學習和人工智能添加到傳統機器人流程自動化中，以實現智能自動化。隨著使用神經網絡和深度學習的現代人工智能和機器學習模型的準確性逐步提高，在某些領域已經顯著超出人類的能力。

2 智能流程自動化的特點

2.1 非結構化數據處理能力

從流程自動化應用本身來看，RPA非常適合處理結構化數據，擅長對重復的、基于規則的業務流程進行自動化處理，而在企業信息化領域，80%的數據屬于非結構化數據，這就使RPA的應用范圍受到很大限制。IPA能夠理解文本、圖像、語音、文檔等各類數據，這些非結構化和半結構化數據是數據驅動型流程自動化的核心內容，基于對內容的理解，應用一般性規則判斷邏輯就能夠代替人工完成諸如結算單據審核、供應商資質審核、合同規范性分析、內控合規性分析等工作。

2.2 智能認知能力

企業大部分業務規則是通過各類制度、規定、管理辦法等文檔進行規定的，規則描述隱藏在文本、流程圖或表格等不同類型數據結構中，往往缺少清晰的結構和確定的邏輯關系。對規則的智能化認知是IPA實現決策智能化的前提，IPA通過引入通用的知識庫或構建私有化的“語義引擎”，可以快速、便捷地訓練機器學習模型識別出業務規則，構建清晰的邏輯關系，并轉換成易于理解和使用的結構化形式應用于邏輯判斷。隨著人工智能技術的進步，通過機器學習識別業務規則，能夠更加全面、準確、高效。基于規則進行判斷的業務場景，不受人員技能水平、情緒和疲勞程度的影響，相比于人工判斷方式的優勢非常明顯。

2.3 自我進化能力

IPA使用了基于機器學習和智能分析的深度算法功能，依靠企業專屬的數據集訓練模型，獲得智能感知和智能決策能力，是數據科學團隊和業務專家團隊跨領域協作的結果。業務專家需要適應技術環境的要求，來調整必要的訓練數據作為輸入條件，技術人員需要根據業務場景的實際需要，利用技術手段驅動實現智能化分析和決策。在IPA應用實踐中，業務人員對IPA輸出結果的審查和過濾要融入到業務自動化流程中，使其能持續反饋給機器學習模塊，促使算法和模型不斷迭代優化，持續提升決策準確性，從而具備自我進化能力。

2.4 創造出數字化勞動力

數字化勞動力（Digital Labor）是智能流程自動化技術產生的一種新的勞動力形態，即利用技術的組合實現人類員工的工作行為，并采用類似對待人類員工的方式對其進行管理。當企業具有成熟的IPA應用能力后，從理論上講就具備創造數字化勞動力的條件，IT部門將不僅是信息化服務部門，而且是創造新生產力的部門，對于企業的人力資源管理將產生顛覆性變革。理論上企業雇傭一名新員工，通常需要經過幾個月的培養才能熟悉業務，而IT部門只需要幾秒鐘就能夠創造出一名數字化勞動力，迅速勝任工作崗位，而且在需要的情況下，能夠隨時切換到另外一種崗位或者回收勞動力。在可以預見的未來，人類員工和數字化員工的合作將成為常態，整個社會將迎來一場數字化勞動力革命。

3 AI信息提取技術在發電行業應用

隨著互聯網技術的飛速發展，如何從海量數據中抽取出高質量的結構化信息是學術界和工業界研究的熱點問題。其中，關系抽取是指在給定文本中判斷實體間的關系，是構建知識圖譜的關鍵技術，可以廣泛應用于信息檢索、智能客服、智慧金融等領域，當然也包括電氣電子行業。近年來，得益于深度學習強大的特征提取能力，句子級關系抽取已經取得了良好的效果。CNN（Convolutional Neural Network），BiLSTM（Bidirectional Long Short Term Memory Network）和BERT（Bidirectional Encoder Representations from Transformers）廣泛應用于句子級關系抽取并取得了較高的準確率。基于語義分析的知識圖譜構件與挖掘如圖1所示。

為了有效的進行關系推理，先使用基于語義依存分析的節點構造方法去除句子中與實體無關的冗余信息，然后使用關系圖將所有關聯句中的有效節點聯系在一起并通過推理得到實體間的關系。為了驗證方法的有效性，收集了1 200份包含幾千甚至上萬字的電氣相關新聞作為數據集，從中抽取出企業間的關系，企業生產銷售的產品，企業采用的技術指標等多種復雜關系。

實驗結果如圖2所示。

4 發電行業應用智能流程自動化的必要性

4.1 發電企業轉型發展與減員增效之間的矛盾

按照習近平總書記在第75屆聯合國大會上提出的“中國3060”碳目標，逐步削減化石能源，將風能、太陽能、生物質能和氫能等綠色能源作為主要能源，從而引發第三次能源革命。目前國內發電企業員工主要集中在火電板塊，特別是一些歷史悠久的老電廠，人員編制往往是新企業的3倍以上，離退休人員比在職員工數量還多，包袱非常沉重。近年來發電企業全力拓展新能源項目，向清潔低碳能源提供商轉型，需要大量專業技術人才，同時受制于經營壓力，還必須背負減員增效的考核指標。在這種形勢下，應該積極考慮運用智能流程自動化技術，使用數字化勞動力代替通用崗位人員，在降低人工成本的同時，把寶貴的招聘指標應用到轉型發展的領域。

4.2 電廠技術人員老齡化問題

當前電廠技術人員的老齡化已經成為普遍性問題，特別是機組運行人員的平均年齡逐年增加，很多企業運行人員平均年齡已超過40歲，在值守大夜班時精力和體力難以保證，導致安全生產風險隱患增加。此外，隨著發電企業對人才吸引力的下降，部分電廠技術人才培養出現斷層，優秀的生產專家退休后，寶貴經驗和知識成果未能全面傳承，導致企業生產技術水平出現下滑。需要通過智能化手段傳承技術專家的經驗和知識，在運行、維護和檢修工作中發揮指導作用，降低對人員的依賴。

4.3 提高人力資源利用率和員工幸福感

發電企業職能部門的員工經常被各種重復、枯燥、繁瑣和高強度工作所累，無暇開展更有價值的工作，專業技術能力和個人創造性無法發揮。久而久之，員工的幸福感和對工作的認同感將會下降，不僅影響工作質量和效率，也造成人力資源的浪費。智能流程自動化機器人能夠代替員工承擔時間緊、強度大、重復性、機械性的工作，為員工創造更高的價值創造空間，有效提高人力資源利用效率。

4.4 投資回報收益顯著

根據Uipath公司的數據統計，三井住友集團從2018年到2020年全面應用機器人流程自動化技術，累計節約300萬以上人工工時，實現超過5億美金的收益;國內著名的商業銀行和保險公司在財務結算和支付場景應用機器人流程自動化技術后，不僅效率和準確性大幅提升，投資回報周期只有4個月。對于發電企業而言，提高勞動生產率、降本增效的壓力特別迫切，實現價值創造的空間特別廣闊。

5 智能流程自動化在發電企業的應用場景

5.1 共享服務領域

財務管理領域的業務特點非常適合應用機器人流程自動化，也是目前應用最廣泛、最成功的領域，隨著各大電力集團逐步完成財務共享中心的建設，RPA技術正在全面推廣應用。RPA機器人在獲得感知和決策能力之后，能夠實現在人力資源、法務、審計等業務領域對通用性較強的人工崗位的替代，促使電力集團從建設單一的財務共享服務平臺向綜合業務共享服務模式演變，進一步深化企業管理變革，實現更大的經濟收益。

5.2 招標采購領域

在招標采購領域，利用OCR技術，IPA能夠識別供應商的資質信息，并通過互聯網資源進行真偽驗證，從而準確地完成供應商資質審核;利用NLP技術，通過對商務文件的數據標注和模型訓練，IPA還能夠根據預設的規則完成合同合規性審查、合同文本相似度分析、串標風險評估等工作，不僅能夠規避人為干預的風險，工作效率和準確性相比人工判斷也能夠顯著提升。

5.3 輔助機組運行管理

企業在生產技術專家的指導下構建機組運行管理的“語義引擎”，選取缺陷、工單、文件包、故障報告等各種來源的資料、各種類型的生產數據進行機組運行相關知識的標注，作為訓練數據集進行模型訓練，然后對海量的生產資料進行知識提取，通過知識圖譜技術轉換為網絡化的知識體系，實現對專家經驗和知識成果的固化。利用成熟的語音識別技術與知識圖譜系統對接建立專家問答系統，能夠實現與員工的互動式服務，幫助運行人員識別設備狀態、分析原因、提供運行調參建議方案等。

5.4 員工個人工作助手

目前主流的IPA技術平臺都具備低代碼開發的能力，在不需要掌握IT技術的前提下，使用圖形化控件，通過拖拽的方式就能建立簡單的流程自動化機器人，為員工提供個性化功能定制能力，靈活適應各類工作崗位的創新需要，成為員工日常工作中的好幫手。國外先進企業通過建立卓越小組（CoE），對全員開展相關技術培訓，出臺各種激勵措施，鼓勵員工在日常工作中應用流程自動化技術開展微創新，取得顯著成效。

6 結束語

在發電企業的數字化轉型過程中，利用RPA與AI技術的結合實現智能化流程自動化是推動企業可持續發展的重要策略。通過AI技術的賦能，RPA機器人獲得智能感知和智能決策能力，能夠理解和識別企業非結構化數據，實現從流程驅動自動化向適應性更強的數據驅動自動化過渡，顯著拓展傳統RPA的應用領域。依托智能流程自動化平臺創造出的數字化勞動力，通過自我進化能力將不斷接近人類的勞動技能水平，在發電企業中承擔越來越多的工作職責。在不遠的將來，人類員工與數字化勞動力的分工協作將成為主流的工作模式，不僅能夠為企業創造巨大的收益，而且為應對第三次能源革命的挑戰提供重要的支持力量。

參考文獻

[1] 宋一丁.智能白領機器人（AI+RPA）——金融機構數字化轉型升級的最后一公里[J].金融電子化，2020（1）：82-84.

[2] 羅樋.打造企業級數字勞動力賦能全行數字化轉型[J].中國金融電腦，2020（11）：52-54.