至顶网CIO与应用频道 11月14日 编译:根据Gartner的最新研究,2018年全球机器人流程自动化(RPA)软件的开支预计将达到6.8亿美元,同比增长57%,到2022年支出达到24亿美元。
Gartner副总裁Cathy Tornbohm表示:“最终用户组织把RPA技术作为手动任务自动化的一种快速简便的方法。一些员工将继续执行那些要求他们手动剪切、粘贴和更改数据的日常任务。但是当RPA工具执行这些操作时,误差率会降低,数据质量会提高。”
如今,RPA最主要的采用者包括银行、保险公司、公用事业和电信公司。Tornbohm表示:“通常,这些组织很难将财务和HR系统等不同元素结合在一起,他们正在转向采用RPA解决方案,实现现有的手动任务或流程的自动化,或者传统系统功能的自动化。”
RPA工具结合使用多种用户界面交互描述技术,模仿人类工作者完成任务所去采取的“手动”路径。目前试产各种有广泛的解决方案,有很多工具可以在单个台式机或企业服务器上运行。
Gartner估计,到今年年底60%收入超过10亿美元的企业组织将部署RPA工具。到2022年底,85%的大型和超大型组织将部署某种形式的RPA。Tornbohm表示:“到2019年,随着采用率的提高,以及企业组织系统通过该技术实现更好的业务成果,例如降低成本、提高准确性、提高合规性,RPA的平均价格会下降10%至15%。”
然而,RPA并非通用型技术,有些情况下替代性的自动化解决方案可以取得更好的结果。当企业组织需要结构化数据来自动化现有任务或流程,向遗留系统添加自动化功能以及连接到无法通过其他IT选项连接的外部系统时,RPA解决方案的表现最好。
RPA即将走向主流
在Gartner公布的2018年人工智能技术成熟度曲线中,RPA工具目前位于膨胀期望的峰值,企业组织寻求利用RPA削减成本、连接传统应用、以及实现高投资回报率。但是,实现强大投资回报率的潜力完全取决于RPA是否符合个别组织的需求。“在短期内,我们预计会有越来越多的RPA厂商以及软件厂商越来越感兴趣,其中包括希望从这些功能中获得收益的软件测试厂商和业务流程管理厂商。”
此外,另一个市场趋势正在出现:将人工智能功能集成到产品套件中,这是因为RPA提供商添加或集成了机器学习和AI技术,以提供更多类型的自动化。
在任何RPA部署项目之前首先进行评估
Tornbohm表示,为了使RPA项目取得成功,必须首先评估RPA在企业组织中的可能用例,并关注创收。“不要只关注用RPA来降低劳动力成本。明确你期望这些工具可以做什么,以及你所在的企业组织如何使用RPA来支持数字化转型,作为自动化战略的一部分。”
下一步是确定RPA的短期见效,那些要求人们在系统之间单独移动数据或涉及由预定义规则处理的结构化、数字化数据任务可能会立即看到效果。这些都是RPA能实现高投资回报率的用例,但同时考虑替代现有工具和服务(这些工具和服务已经以合适的价格点提供了相当大比例的所需功能)也是很重要的。这些替代方案可以与RPA并行使用,也可以作为混合解决方案使用。在选择厂商的时候,还要问问厂商未来是否有基于AI的选项。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。