智能流程自动化（RPA+AI）在发电行业的应用创新思路

刘远 陈旻晖

[摘    要]随着人工智能技术与机器人流程自动化技术的融合发展，AI为机器人流程自动化提供智能认知和智能决策能力，进一步拓展机器人流程自动化的应用领域，掀起第二轮业务流程自动化的浪潮。针对发电企业的现状和需求，提出应用智能流程自动化技术开展应用创新的思路，通过创造数字劳动力解决企业转型和发展的压力。

[关键词]流程自动化;人工智能;数字劳动力

[中图分类号]TP18 [文献标志码]A [文章编号]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 智能流程自动化的概念

智能流程自动化（Intelligent Process Automation，IPA）是RPA与AI技术的结合，2020年Gartner发布的战略科技发展趋势报告提出10项具有巨大颠覆性潜力，在未来5年内将迅速增长，高度波动，预计达到临界点的战略科技发展趋势，其中智能流程自动化技术（超自动化）排名首位。

机器人流程自動化（RPA）主要通过软件应用（机器人），将基于规则、重复性、单调的简单任务实现自动化处理，通过非侵入式的方式实现系统之间的数据交互，具有敏捷化开发、灵活部署、简单易用、方便维护等特点。RPA应用业务领域通常由狭义定义的预定义业务规则驱动，因此处理模糊和复杂问题的能力有限。

智能流程自动化（IPA）涵盖多种机器学习、套装软件和自动化工具的集合，能够理解自动化步骤的作用范围、相互联系和协调方式，从而实现对复杂人工工作的替代。主要应用的人工智能技术包括光学字符识别（OCR）、自然语言处理（NLP）、知识图谱（KG）和机器学习（ML）等。其中，OCR负责对非结构化类型的数据进行信息提取和转换;NLP负责对文本信息进行语义分析，识别和理解其中的关键信息;KG负责将信息转换为具有关联性知识或规则，以支撑逻辑判断;ML负责模拟人类的学习行为，以获取新的知识和技能，并通过持续的训练和反馈不断提升模型准确性。

如果把RPA比喻成人的双手，那么AI就是人的眼睛和大脑，帮助RPA获得智能认知能力和智能决策能力，使其在无需人工干预的情况下能够判断和处理复杂任务。

从RPA到IPA的演变，反映出从流程驱动自动化向适应性更强的数据驱动自动化过渡的必然趋势。为了保持竞争力和效率，企业必须考虑将机器学习和人工智能添加到传统机器人流程自动化中，以实现智能自动化。随着使用神经网络和深度学习的现代人工智能和机器学习模型的准确性逐步提高，在某些领域已经显著超出人类的能力。

2 智能流程自动化的特点

2.1 非结构化数据处理能力

从流程自动化应用本身来看，RPA非常适合处理结构化数据，擅长对重复的、基于规则的业务流程进行自动化处理，而在企业信息化领域，80%的数据属于非结构化数据，这就使RPA的应用范围受到很大限制。IPA能够理解文本、图像、语音、文档等各类数据，这些非结构化和半结构化数据是数据驱动型流程自动化的核心内容，基于对内容的理解，应用一般性规则判断逻辑就能够代替人工完成诸如结算单据审核、供应商资质审核、合同规范性分析、内控合规性分析等工作。

2.2 智能认知能力

企业大部分业务规则是通过各类制度、规定、管理办法等文档进行规定的，规则描述隐藏在文本、流程图或表格等不同类型数据结构中，往往缺少清晰的结构和确定的逻辑关系。对规则的智能化认知是IPA实现决策智能化的前提，IPA通过引入通用的知识库或构建私有化的“语义引擎”，可以快速、便捷地训练机器学习模型识别出业务规则，构建清晰的逻辑关系，并转换成易于理解和使用的结构化形式应用于逻辑判断。随着人工智能技术的进步，通过机器学习识别业务规则，能够更加全面、准确、高效。基于规则进行判断的业务场景，不受人员技能水平、情绪和疲劳程度的影响，相比于人工判断方式的优势非常明显。

2.3 自我进化能力

IPA使用了基于机器学习和智能分析的深度算法功能，依靠企业专属的数据集训练模型，获得智能感知和智能决策能力，是数据科学团队和业务专家团队跨领域协作的结果。业务专家需要适应技术环境的要求，来调整必要的训练数据作为输入条件，技术人员需要根据业务场景的实际需要，利用技术手段驱动实现智能化分析和决策。在IPA应用实践中，业务人员对IPA输出结果的审查和过滤要融入到业务自动化流程中，使其能持续反馈给机器学习模块，促使算法和模型不断迭代优化，持续提升决策准确性，从而具备自我进化能力。

2.4 创造出数字化劳动力

数字化劳动力（Digital Labor）是智能流程自动化技术产生的一种新的劳动力形态，即利用技术的组合实现人类员工的工作行为，并采用类似对待人类员工的方式对其进行管理。当企业具有成熟的IPA应用能力后，从理论上讲就具备创造数字化劳动力的条件，IT部门将不仅是信息化服务部门，而且是创造新生产力的部门，对于企业的人力资源管理将产生颠覆性变革。理论上企业雇佣一名新员工，通常需要经过几个月的培养才能熟悉业务，而IT部门只需要几秒钟就能够创造出一名数字化劳动力，迅速胜任工作岗位，而且在需要的情况下，能够随时切换到另外一种岗位或者回收劳动力。在可以预见的未来，人类员工和数字化员工的合作将成为常态，整个社会将迎来一场数字化劳动力革命。

3 AI信息提取技术在发电行业应用

随着互联网技术的飞速发展，如何从海量数据中抽取出高质量的结构化信息是学术界和工业界研究的热点问题。其中，关系抽取是指在给定文本中判断实体间的关系，是构建知识图谱的关键技术，可以广泛应用于信息检索、智能客服、智慧金融等领域，当然也包括电气电子行业。近年来，得益于深度学习强大的特征提取能力，句子级关系抽取已经取得了良好的效果。CNN（Convolutional Neural Network），BiLSTM（Bidirectional Long Short Term Memory Network）和BERT（Bidirectional Encoder Representations from Transformers）广泛应用于句子级关系抽取并取得了较高的准确率。基于语义分析的知识图谱构件与挖掘如图1所示。

为了有效的进行关系推理，先使用基于语义依存分析的节点构造方法去除句子中与实体无关的冗余信息，然后使用关系图将所有关联句中的有效节点联系在一起并通过推理得到实体间的关系。为了验证方法的有效性，收集了1 200份包含几千甚至上万字的电气相关新闻作为数据集，从中抽取出企业间的关系，企业生产销售的产品，企业采用的技术指标等多种复杂关系。

实验结果如图2所示。

4 发电行业应用智能流程自动化的必要性

4.1 发电企业转型发展与减员增效之间的矛盾

按照习近平总书记在第75届联合国大会上提出的“中国3060”碳目标，逐步削减化石能源，将风能、太阳能、生物质能和氢能等绿色能源作为主要能源，从而引发第三次能源革命。目前国内发电企业员工主要集中在火电板块，特别是一些历史悠久的老电厂，人员编制往往是新企业的3倍以上，离退休人员比在职员工数量还多，包袱非常沉重。近年来发电企业全力拓展新能源项目，向清洁低碳能源提供商转型，需要大量专业技术人才，同时受制于经营压力，还必须背负减员增效的考核指标。在这种形势下，应该积极考虑运用智能流程自动化技术，使用数字化劳动力代替通用岗位人员，在降低人工成本的同时，把宝贵的招聘指标应用到转型发展的领域。

4.2 电厂技术人员老龄化问题

当前电厂技术人员的老龄化已经成为普遍性问题，特别是机组运行人员的平均年龄逐年增加，很多企业运行人员平均年龄已超过40岁，在值守大夜班时精力和体力难以保证，导致安全生产风险隐患增加。此外，随着发电企业对人才吸引力的下降，部分电厂技术人才培养出现断层，优秀的生產专家退休后，宝贵经验和知识成果未能全面传承，导致企业生产技术水平出现下滑。需要通过智能化手段传承技术专家的经验和知识，在运行、维护和检修工作中发挥指导作用，降低对人员的依赖。

4.3 提高人力资源利用率和员工幸福感

发电企业职能部门的员工经常被各种重复、枯燥、繁琐和高强度工作所累，无暇开展更有价值的工作，专业技术能力和个人创造性无法发挥。久而久之，员工的幸福感和对工作的认同感将会下降，不仅影响工作质量和效率，也造成人力资源的浪费。智能流程自动化机器人能够代替员工承担时间紧、强度大、重复性、机械性的工作，为员工创造更高的价值创造空间，有效提高人力资源利用效率。

4.4 投资回报收益显著

根据Uipath公司的数据统计，三井住友集团从2018年到2020年全面应用机器人流程自动化技术，累计节约300万以上人工工时，实现超过5亿美金的收益;国内著名的商业银行和保险公司在财务结算和支付场景应用机器人流程自动化技术后，不仅效率和准确性大幅提升，投资回报周期只有4个月。对于发电企业而言，提高劳动生产率、降本增效的压力特别迫切，实现价值创造的空间特别广阔。

5 智能流程自动化在发电企业的应用场景

5.1 共享服务领域

财务管理领域的业务特点非常适合应用机器人流程自动化，也是目前应用最广泛、最成功的领域，随着各大电力集团逐步完成财务共享中心的建设，RPA技术正在全面推广应用。RPA机器人在获得感知和决策能力之后，能够实现在人力资源、法务、审计等业务领域对通用性较强的人工岗位的替代，促使电力集团从建设单一的财务共享服务平台向综合业务共享服务模式演变，进一步深化企业管理变革，实现更大的经济收益。

5.2 招标采购领域

在招标采购领域，利用OCR技术，IPA能够识别供应商的资质信息，并通过互联网资源進行真伪验证，从而准确地完成供应商资质审核;利用NLP技术，通过对商务文件的数据标注和模型训练，IPA还能够根据预设的规则完成合同合规性审查、合同文本相似度分析、串标风险评估等工作，不仅能够规避人为干预的风险，工作效率和准确性相比人工判断也能够显著提升。

5.3 辅助机组运行管理

企业在生产技术专家的指导下构建机组运行管理的“语义引擎”，选取缺陷、工单、文件包、故障报告等各种来源的资料、各种类型的生产数据进行机组运行相关知识的标注，作为训练数据集进行模型训练，然后对海量的生产资料进行知识提取，通过知识图谱技术转换为网络化的知识体系，实现对专家经验和知识成果的固化。利用成熟的语音识别技术与知识图谱系统对接建立专家问答系统，能够实现与员工的互动式服务，帮助运行人员识别设备状态、分析原因、提供运行调参建议方案等。

5.4 员工个人工作助手

目前主流的IPA技术平台都具备低代码开发的能力，在不需要掌握IT技术的前提下，使用图形化控件，通过拖拽的方式就能建立简单的流程自动化机器人，为员工提供个性化功能定制能力，灵活适应各类工作岗位的创新需要，成为员工日常工作中的好帮手。国外先进企业通过建立卓越小组（CoE），对全员开展相关技术培训，出台各种激励措施，鼓励员工在日常工作中应用流程自动化技术开展微创新，取得显著成效。

6 结束语

在发电企业的数字化转型过程中，利用RPA与AI技术的结合实现智能化流程自动化是推动企业可持续发展的重要策略。通过AI技术的赋能，RPA机器人获得智能感知和智能决策能力，能够理解和识别企业非结构化数据，实现从流程驱动自动化向适应性更强的数据驱动自动化过渡，显著拓展传统RPA的应用领域。依托智能流程自动化平台创造出的数字化劳动力，通过自我进化能力将不断接近人类的劳动技能水平，在发电企业中承担越来越多的工作职责。在不远的将来，人类员工与数字化劳动力的分工协作将成为主流的工作模式，不仅能够为企业创造巨大的收益，而且为应对第三次能源革命的挑战提供重要的支持力量。

参考文献

[1] 宋一丁.智能白领机器人（AI+RPA）——金融机构数字化转型升级的最后一公里[J].金融电子化，2020（1）：82-84.

[2] 罗樋.打造企业级数字劳动力赋能全行数字化转型[J].中国金融电脑，2020（11）：52-54.