ホーム > 特許ランキング > ＵｉＰａｔｈ，Ｉｎｃ．
特表2022-552131人工知能の使用によるロボティックプロセスオートメーションのためのモデルの選択および連鎖化
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2022-12-15
(54)【発明の名称】人工知能の使用によるロボティックプロセスオートメーションのためのモデルの選択および連鎖化
(51)【国際特許分類】
G06N 20/00 20190101AFI20221208BHJP
【ＦＩ】
G06N20/00
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2022520182
(86)(22)【出願日】2020-08-18
(85)【翻訳文提出日】2022-05-06
(86)【国際出願番号】 US2020046772
(87)【国際公開番号】W WO2021076223
(87)【国際公開日】2021-04-22
(31)【優先権主張番号】62/915,399
(32)【優先日】2019-10-15
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】16/707,933
(32)【優先日】2019-12-09
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＺＩＧＢＥＥ
２．ＪＡＶＡＳＣＲＩＰＴ
３．ＢＬＵＥＴＯＯＴＨ
(71)【出願人】
【識別番号】520262319
【氏名又は名称】ユーアイパス，インコーポレイテッド
【氏名又は名称原語表記】ＵｉＰａｔｈ，Ｉｎｃ．
【住所又は居所原語表記】１ Ｖａｎｄｅｒｂｉｌｔ Ａｖｅｎｕｅ， ６０ｔｈ Ｆｌｏｏｒ， Ｎｅｗ Ｙｏｒｋ， ＮＹ １００１７， Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ
(74)【代理人】
【識別番号】100180781
【弁理士】
【氏名又は名称】安達 友和
(74)【代理人】
【識別番号】100182903
【弁理士】
【氏名又は名称】福田 武慶
(72)【発明者】
【氏名】シング，プラブディープ
(57)【要約】
人工知能（ＡＩ）を使用してロボティックプロセスオートメーション（ＲＰＡ）モデルを選択および／または連鎖化することにより、所与の問題が開示される。モデルのモデル（例えば、ＲＰＡロボットまたはＭＬモデル）は、既存のモデルをより効果的にする既存のシステム上の追加の層として機能することができる。このモデルのモデルは、既存のモデルからのルールまたは順序の改善されたまたは最良のセットを学習するＡＩを組み込むことができ、いくつかの実施形態では、モデルから特定のアクティビティを取得し、あるモデルからの入力を別のモデルに供給し、および／またはモデルを連鎖させることができる。
【特許請求の範囲】
【請求項1】
ロボティックプロセスオートメーション（ＲＰＡ）のための機械学習（ＭＬ）モデルを選択および／または連鎖化するために人工知能（ＡＩ）を使用するための、コンピュータにより実施される方法であって、コンピューティングシステムによって、ＲＰＡロボットのワークフローにおいて呼び出されるＭＬモデルプール内の個々のＭＬモデルおよびＭＬモデルの連鎖の性能を解析するモデルのモデルを実行するステップと、
既存のＭＬモデルまたはＭＬモデルの連鎖よりも優れた性能が前記モデルのモデルによって発見された場合に、
前記コンピューティングシステムによって、前記発見されたＭＬモデルまたはＭＬモデルの連鎖を展開し、それにより、前記既存のＭＬモデルまたはＭＬモデルの連鎖を置き換えるステップと、を含む、コンピュータにより実施される方法。
【請求項2】
前記発見されたＭＬモデルまたはＭＬモデルの連鎖を呼び出すために、前記コンピューティングシステムによって、前記ＲＰＡロボットの前記ワークフローを修正するステップをさらに含む、請求項１に記載のコンピュータにより実施される方法。
【請求項3】
前記コンピューティングシステムによって、前記修正されたワークフローを実施する前記ＲＰＡロボットの新しいバージョンを生成するステップと、前記コンピューティングシステムによって、前記ＲＰＡロボットの前記生成された新しいバージョンを展開するステップと、
をさらに含む、請求項２に記載のコンピュータにより実施される方法。
【請求項4】
前記修正されたワークフローを遂行する場合に、前記ＲＰＡロボットによって、発見されたＭＬモデルまたはＭＬモデルの連鎖を呼び出すステップをさらに含む、請求項３に記載のコンピュータにより実施される方法。
【請求項5】
ＭＬモデルの前記連鎖の前記性能の前記解析は、直列、並列、またはこれらの組み合わせの連鎖ＭＬモデルの順列に対してＡＩベースの実験を実行するステップと、ＭＬモデルの前記連鎖によって出力された結果を解析するステップと、を含む、請求項１に記載のコンピュータにより実施される方法。
【請求項6】
前記連鎖ＭＬモデルの順列は、前記連鎖内の同じＭＬモデルの複数のインスタンスを含む、請求項５に記載のコンピュータにより実施される方法。
【請求項7】
直列および並列のＭＬモデルのうちの少なくとも１つの組み合わせは、直列および並列のＭＬモデルを交互に繰り返すことを含む、請求項５に記載のコンピュータにより実施される方法。
【請求項8】
前記優れた性能は、状態空間の前記探索を導き、目標を達成しようと試みるために、短期報酬および長期報酬の両方を用いて中間遷移およびステップを探索する報酬関数によって支配される、請求項１に記載のコンピュータにより実施される方法。
【請求項9】
前記モデルのモデルは、ＭＬモデルまたはＲＰＡロボットである、請求項１に記載のコンピュータにより実施される方法。
【請求項10】
ロボティックプロセスオートメーション（ＲＰＡ）のための機械学習（ＭＬ）モデルを選択および／または連鎖化するために人工知能（ＡＩ）を使用するための、コンピュータにより実施される方法であって、ＲＰＡロボットのワークフローにおいて呼び出されるＭＬモデルプール内の個々のＭＬモデルおよびＭＬモデルの連鎖の性能を解析するモデルのモデルを実行するステップと、
既存のＭＬモデルまたはＭＬモデルの連鎖よりも優れた性能が前記モデルのモデルによって発見された場合に、
前記発見されたＭＬモデルまたはＭＬモデルの連鎖を展開し、それにより、前記既存のＭＬモデルまたはＭＬモデルの連鎖を置き換えるステップと、
前記発見されたＭＬモデルまたはＭＬモデルの連鎖を呼び出すために、コンピューティングシステムによって、前記ＲＰＡロボットの前記ワークフローを修正するステップと、を含む、コンピュータにより実施される方法。
【請求項11】
前記修正されたワークフローを実施する前記ＲＰＡロボットの新しいバージョンを生成するステップと、前記ＲＰＡロボットの前記生成された新しいバージョンを展開するステップと、
をさらに含む、請求項１０に記載のコンピュータにより実施される方法。
【請求項12】
前記修正されたワークフローを遂行する場合に、前記ＲＰＡロボットによって、発見されたＭＬモデルまたはＭＬモデルの連鎖を呼び出すステップをさらに含む、請求項１１に記載のコンピュータにより実施される方法。
【請求項13】
ＭＬモデルの前記連鎖の前記性能の前記解析は、直列、並列、またはこれらの組み合わせの連鎖ＭＬモデルの順列に対してＡＩベースの実験を実行するステップと、ＭＬモデルの前記連鎖によって出力された結果を解析するステップと、を含む、請求項１０に記載のコンピュータにより実施される方法。
【請求項14】
前記連鎖ＭＬモデルの順列は、前記連鎖内の同じＭＬモデルの複数のインスタンスを含む、請求項１３に記載のコンピュータにより実施される方法。
【請求項15】
前記優れた性能は、状態空間の前記探索を導き、目標を達成しようと試みるために、短期報酬および長期報酬の両方を用いて中間遷移およびステップを探索する報酬関数によって支配される、請求項１０に記載のコンピュータにより実施される方法。
【請求項16】
前記モデルのモデルは、ＭＬモデルまたはＲＰＡロボットである、請求項１０に記載のコンピュータにより実施される方法。
【請求項17】
ロボティックプロセスオートメーション（ＲＰＡ）のための機械学習（ＭＬ）モデルを連鎖化するために人工知能（ＡＩ）を使用するための、コンピュータにより実施される方法であって、ＲＰＡロボットのワークフローにおいて呼び出されるＭＬモデルプール内のＭＬモデルの連鎖の性能を解析するモデルのモデルを実行するステップと、
既存のＭＬモデルまたはＭＬモデルの連鎖よりも優れた性能が前記モデルのモデルによって発見された場合に、
前記発見されたＭＬモデルの連鎖を展開し、それにより、前記既存のＭＬモデルまたはＭＬモデルの連鎖を置き換えるステップと、
前記発見されたＭＬモデルの連鎖を呼び出すために前記ＲＰＡロボットの前記ワークフローを修正するステップと、を含み、
ＭＬモデルの前記連鎖の前記性能の前記解析は、直列、並列、またはこれらの組み合わせの連鎖ＭＬモデルの順列に対してＡＩベースの実験を実行するステップと、ＭＬモデルの前記連鎖によって出力された結果を解析するステップと、を含む、コンピュータにより実施される方法。
【請求項18】
前記修正されたワークフローを実施する前記ＲＰＡロボットの新しいバージョンを生成するステップと、前記ＲＰＡロボットの前記生成された新しいバージョンを展開するステップと、
をさらに含む、請求項１７に記載のコンピュータにより実施される方法。
【請求項19】
前記連鎖ＭＬモデルの順列は、前記連鎖内の同じＭＬモデルの複数のインスタンスを含む、請求項１７に記載のコンピュータにより実施される方法。
【請求項20】
前記優れた性能は、状態空間の前記探索を導き、目標を達成しようと試みるために、短期報酬および長期報酬の両方を用いて中間遷移およびステップを探索する報酬関数によって支配される、請求項１７に記載のコンピュータにより実施される方法。【発明の詳細な説明】
【技術分野】
【0001】
（関連出願の相互参照）
本出願は、２０１９年１２月９日に出願された米国非仮特許出願第１６／７０７，９３３号および２０１９年１０月１５日に出願された米国仮特許出願第６２／９１５，３９９号の利益を主張する。これらの先願の主題は、その全体が参照により本明細書に組み込まれる。
本出願は、２０１９年１２月９日に出願された米国非仮特許出願第１６／７０７，９３３号および２０１９年１０月１５日に出願された米国仮特許出願第６２／９１５，３９９号の利益を主張する。これらの先願の主題は、その全体が参照により本明細書に組み込まれる。
【0002】
本発明は、一般に、ロボティックプロセスオートメーション（ＲＰＡ）に関し、より具体的には、人工知能（ＡＩ）を使用してＲＰＡのためのモデルを選択および／または連鎖化することに関する。
【背景技術】
【0003】
通常、特定の条件下で特定のタスクを実行するために、単一のＲＰＡワークフローが構築され、単一のロボットに展開される。例えば、画像内の特定の視覚的成分を探し、請求書から特定の情報を引き出すなどのロボットを構築および展開することができる。しかしながら、現在の問題に対する変更に基づいて新しいルールを継続的に構築したり、どのアクティビティが適切に動作しているかを理解したりすることなく、新しい変更が認識されない場合があり、またはロボットが完全に故障する場合がある。さらに、単一のロボットはすべてのシナリオに最適であるとは限らない。したがって、改善された手法が有益であり得る。
【発明の概要】
【0004】
本発明の特定の実施形態は、現在のＲＰＡ技術によってまだ完全に識別、認識、または解決されていない当技術分野の問題および必要性に対するソリューションを提供することができる。例えば、本発明のいくつかの実施形態は、ＲＰＡのモデルを選択および／または連鎖化するためにＡＩを使用することに関する。
【0005】
一実施形態では、ＡＩを使用してＲＰＡのためのＭＬモデルを選択および／または連鎖化するためのコンピュータにより実施される方法は、コンピューティングシステムによって、ＲＰＡロボットのワークフローで呼び出されるＭＬモデルプール内の個々のＭＬモデルおよびＭＬモデルの連鎖の性能を解析するモデルのモデルを実行するステップを含む。既存のＭＬモデルまたはＭＬモデルの連鎖よりも優れた性能がモデルのモデルによって発見された場合に、コンピュータにより実施される方法はまた、コンピューティングシステムによって、発見されたＭＬモデルまたはＭＬモデルの連鎖を展開し、それによって既存のＭＬモデルまたはＭＬモデルの連鎖を置き換えるステップを含む。
【0006】
別の実施形態では、ＡＩを使用してＲＰＡのためのＭＬモデルを選択および／または連鎖化するためのコンピュータにより実施される方法は、ＲＰＡロボットのワークフローで呼び出されるＭＬモデルプール内の個々のＭＬモデルおよびＭＬモデルの連鎖の性能を解析するモデルのモデルを実行するステップを含む。既存のＭＬモデルまたはＭＬモデルの連鎖よりも優れた性能がモデルのモデルによって発見された場合に、コンピュータにより実施される方法はまた、発見されたＭＬモデルまたはＭＬモデルの連鎖を展開し、それによって既存のＭＬモデルまたはＭＬモデルの連鎖を置き換えるステップと、発見されたＭＬモデルまたはＭＬモデルの連鎖を呼び出すためにＲＰＡロボットのワークフローを修正するステップと、を含む。
【0007】
さらに別の実施形態では、ＡＩを使用してＲＰＡのためのＭＬモデルを連鎖化するためのコンピュータにより実施される方法は、ＲＰＡロボットのワークフローで呼び出されるＭＬモデルプール内のＭＬモデルの連鎖の性能を解析するモデルのモデルを実行するステップを含む。既存のＭＬモデルまたはＭＬモデルの連鎖よりも優れた性能がモデルのモデルによって発見された場合に、コンピュータにより実施される方法はまた、発見されたＭＬモデルの連鎖を展開し、それによって既存のＭＬモデルまたはＭＬモデルの連鎖を置き換えることと、発見されたＭＬモデルの連鎖を呼び出すためにＲＰＡロボットのワークフローを修正するステップと、を含む。ＭＬモデルの連鎖の性能の解析は、直列、並列、またはそれらの組み合わせの連鎖ＭＬモデルの順列に対してＡＩベースの実験を実行するステップと、ＭＬモデルの連鎖によって出力された結果を解析するステップと、を含む。
【図面の簡単な説明】
【0008】
本発明の特定の実施形態の利点が容易に理解されるように、上記で簡単に説明した本発明のより具体的な説明は、添付の図面に示されている特定の実施形態を参照することによって提供される。これらの図面は、本発明の典型的な実施形態のみを示しており、したがってその範囲を限定するものとみなされるべきではないことを理解されたいが、本発明は、添付の図面を使用することによって追加の具体性および詳細を伴って説明および説明される。
【0009】
【図1】本発明の一実施形態による、ＲＰＡシステムを示すアーキテクチャ図である。
【0010】
【図2】本発明の一実施形態による、展開されたＲＰＡシステムを示すアーキテクチャ図である。
【0011】
【図3】本発明の一実施形態による、デザイナ、アクティビティ、およびドライバの間の関係を示すアーキテクチャ図である。
【0012】
【図4】本発明の一実施形態による、ＲＰＡシステムを示すアーキテクチャ図である。
【0013】
【図5】本発明の一実施形態による、ＲＰＡのためのＲＰＡモデルのモデルを選択および連鎖化するためにＡＩを使用するように構成されたコンピューティングシステムを示すアーキテクチャ図である。
【0014】
【図6】本発明の一実施形態による、複数のモデルを連鎖化し、より良い結果を達成するために実験を実行する「モデルのモデル」を使用するためのプロセスを示す図である。
【0015】
【図7】本発明の一実施形態による、ＡＩを使用してＲＰＡのためのモデルを選択および／または連鎖化するためのプロセスを示すフローチャートである。
【発明を実施するための形態】
【0016】
いくつかの実施形態は、「モデルのモデル」を介して問題に対してより最適化されたモデル性能を作成するために、所与の問題に対してモデルを選択することおよび／または複数のモデルを連鎖化することに関する。いくつかの実施形態では、モデルのモデルは、ＲＰＡロボットであってもよく、またはそれ自体がＲＰＡロボットによって呼び出されるＭＬモデルであってもよい。そのようなモデルのモデルは、既存のモデルをより効果的にする既存のシステム上の追加の層として機能することができる。いくつかの実施形態では、このモデルのモデルは、既存のモデルから改善されたまたは最良のルールおよび／または順序のセットを学習し、モデルプールから最良の性能のモデルを潜在的に決定し、モデルから特定のアクティビティを取得し、あるモデルからの入力を別のモデルに供給し、および／またはモデルを連鎖化するＡＩを組み込むことができる。特定の実施形態では、モデルのモデルは、比較的多数の既存のモデル（例えば、５、１０、５０、１００以上など）を検索し、これらのモデルの少なくともいくつかを適用して優れた結果をもたらし得る。
【0017】
航空機またはドローンにおいて自動飛行制御を実行するためのソフトウェアを展開する場合を考える。様々なセンサは異なる読み取り値を提供し、これらの入力をどのように使用して適切なモデルを選択して呼び出すことができるかを決定することが望ましい場合がある。例えば、航空機またはドローンを旋回させるために、補助翼のみが使用されるべきか、または飛行制御面の何らかの組み合わせがより良好に機能するか？ モデルのモデルは、どのモデルを選択するかを決定することができ、この選択は、報酬関数によって管理することができる。報酬関数は、状態空間の探索を導き、目標（例えば、燃料効率の改善、制御操作の実行の成功など）を達成しようと試みるために、短期報酬および長期報酬の両方を有する中間遷移およびステップを探索する。
【0018】
いくつかの実施形態では、プロセスマイニング／タスクマイニングシステムは、ユーザーがワークフローで使用する異なるステップのログを収集することができる。これらのログは、使用のパターンおよびいわゆるプロセスフロー図を明らかにするためにプロセスマイニングシステムによって解析することができる。特定の実施形態では、システムは、プロセスログおよび／またはプロセスフロー図から入力を取得して、そのワークフロー／プロセスの最適化をもたらすことができるＡＩモデルを提案することができる。
【0019】
複数のモデルが連鎖している場合、これらのモデルは、直列、並列、またはそれらの組み合わせで実行することができる。例えば、４つのモデルを連鎖させる実施形態を考える。直列の実施態様では、データはモデル１を介して実行され、その出力はモデル２を介して実行され、その出力はモデル３を介して実行され、その出力はモデル４を介して実行され、連鎖の最終出力を生成する。並列の実施態様では、データは、モデル１～４を個別に実行することができる。組み合わせの実施態様では、データはモデル１および２に直列に供給され、次いでモデル２の出力がモデル３および４を通して並列に実行され、データがモデル１および２を通して並列に実行され、モデル１および２の各々からの出力がモデル３および４を通して直列に供給され得る、などである。
【0020】
例えば、販売において、ソフトウェアアプリケーションが販売員に推奨を提供する場合には、１つのモデルはどのタイプのリードが最も成功したかを考慮することができ、第２のモデルはユーザーがどのアプリケーションを使用しているかを調べることができる。それぞれからの推奨に基づいて、収益の増加、収益の減少、または収益が同じままであるかどうかを監視することができる。次いで、モデルの出力を連鎖させることが改善につながるかどうかを確認するために実験を実行することができる（例えば、販売員が使用している異なるアプリケーションで最も成功したリードタイプをテストする）。
【0021】
請求書処理の場合を考える。直列の実施態様の場合、請求書処理のモデルのモデルは、最初に、電子メールが請求書を含むかどうかを決定し、電子メールが含むものを分類するモデルを実行することができる。請求書が存在すると判定された場合、第２のモデルは、請求書の内容を抽出する抽出子であってもよい。
【0022】
特定の実施形態では、コンピューティングシステムのユーザーからの入力は、モデルのモデルによって考慮され、基礎となるモデルが所与のシナリオで正しく動作していないか、または不適切に動作しているかを判定する。モデルのモデルはまた、基礎となるモデルのうちのどれが所与のシナリオで正しく動作しているかを判定することができる。どのモデルを使用するかの決定は、Ａ／Ｂテスト、カナリアテストなどを介して行うことができる。
【0023】
動作中、モデルのモデルは、所与の既存のモデルを、そのモデルに固有の、複数のモデルによって共通に共有される、すべてのモデルによって共通に共有される、などの信頼度しきい値と比較することができる。例えば、航空機内のミッションクリティカルシステム、会計業務などの非常に機密性の高いプロセスを実行するモデルは、成功のためのより高い信頼度しきい値を有することができる。しかしながら、請求書処理を実行するためのモデルなどの機密性の低いモデルは、より低い信頼度しきい値を有してもよい。
【0024】
特定の実施形態では、モデルのモデルは、そのしきい値で観測された性能に基づいて、１つまたは複数の基礎となるモデルの信頼度しきい値を修正することができる。例えば、基礎となる画像解析モデルの信頼度しきい値が結果を返さない場合、しきい値を下げることができる。あるいは、誤判定がモデルによって提供されている場合には、しきい値を上げることができる。したがって、信頼度しきい値は、モデルのモデルによって管理される基礎となるモデルの要件に応じて変更することができる。
【0025】
販売を例にとると、複数のモデルが存在してもよい。例えば、可能な限り最良のリードを提供するためのモデル、離れる顧客を検出する別のモデル、などがあり得る。これらのモデルは、それらがどれだけ優れているかを知らないかもしれないが、モデルは依然としてユーザーに推奨を提供することができる。これらの推奨は、ユーザーが報酬関数として効果を見ることを可能にする。
【0026】
例えば、新規リードを予測するモデルは有効ではない場合がある。しかしながら、顧客がすぐに離れるかどうかを予測し、潜在的に顧客が離れるのを防ぐためのアクションの提案を提供するモデルは、非常に有益であり得る。顧客が離れる可能性があるかどうかを予測するモデルを作成するために、Ｎ個の新しい機械学習モデルをテストし、それらがどれだけ成功しているかを見るために互いに比較することができる。これらのモデルを比較することにより、ＡＩを適用して、より良い結果を得るためにモデルを一緒に連鎖化する方法、異なる組み合わせでモデルを使用する方法などを学習することができ、それにより、任意の単一のモデル単独よりも効果的なモデルのモデルを作成することができる。
【0027】
ポリシーネットワークの例を考える。この例では、報酬関数からの正のデルタが異なるモデルのテストから受信されていない場合には、ＡＩを使用してモデルを一緒に連鎖化し、異なるモデルの順序を試して改善があるかどうかを確認することができる。例えば、新しいリードを識別する方法を知っているモデルがあり、偽の電子メールアドレスを検出できる別のモデルがある場合には、ＡＩを使用して、新しいリード識別モデルの前に疑わしい電子メールチェッカを実行することを学習し、疑わしい電子メールチェッカが新しいリード識別モデルに実行された後に残った電子メールアドレスを供給することができる。次に、このロジックを展開して、リードをチェックする前に偽の（またはスパム）電子メールを追い出すことができる。したがって、ＡＩは、モデルのモデルとして効率を改善するために、モデルおよびそれらの間に提供されるべきデータを使用する順序を決定することができる。
【0028】
図１は、本発明の一実施形態による、ＲＰＡシステム１００を示すアーキテクチャ図である。ＲＰＡシステム１００は、開発者がワークフローを設計および実装することを可能にするデザイナ１１０を含む。デザイナ１１０は、アプリケーション統合、ならびに第三者アプリケーション、管理情報技術（ＩＴ）タスク、およびビジネスＩＴプロセスを自動化するためのソリューションを提供することができる。デザイナ１１０は、ビジネスプロセスのグラフィカル表現である自動化プロジェクトの開発を容易にすることができる。簡単に言えば、デザイナ１１０は、ワークフローおよびロボットの開発およびデプロイメントを容易にする。
【0029】
自動化プロジェクトは、本明細書で「アクティビティ」と定義される、ワークフローで開発されたステップのカスタムセット間の遂行順序および関係の制御を開発者に与えることによって、ルールベースのプロセスの自動化を可能にする。デザイナ１１０の一実施形態の一商用例は、ＵｉＰａｔｈ Ｓｔｕｄｉｏ（商標）である。各アクティビティは、ボタンのクリック、ファイルの読み取り、ログパネルへの書き込みなどのアクションを含むことができる。いくつかの実施形態では、ワークフローはネストまたは埋め込みされてもよい。
【0030】
いくつかのタイプのワークフローは、シーケンス、フローチャート、有限状態機械（ＦＳＭ）、および／またはグローバル例外ハンドラを含むことができるが、これらに限定されない。シーケンスは、ワークフローを乱すことなく１つのアクティビティから別のアクティビティへの流れを可能にする線形プロセスに特に適し得る。フローチャートは、より複雑なビジネスロジックに特に適しており、複数の分岐論理演算子を介してより多様な方法で決定の統合およびアクティビティの接続を可能にする。ＦＳＭは、大規模なワークフローに特に適している場合がある。ＦＳＭは、条件（すなわち、遷移）またはアクティビティによってトリガされる有限数の状態をそれらの遂行において使用することができる。グローバル例外ハンドラは、遂行エラーに遭遇したときのワークフローの挙動を判定し、プロセスをデバッグするのに特に適し得る。
【0031】
ワークフローがデザイナ１１０で開発されると、ビジネスプロセスの遂行は、デザイナ１１０で開発されたワークフローを遂行する１つまたは複数のロボット１３０を編成するコンダクタ１２０によって編成される。コンダクタ１２０の一実施形態の一商用例は、ＵｉＰａｔｈオーケストレータ（商標）である。コンダクタ１２０は、環境内のリソースの作成、監視、およびデプロイメントの管理を容易にする。コンダクタ１２０は、第三者のソリューションおよびアプリケーションとの統合ポイントとして機能することができる。
【0032】
コンダクタ１２０は、集中ポイントからロボット１３０を接続し遂行するすべてのロボット１３０を管理することができる。管理され得るロボット１３０のタイプは、これらに限定されないが、アテンディッドロボット１３２、アンアテンディッドロボット１３４、開発ロボット（アンアテンディッドロボット１３４と同様であるが、開発および試験の目的で使用される）、および非生産ロボット（アテンディッドロボット１３２と同様であるが、開発および試験の目的で使用される）を含む。アテンディッドロボット１３２は、ユーザーイベントによってトリガされ、同じコンピューティングシステム上で人間と一緒に動作する。アテンディッドロボット１３２は、集中プロセスデプロイメントおよび記録媒体のためのコンダクタ１２０と共に使用することができる。アテンディッドロボット１３２は、人間のユーザーが様々なタスクを達成するのを助けることができ、ユーザーイベントによってトリガすることができる。いくつかの実施形態では、プロセスは、このタイプのロボットのコンダクタ１２０から開始することができず、および／またはロックされた画面の下で実行することができない。特定の実施形態では、アテンディッドロボット１３２は、ロボットトレイまたはコマンドプロンプトからのみ起動することができる。いくつかの実施形態では、アテンディッドロボット１３２は人間の監督下で動作するべきである。
【0033】
アンアテンディッドロボット１３４は、仮想環境で無人で動作し、多くのプロセスを自動化することができる。アンアテンディッドロボット１３４は、リモート遂行、監視、スケジューリング、および作業待ち行列のサポートの提供を担当することができる。いくつかの実施形態では、すべてのロボットタイプのデバッグを、デザイナ１１０で実行することができる。アテンディッドロボットおよびアンアテンディッドロボットの両方は、メインフレーム、ウェブアプリケーション、ＶＭ、エンタープライズアプリケーション（例えば、ＳＡＰ（登録商標）、ＳａｌｅｓＦｏｒｃｅ（登録商標）、Ｏｒａｃｌｅ（登録商標）などによって製造されたもの）、およびコンピューティングシステムアプリケーション（例えば、デスクトップおよびラップトップアプリケーション、モバイルデバイスアプリケーション、ウェアラブルコンピュータアプリケーションなど）を含むがこれらに限定されない様々なシステムおよびアプリケーションを自動化することができる。
【0034】
コンダクタ１２０は、プロビジョニング、デプロイメント、構成、キューイング、監視、ロギング、および／または相互接続性の提供を含むがこれらに限定されない様々な機能を有することができる。プロビジョニングは、ロボット１３０とコンダクタ１２０（例えば、ウェブアプリケーション）との間の接続の作成および保守を含むことができる。デプロイメントは、遂行のために割り当てられたロボット１３０へのパッケージバージョンの正しい配信を保証することを含むことができる。構成は、ロボット環境およびプロセス構成の維持および配信を含むことができる。キューイングは、キューおよびキュー項目の管理を提供することを含むことができる。監視は、ロボット識別データを追跡し、ユーザー権限を維持することを含むことができる。ロギングは、データベース（例えば、ＳＱＬデータベース）および／または別のストレージ機構（例えば、大規模なデータセットを格納し、迅速にクエリする能力を提供するＥｌａｓｔｉｃＳｅａｒｃｈ（登録商標））へのログの格納およびインデックス付けを含むことができる。コンダクタ１２０は、第三者のソリューションおよび／またはアプリケーションのための通信の集中ポイントとして作用することによって相互接続性を提供することができる。
【0035】
ロボット１３０は、デザイナ１１０に構築されたワークフローを実行する遂行エージェントである。ロボット１３０のいくつかの実施形態の一商用例は、ＵｉＰａｔｈ Ｒｏｂｏｔｓ（商標）である。いくつかの実施形態では、ロボット１３０は、デフォルトでＭｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（登録商標）Ｓｅｒｖｉｃｅ Ｃｏｎｔｒｏｌ Ｍａｎａｇｅｒ（ＳＣＭ）管理サービスをインストールする。結果として、そのようなロボット１３０は、ローカルシステムアカウントの下でインタラクティブなＷｉｎｄｏｗｓ（登録商標）セッションを開き、Ｗｉｎｄｏｗｓ（登録商標）サービスの権利を有することができる。
【0036】
いくつかの実施形態では、ロボット１３０は、ユーザーモードで設置することができる。このようなロボット１３０の場合、これは、所与のロボット１３０が設置されているユーザーと同じ権利を有することを意味する。この特徴は、その最大の可能性で各機械の完全な利用を保証する高密度（ＨＤ）ロボットにも利用可能であり得る。いくつかの実施形態では、任意のタイプのロボット１３０をＨＤ環境で構成することができる。
【0037】
いくつかの実施形態におけるロボット１３０は、各々が特定の自動化タスク専用であるいくつかのコンポーネントに分割される。いくつかの実施形態におけるロボットコンポーネントは、ＳＣＭ管理ロボットサービス、ユーザーモードロボットサービス、エグゼキュータ、エージェント、およびコマンドラインを含むが、これらに限定されない。ＳＣＭ管理ロボットサービスは、Ｗｉｎｄｏｗｓ（登録商標）セッションを管理および監視し、コンダクタ１２０と遂行ホスト（すなわち、ロボット１３０が遂行されるコンピューティングシステム）との間のプロキシとして機能する。これらのサービスは、ロボット１３０の資格情報で信頼され、管理する。コンソールアプリケーションは、ローカルシステムの下でＳＣＭによって起動される。
【0038】
いくつかの実施形態におけるユーザーモードロボットサービスは、Ｗｉｎｄｏｗｓ（登録商標）セッションを管理および監視し、コンダクタ１２０と遂行ホストとの間のプロキシとして機能する。ユーザーモードロボットサービスは、ロボット１３０のための資格情報を信頼し管理することができる。ＳＣＭ管理ロボットサービスがインストールされていない場合、Ｗｉｎｄｏｗｓ（登録商標）アプリケーションを自動的に起動することができる。
【0039】
エグゼキュータは、Ｗｉｎｄｏｗｓ（登録商標）セッション下で所与のジョブを実行することができる（すなわち、エグゼキュータはワークフローを遂行することができる）。エグゼキュータは、モニターごとのドット／インチ（ＤＰＩ）設定を認識することができる。エージェントは、システムトレイウィンドウに利用可能なジョブを表示するＷｉｎｄｏｗｓ（登録商標）Ｐｒｅｓｅｎｔａｔｉｏｎ Ｆｏｕｎｄａｔｉｏｎ（ＷＰＦ）アプリケーションであってもよい。エージェントは、サービスのクライアントであってもよい。エージェントは、ジョブの開始または停止および設定の変更を要求することができる。コマンドラインは、サービスのクライアントである。コマンドラインは、ジョブの開始を要求し、その出力を待つことができるコンソールアプリケーションである。
【0040】
上記で説明したようにロボット１３０のコンポーネントを分割することは、開発者、サポートユーザー、およびコンピューティングシステムが各コンポーネントが実行しているものをより容易に実行、識別、および追跡するのに役立つ。このようにして、エグゼキュータおよびサービスに対して異なるファイアウォールルールを設定するなど、特別な挙動をコンポーネントごとに構成することができる。エグゼキュータは、いくつかの実施形態では、モニターごとにＤＰＩ設定を常に認識することができる。結果として、ワークフローは、それらが作成されたコンピューティングシステムの構成にかかわらず、任意のＤＰＩで遂行され得る。いくつかの実施形態では、デザイナ１１０からのプロジェクトは、ブラウザのズームレベルとは無関係であってもよい。ＤＰＩを認識していない、または意図的に認識していないとマークされたアプリケーションの場合、いくつかの実施形態ではＤＰＩを無効にすることができる。
【0041】
図２は、本発明の一実施形態による、展開されたＲＰＡシステム２００を示すアーキテクチャ図である。いくつかの実施形態では、ＲＰＡシステム２００は、図１のＲＰＡシステム１００であってもよいし、その一部であってもよい。クライアント側、サーバー側、またはその両方は、本発明の範囲から逸脱することなく、任意の所望の数のコンピューティングシステムを含むことができることに留意されたい。クライアント側では、ロボットアプリケーション２１０は、エグゼキュータ２１２と、エージェント２１４と、デザイナ２１６と、を含む。しかしながら、いくつかの実施形態では、デザイナ２１６は、コンピューティングシステム２１０上で実行されていなくてもよい。エグゼキュータ２１２は、実行中のプロセスである。図２に示すように、いくつかのビジネスプロジェクトが同時に実行されてもよい。エージェント２１４（例えば、Ｗｉｎｄｏｗｓ（登録商標）サービス）は、この実施形態ではすべてのエグゼキュータ２１２に対する単一の接続ポイントである。この実施形態におけるすべてのメッセージは、データベースサーバー２４０、インデクササーバー２５０、またはその両方を介してそれらをさらに処理するコンダクタ２３０にログされる。図１に関して上述したように、エグゼキュータ２１２はロボットコンポーネントであってもよい。
【0042】
いくつかの実施形態では、ロボットは、機械名とユーザー名との間の関連付けを表す。ロボットは、複数のエグゼキュータを同時に管理することができる。同時に実行される複数のインタラクティブなセッション（例えば、Ｗｉｎｄｏｗｓ（登録商標）Ｓｅｒｖｅｒ ２０１２）をサポートするコンピューティングシステムでは、複数のロボットが同時に実行され、それぞれが一意のユーザー名を使用して別々のＷｉｎｄｏｗｓ（登録商標）セッションで実行されてもよい。これは、上記ではＨＤロボットと呼ばれる。
【0043】
エージェント２１４はまた、ロボットのステータス（例えば、ロボットがまだ機能していることを示す「ハートビート」メッセージを定期的に送信する）を送信し、遂行されるパッケージの必要なバージョンをダウンロードする役割も担う。エージェント２１４とコンダクタ２３０との間の通信は、いくつかの実施形態では常にエージェント２１４によって開始される。通知シナリオでは、エージェント２１４は、ロボットにコマンド（例えば、始動、停止など）を送信するためにコンダクタ２３０によって後で使用されるＷｅｂＳｏｃｋｅｔチャネルを開くことができる。
【0044】
サーバー側には、プレゼンテーション層（ウェブアプリケーション２３２、オープンデータプロトコル（ＯＤａｔａ）代表状態転送（ＲＥＳＴ）アプリケーションプログラミングインターフェース（ＡＰＩ）エンドポイント２３４、ならびに通知および監視２３６）、サービス層（ＡＰＩ実装／ビジネスロジック２３８）、永続層（データベースサーバー２４０、インデクササーバー２５０）が含まれる。コンダクタ２３０は、ウェブアプリケーション２３２、ＯＤａｔａ ＲＥＳＴ ＡＰＩエンドポイント２３４、通知および監視２３６、ならびにＡＰＩ実装／ビジネスロジック２３８を含む。いくつかの実施形態では、ユーザーがコンダクタ２２０のインターフェース内で（例えば、ブラウザ２２０を介して）実行するほとんどのアクションは、様々なＡＰＩを呼び出すことによって実行される。そのようなアクションは、本発明の範囲から逸脱することなく、ロボット上のジョブの開始、キュー内のデータの追加／削除、無人で実行するためのジョブのスケジューリングなどを含むことができるが、これらに限定されない。ウェブアプリケーション２３２は、サーバープラットフォームのビジュアル層である。この実施形態では、ウェブアプリケーション２３２は、ハイパーテキストマークアップ言語（ＨＴＭＬ）およびＪａｖａＳｃｒｉｐｔ（ＪＳ）を使用する。しかしながら、本発明の範囲から逸脱することなく、任意の所望のマークアップ言語、スクリプト言語、または任意の他のフォーマットを使用することができる。ユーザーは、コンダクタ２３０を制御するための様々なアクションを実行するために、この実施形態ではブラウザ２２０を介してウェブアプリケーション２３２からのウェブページとインタラクトする。例えば、ユーザーは、ロボットグループを作成し、ロボットにパッケージを割り当て、ロボットごとおよび／またはプロセスごとにログを解析し、ロボットを起動および停止することなどができる。
【0045】
ウェブアプリケーション２３２に加えて、コンダクタ２３０はまた、ＯＤａｔａ ＲＥＳＴ ＡＰＩエンドポイント２３４を公開するサービス層を含む。しかしながら、本発明の範囲から逸脱することなく、他のエンドポイントが含まれてもよい。ＲＥＳＴ ＡＰＩは、ウェブアプリケーション２３２とエージェント２１４の両方によって消費される。エージェント２１４は、この実施形態ではクライアントコンピュータ上の１つまたは複数のロボットの管理者である。
【0046】
この実施形態におけるＲＥＳＴ ＡＰＩは、構成、ロギング、監視、およびキューイング機能をカバーする。構成エンドポイントは、いくつかの実施形態では、アプリケーションユーザー、権限、ロボット、アセット、リリース、および環境を定義および構成するために使用され得る。例えば、エラー、ロボットによって送信された明示的なメッセージ、および他の環境固有の情報などの様々な情報をログに記録するために、ＲＥＳＴエンドポイントをロギングすることができる。開始ジョブコマンドがコンダクタ２３０内で使用される場合に遂行されるべきパッケージバージョンをクエリするために、デプロイメントＲＥＳＴエンドポイントがロボットによって使用されてもよい。ＲＥＳＴエンドポイントをキューイングすることは、キューにデータを追加すること、キューからトランザクションを取得すること、トランザクションの状態を設定することなど、キューおよびキュー項目管理を担当することができる。
【0047】
監視ＲＥＳＴエンドポイントは、ウェブアプリケーション２３２およびエージェント２１４を監視する。通知監視ＡＰＩ２３６は、エージェント２１４の登録、エージェント２１４への構成設定の配信、ならびにサーバーおよびエージェント２１４からの通知の送信／受信に使用されるＲＥＳＴエンドポイントであってもよい。通知監視ＡＰＩ２３６はまた、いくつかの実施形態では、ＷｅｂＳｏｃｋｅｔ通信を使用してもよい。
【0048】
永続層は、この実施形態におけるサーバーのペア、すなわちデータベースサーバー２４０（例えば、ＳＱＬサーバー）およびインデクササーバー２５０を含む。この実施形態におけるデータベースサーバー２４０は、ロボット、ロボットグループ、関連するプロセス、ユーザー、役割、スケジュールなどの構成を格納する。この情報は、いくつかの実施形態ではウェブアプリケーション２３２を介して管理される。データベースサーバー２４０は、キューおよびキュー項目を管理することができる。いくつかの実施形態では、データベースサーバー２４０は、（インデクササーバー２５０に加えて、またはその代わりに）ロボットによって記録されたメッセージを格納することができる。
【0049】
インデクササーバー２５０は、いくつかの実施形態ではオプションであり、ロボットによって記録された情報を格納し、インデックス付けする。特定の実施形態では、インデクササーバー２５０は、構成設定を通じて無効にすることができる。いくつかの実施形態では、インデクササーバー２５０は、オープンソースプロジェクトのフルテキスト検索エンジンであるＥｌａｓｔｉｃＳｅａｒｃｈ（登録商標）を使用する。ロボット（例えば、ログメッセージまたは行書き込みのようなアクティビティを使用する）によってログされたメッセージは、ロギングＲＥＳＴエンドポイントを介してインデクササーバー２５０に送信されてもよく、そこでそれらは将来の利用のためにインデックス付けされる。
【0050】
図３は、本発明の一実施形態による、デザイナ３１０、アクティビティ３２０、３３０、およびドライバ３４０の間の関係３００を示すアーキテクチャ図である。上記により、開発者は、デザイナ３１０を使用して、ロボットによって遂行されるワークフローを開発する。ワークフローは、ユーザー定義のアクティビティ３２０およびＵＩ自動化アクティビティ３３０を含むことができる。いくつかの実施形態は、本明細書ではコンピュータビジョン（ＣＶ）と呼ばれる、画像内の非テキスト視覚コンポーネントを識別することができる。そのようなコンポーネントに関係するいくつかのＣＶアクティビティは、クリック、タイプ、テキストを取得、ホバー、要素存在、リフレッシュ範囲、ハイライトなどを含み得るが、これらに限定されない。いくつかの実施形態では、クリックは、例えば、ＣＶ、光学文字認識（ＯＣＲ）、ファジー文字マッチング、およびマルチアンカーを使用して要素を識別し、それをクリックする。タイプは、上記および要素内のタイプを使用して要素を識別することができる。テキストを取得し、ＯＣＲを使用して特定のテキストの位置を識別し、それをスキャンすることができる。ホバーは、要素を識別し、それをホバーすることができる。要素が存在することは、上述した技術を使用して、画面上に要素が存在するかどうかをチェックすることができる。いくつかの実施形態では、デザイナ３１０に実装することができるアクティビティは、数百または数千であってもよい。しかしながら、本発明の範囲から逸脱することなく、任意の数および／またはタイプのアクティビティが利用可能であり得る。
【0051】
ＵＩ自動化アクティビティ３３０は、下位レベルコード（例えば、ＣＶアクティビティ）に書き込まれ、画面とのインタラクションを容易にする特別な低レベルのアクティビティのサブセットである。ＵＩ自動化アクティビティ３３０は、ロボットが所望のソフトウェアとインタラクトすることを可能にするドライバ３４０を介したこれらのインタラクションを容易にする。例えば、ドライバ３４０は、ＯＳドライバ３４２、ブラウザドライバ３４４、ＶＭドライバ３４６、エンタープライズアプリケーションドライバ３４８などを含んでもよい。
【0052】
ドライバ３４０は、フックを探し、キーを監視するなど、低レベルでＯＳとインタラクトすることができる。それらは、Ｃｈｒｏｍｅ（登録商標）、ＩＥ（登録商標）、Ｃｉｔｒｉｘ（登録商標）、ＳＡＰ（登録商標）などとの統合を容易にすることができる。例えば、「クリック」アクティビティは、ドライバ３４０を介してこれらの異なるアプリケーションで同じ役割を実行する。
【0053】
図４は、本発明の一実施形態による、ＲＰＡシステム４００を示すアーキテクチャ図である。いくつかの実施形態では、ＲＰＡシステム４００は、図１および／または図２のＲＰＡシステム１００および／または２００であり得るか、それらを含み得る。ＲＰＡシステム４００は、ロボットを実行する複数のクライアントコンピューティングシステム４１０を含む。コンピューティングシステム４１０は、その上で実行されるウェブアプリケーションを介してコンダクタコンピューティングシステム４２０と通信することができる。次に、コンダクタコンピューティングシステム４２０は、データベースサーバー４３０および任意選択のインデクササーバー４４０と通信することができる。
【0054】
図１および図３に関して、これらの実施形態ではウェブアプリケーションが使用されているが、本発明の範囲から逸脱することなく、任意の適切なクライアント／サーバーソフトウェアを使用できることに留意されたい。例えば、コンダクタは、クライアントコンピューティングシステム上の非ウェブベースのクライアントソフトウェアアプリケーションと通信するサーバー側アプリケーションを実行することができる。
【0055】
図５は、本発明の一実施形態による、ＲＰＡのためのＲＰＡモデルのモデルを選択および連鎖化するためにＡＩを使用するように構成されたコンピューティングシステム５００を示すアーキテクチャ図である。いくつかの実施形態では、コンピューティングシステム５００は、本明細書に図示および／または記載されたコンピューティングシステムのうちの１つまたは複数であってもよい。コンピューティングシステム５００は、情報を通信するためのバス５０５または他の通信機構と、情報を処理するためにバス５０５に結合されたプロセッサ５１０と、を含む。プロセッサ５１０は、中央プロセッシングユニット（ＣＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、グラフィックスプロセッシングユニット（ＧＰＵ）、それらの複数のインスタンス、および／またはそれらの任意の組み合わせを含む、任意のタイプの汎用または専用プロセッサであってもよい。プロセッサ５１０はまた、複数の処理コアを有してもよく、コアの少なくともいくつかは、特定の機能を実行するように構成されてもよい。いくつかの実施形態では、複数並列処理が使用されてもよい。特定の実施形態では、プロセッサ５１０の少なくとも一方は、生体ニューロンを模倣する処理要素を含むニューロモーフィック回路であってもよい。いくつかの実施形態では、ニューロモーフィック回路は、フォンノイマンコンピューティングアーキテクチャの典型的なコンポーネントを必要としない場合がある。
【0056】
コンピューティングシステム５００は、プロセッサ５１０によって遂行される情報および命令を格納するためのメモリ５１５をさらに含む。メモリ５１５は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、フラッシュメモリ、キャッシュ、磁気もしくは光ディスクなどの静的ストレージ、または任意の他のタイプの非一時的コンピュータ可読媒体、またはそれらの組み合わせの任意の組み合わせで構成することができる。非一時的コンピュータ可読媒体は、プロセッサ５１０によってアクセス可能な任意の利用可能な媒体であってもよく、揮発性媒体、不揮発性媒体、またはその両方を含んでもよい。媒体はまた、取り外し可能、取り外し不能、またはその両方であってもよい。
【0057】
さらに、コンピューティングシステム５００は、無線接続および／または有線接続を介して通信ネットワークへのアクセスを提供するためのトランシーバなどの通信デバイス５２０を含む。いくつかの実施形態では、通信デバイス５２０は、周波数分割多元接続（ＦＤＭＡ）、シングルキャリアＦＤＭＡ（ＳＣ－ＦＤＭＡ）、時分割多元接続（ＴＤＭＡ）、符号分割多元接続（ＣＤＭＡ）、直交周波数分割多重方式（ＯＦＤＭ）、直交周波数分割多元接続（ＯＦＤＭＡ）、移動体用グローバルシステム（ＧＳＭ）通信、汎用パケット無線サービス（ＧＰＲＳ）、ユニバーサル移動体通信システム（ＵＭＴＳ）、ｃｄｍａ２０００、広帯域ＣＤＭＡ（Ｗ－ＣＤＭＡ）、高速ダウンリンクパケットアクセス（ＨＳＤＰＡ）、高速アップリンクパケットアクセス（ＨＳＵＰＡ）、高速パケットアクセス（ＨＳＰＡ）、ロングタームエボリューション（ＬＴＥ）、ＬＴＥアドバンスト（ＬＴＥ－Ａ）、８０２．１１ｘ、Ｗｉ－Ｆｉ、Ｚｉｇｂｅｅ、超広帯域無線（ＵＷＢ）、８０２．１６ｘ、８０２．１５、ホームノードＢ（ＨｎＢ）、Ｂｌｕｅｔｏｏｔｈ、無線周波数識別（ＲＦＩＤ）、赤外線データ結合（ＩｒＤＡ）、近距離通信（ＮＦＣ）、第５世代（５Ｇ）、新無線（ＮＲ）、それらの任意の組み合わせ、ならびに／あるいは本発明の範囲から逸脱することなく、任意の他の現在存在する、または将来実施される通信規格および／またはプロトコルを使用するように構成されてもよい。いくつかの実施形態では、通信デバイス５２０は、本発明の範囲から逸脱することなく、単一、アレイ、位相、切り替え、ビームフォーミング、ビームステア、それらの組み合わせ、および／または任意の他のアンテナ構成である１つまたは複数のアンテナを含むことができる。
【0058】
プロセッサ５１０はさらに、バス５０５を介して、プラズマディスプレイ、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイ、電界放出ディスプレイ（ＦＥＤ）、有機発光ダイオード（ＯＬＥＤ）ディスプレイ、フレキシブルＯＬＥＤディスプレイ、フレキシブル基板ディスプレイ、プロジェクションディスプレイ、４Ｋディスプレイ、高精細ディスプレイ、Ｒｅｔｉｎａ（登録商標）ディスプレイ、インプレーンスイッチング（ＩＰＳ）ディスプレイ、またはユーザーに情報を表示するための任意の他の適切なディスプレイなどのディスプレイ５２５にさらに結合される。ディスプレイ５２５は、抵抗性、容量性、表面弾性波（ＳＡＷ）容量性、赤外線、光学イメージング、分散信号技術、音響パルス認識、フラストレート全内部反射などを使用して、タッチ（触覚）ディスプレイ、３次元（３Ｄ）タッチディスプレイ、マルチ入力タッチディスプレイ、マルチタッチディスプレイなどとして構成され得る。本発明の範囲から逸脱することなく、任意の適切なディスプレイデバイスおよび触覚Ｉ／Ｏが使用され得る。
【0059】
キーボード５３０およびコンピュータマウス、タッチパッドなどのカーソル制御デバイス５３５は、ユーザーがコンピューティングシステムとインターフェースすることを可能にするためにバス５０５にさらに結合される。しかしながら、特定の実施形態では、物理的なキーボードおよびマウスが存在しなくてもよく、ユーザーは、ディスプレイ５２５および／またはタッチパッド（図示せず）のみを介してデバイスとインタラクトすることができる。入力デバイスの任意のタイプおよび組み合わせを、設計上の選択事項として使用することができる。特定の実施形態では、物理的入力デバイスおよび／またはディスプレイは存在しない。例えば、ユーザーは、それと通信する別のコンピューティングシステムを介してコンピューティングシステム５００と遠隔でインタラクトすることができ、またはコンピューティングシステム５００は自律的に動作することができる。
【0060】
メモリ５１５は、プロセッサ５１０によって遂行されると機能を提供するソフトウェアモジュールを格納する。モジュールは、コンピューティングシステム５００のためのオペレーティングシステム５４０を含む。モジュールは、本明細書に記載のプロセスまたはその派生物の全部または一部を実行するように構成されたモデル選択および連鎖モジュール５４５をさらに含む。コンピューティングシステム５００は、追加の機能を含む１つまたは複数の追加の機能モジュール５５０を含むことができる。
【0061】
当業者は、「システム」が、本発明の範囲から逸脱することなく、サーバー、組込みコンピューティングシステム、パーソナルコンピュータ、コンソール、パーソナルデジタルアシスタント（ＰＤＡ）、携帯電話、タブレットコンピューティングデバイス、量子コンピューティングシステム、もしくは任意の他の適切なコンピューティングデバイス、またはデバイスの組み合わせとして具現化され得ることを理解するであろう。上記の機能を「システム」によって実行されるものとして提示することは、本発明の範囲を決して限定することを意図するものではなく、本発明の多くの実施形態の一例を提供することを意図している。実際、本明細書に開示する方法、システム、および装置は、クラウドコンピューティングシステムを含むコンピューティング技術と一致する局所化された形態および分散された形態で実装されてもよい。
【0062】
本明細書に記載されたシステム特徴のいくつかは、それらの実装の独立性をより具体的に強調するために、モジュールとして提示されていることに留意されたい。例えば、モジュールは、カスタムの超大規模集積（ＶＬＳＩ）回路またはゲートアレイ、ロジックチップ、トランジスタ、または他のディスクリートコンポーネントなどの既製の半導体を含むハードウェア回路として実装されてもよい。モジュールはまた、フィールドプログラマブルゲートアレイ、プログラマブルアレイロジック、プログラマブルロジックデバイス、グラフィックスプロセッシングユニットなどのプログラマブルハードウェアデバイスに実装されてもよい。
【0063】
モジュールはまた、様々なタイプのプロセッサによって遂行するためのソフトウェアに少なくとも部分的に実装されてもよい。遂行可能コードの識別されたユニットは、例えば、オブジェクト、プロシージャ、または関数として編成することができるコンピュータ命令の１つまたは複数の物理ブロックまたは論理ブロックを含むことができる。それにもかかわらず、識別されたモジュールの遂行可能ファイルは、物理的に共に配置される必要はないが、論理的に共に結合されたときにモジュールを含み、モジュールの記載された目的を達成する異なる場所に格納された異なる命令を含むことができる。さらに、モジュールは、コンピュータ可読媒体に格納されてもよく、それは、例えば、ハードディスクドライブ、フラッシュデバイス、ＲＡＭ、テープ、および／または本発明の範囲から逸脱することなくデータを格納するために使用される任意の他のそのような非一時的コンピュータ可読媒体であってもよい。
【0064】
実際、遂行可能コードのモジュールは、単一の命令、または多くの命令であってもよく、いくつかの異なるコードセグメント、異なるプログラム、およびいくつかのメモリデバイスに分散されてもよい。同様に、操作データは、本明細書ではモジュール内で識別および図示されてもよく、任意の適切な形態で具現化され、任意の適切なタイプのデータ構造内に編成されてもよい。操作データは、単一のデータセットとして収集されてもよく、または異なるストレージデバイスを含む異なる場所に分散されてもよく、少なくとも部分的に、システムまたはネットワーク上の電子信号としてのみ存在してもよい。
【0065】
図６は、本発明の一実施形態による、複数のモデルを連鎖させ、より良い結果を達成するために実験を実行する「モデルのモデル」を使用するためのプロセス６００を示す。この例では、様々なタスクに対して、異なる訓練されたＭＬモデル（すなわち、ＭＬモデルＡ～Ｉ）のモデルプールが存在する。次いで、連鎖ＭＬモデルの様々な順列に対してＡＩベースの実験が実行される（おそらく、連鎖内の同じモデルを複数回含むテストを含む）。ＭＬモデルは、直列、並列、またはそれらの組み合わせ（直列と並列とを複数回交互にする可能性がある）で実行され得る。所与の問題に対して優れた結果を有するＭＬモデルの連鎖が発見された場合、この連鎖は、その問題に適用されて展開され得るモデルのモデルとして出力される。図示するように、この連鎖は、直列、並列、またはそれらの組み合わせであってもよい。実際、本発明の範囲から逸脱することなく、任意の順列または組み合わせを識別して使用することができる。また、特定の実施形態では、単一のモデルを任意の連鎖にわたって最適であると識別し、選択することができる。
【0066】
図７は、本発明の一実施形態による、ＡＩを使用してＲＰＡのモデルを選択および／または連鎖化するためのプロセス７００を示すフローチャートである。プロセスは、７１０において、ＭＬモデルプール上で個々のＭＬモデルおよびＭＬモデルの連鎖の性能を解析する「モデルのモデル」を実行することによって、ＭＬモデルプールに対してＡＩベースの実験を実行することから始まる。いくつかの実施形態では、プロセススニフィング／プロセスマイニングシステムを使用して、ユーザーワークフローを解析し、それらのワークフローに組み込むことができる異なるＡＩモデルを決定することができる。７２０において、単一のＭＬモデルまたは連鎖する複数のＭＬモデル（例えば、直列、並列、それらの組み合わせ、連鎖の交互の直列および／または並列部分など）から既存のＭＬモデルまたはＭＬモデルの連鎖よりも優れた性能が発見されない場合、優れたＭＬモデルおよび／または組み合わせの探索が７１０において継続する。
【0067】
しかしながら、ある構成で連鎖したＭＬモデルまたはＭＬモデルの組み合わせが７２０で発見された場合、このＭＬモデルまたはＭＬモデルの連鎖は７３０で展開される。新しいＭＬモデルまたはＭＬモデルの連鎖を呼び出し、ＭＬモデルまたはＭＬモデルの連鎖を所与のタスクに適用するために、ＲＰＡロボットワークフローが７４０で修正される。次いで、７５０でＲＰＡロボットの新しいバージョンが生成され、７６０で展開される。次いで、ＲＰＡロボットの新しいバージョンは、７７０での動作中にＭＬモデルまたはＭＬモデルの連鎖を呼び出す。
【0068】
図７で実行されるプロセスステップは、本発明の実施形態に従って、プロセッサが図７で説明したプロセスの少なくとも一部を実行するための命令を符号化するコンピュータプログラムによって実行されてもよい。コンピュータプログラムは、非一時的コンピュータ可読媒体上で具現化されてもよい。コンピュータ可読媒体は、ハードディスクドライブ、フラッシュデバイス、ＲＡＭ、テープ、および／またはデータを格納するために使用される任意の他のそのような媒体または媒体の組み合わせであってもよいが、これらに限定されない。コンピュータプログラムは、コンピュータ可読媒体に格納することもできる、図７で説明したプロセスステップの全部または一部を実施するようにコンピューティングシステムのプロセッサ（例えば、図５のコンピューティングシステム５００のプロセッサ５１０）を制御するための符号化命令を含むことができる。
【0069】
コンピュータプログラムは、ハードウェア、ソフトウェア、またはハイブリッド実装で実施することができる。コンピュータプログラムは、互いに動作可能に通信し、表示するために情報または命令を渡すように設計されたモジュールから構成することができる。コンピュータプログラムは、汎用コンピュータ、ＡＳＩＣ、または任意の他の適切なデバイス上で動作するように構成することができる。
【0070】
本発明の様々な実施形態のコンポーネントは、本明細書の図に一般的に記載および図示するように、多種多様な異なる構成で配置および設計されてもよいことが容易に理解されよう。したがって、添付の図面に表される本発明の実施形態の詳細な説明は、特許請求される本発明の範囲を限定することを意図するものではなく、本発明の選択された実施形態を単に代表するものである。
【0071】
本明細書を通して説明される本発明の特徴、構造、または特性は、１つまたは複数の実施形態において任意の適切な方法で組み合わせることができる。例えば、本明細書全体を通して「特定の実施形態」、「いくつかの実施形態」、または同様の文言への言及は、実施形態に関連して説明される特定の特徴、構造、または特性が本発明の少なくとも１つの実施形態に含まれることを意味する。したがって、本明細書全体を通して、「特定の実施形態では」、「いくつかの実施形態では」、「他の実施形態では」というフレーズ、または同様の文言の出現は、必ずしもすべてが同じ実施形態のグループを指すわけではなく、記載された特徴、構造、または特性は、１つまたは複数の実施形態において任意の適切な方法で組み合わせることができる。
【0072】
本明細書を通して特徴、利点、または同様の文言を参照することは、本発明で実現され得る特徴および利点のすべてが本発明の任意の単一の実施形態であるべきであること、または本発明の任意の単一の実施形態であることを意味するものではないことに留意されたい。むしろ、特徴および利点に言及する文言は、一実施形態に関連して説明される特定の特徴、利点、または特性が本発明の少なくとも１つの実施形態に含まれることを意味すると理解される。したがって、本明細書を通して、特徴および利点、ならびに同様の文言の説明は、必ずしもそうとは限らないが、同じ実施形態を参照することができる。
【0073】
さらに、本発明の記載された特徴、利点、および特性は、１つまたは複数の実施形態において任意の適切な方法で組み合わせることができる。当業者は、特定の実施形態の特定の特徴または利点の１つまたは複数なしで本発明を実施できることを認識するであろう。他の例では、本発明のすべての実施形態には存在しない可能性がある特定の実施形態において、追加の特徴および利点が認識され得る。
【0074】
当業者は、上述の本発明が、異なる順序のステップ、および／または開示されているものとは異なる構成のハードウェア要素を用いて実施され得ることを容易に理解するであろう。したがって、本発明をこれらの好ましい実施形態に基づいて説明してきたが、本発明の趣旨および範囲内に留まりながら、特定の修正、変形、および代替構築が明らかであることは、当業者には明らかであろう。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【国際調査報告】