2019年的科技关键词，RPA（Robotic Process Automation，机器人流程自动化）必须拥有一席之地。在它重回风口的这段时间里，“AI+RPA"的概念被反复提起。在阿博茨CTO刘铁锋看来，二者的关系可以这样解读：“AI延伸到RPA，是把AI进一步放大；也因为有了AI的能力，我们才看到了RPA的更多可能。”
在本次专访中，雷锋网AI金融评论就与刘铁锋详细聊了聊有关RPA的多个热门话题：为什么RPA直到最近才得到风投集体青睐？这一领域的技术门槛何在？像阿博茨这样的AI企业又是如何将RPA应用到金融等重点领域的？
阿博茨CTO刘铁锋
如果把微软为Office系列配备的宏功能当成起点，RPA其实算是一门久远的技术。刘铁锋将RPA的发展分为三大阶段，第一阶段集中在量级较小的应用开发，而真正壮大的时间节点，应该是第二阶段系统集成商这个角色的出现。
当系统集成商向企业输出解决方案时，一套新的信息化系统需要对接原有的财务系统，却发现对方的系统十分陈旧，连维护都欠缺，需要耗费大量人力和时间来转移数据，此时RPA发挥的作用即是通过自动化填写的方式，将结构化的数据填到新系统里。刘铁锋表示，这一阶段产生了自动化运维的需求，UiPath以及国内的相关厂商也就随之出现。
然而，在该阶段出现的厂商也已存在十年有余，为什么RPA迟迟没有得到资本的大规模追捧？
“在新的阶段，企业可以针对客户的业务系统，把当中能够用AI能力放大的部分给拎出来了。原先就拥有的技术，再加上RPA的重复操作，给所有AI公司提供了落地的深度，有了将技术深度嵌入到公司业务流程的机会。VC正是看好AI公司侵入到这方面的能力。”刘铁锋这样告诉AI金融评论。
与此同时，UiPath的收入增速和融资规模，也让业界看到了RPA开放平台这一新形式的可能性。企业们也不仅看中RPA的热度，更关注到背后开发平台的潜力所在。总体而言，第三阶段是各路玩家在“AI+开放平台”层面的一场角力。
RPA实现全面回暖的信号之一，是一批早有AI能力积累的企业集体切入这片广阔的市场。刘铁锋分析称，这样的顺势而为，与行业需求和技术沉淀密不可分。
区别于其他种类的机器人，RPA更强调流程性的优化。当业务试图达到全自动化，完整地经历一次从输入到输出的过程，此时RPA需要解决的，就是在流程上的断点和阻塞点。像阿博茨这样的企业会驶向RPA，也正是因为在输出AI能力服务金融客户的过程中，用户需求出现了流程上的进一步衍生。刘铁锋也表示，阿博茨对RPA的关注到投入是一个自然演进的过程，从2018年开始就已逐步在做相应的准备工作。
那么，AI的加持能为RPA做些什么？例如，传统的RPA机器人仍然需要员工作为预处理的输入终端，由人手抄或是通过OCR的方式输入信息，但是机器人不能识别和理解里面的内容，很容易在处理过程中被当前流程所困惑，从而导致大量的RPA机器人在复杂工作中失效。因此，通过AI给RPA戴上“眼睛”和“大脑”，“看得见”“读得懂”业务中的数据，也就将只能执行基于一定规则重复任务的传统RPA模式，升级成能够模拟更多初级员工重复性劳动的进阶模式。
“AI其实是区分了哪些工作可以用机器（技术能力）替换，哪些必须人来做。RPA则是往机器和机器互动方面往前多走了一步。”刘铁锋这样总结。
在这一升级过程中，怎样赋能RPA机器人，将其训练得更职业化？阿博茨创始人余宙曾在CCF-GAIR大会上表示，当其所处的工作和流程越垂直、越细分的时候，就越能够发挥机器学习的优势。
对应到金融行业，就需要RPA机器人首先具备足够的对海量金融非结构化数据的处理能力。IDC曾给出相关统计结果，企业中80%以上的数据为非结构化数据，每年按照指数增长60%。而目前金融市场的非结构化数据类型包括但不限于：科创板公告、基金财务报告、基金运营报告、合同、法律文书、研究报告、证件、票据、报表、图片、电子邮件、社交媒体、HTML、移动数据、通信、媒体、应用程序等等。
在金融领域深耕多时的阿博茨，在这一方面也有着不少的积累。其已经利用parsing智能解析、智能抽取、OCR等技术攻克该类数据，并利用Everdroid RPA平台，提高数据处理效率。与传统的数据处理流程相比，阿博茨的产品体系基于机器视觉的解析引擎，无论图片、pdf、扫描件等类型文档都能解析识别，同时也支持Chart解析、Table解析、文本解析等全类别数据解析和抽取，另外有解析工具集针对各种长尾数据。其机器学习平台，提供标注、训练工具集，能在少量标注训练情况下，覆盖新类型的文本数据抽取。
雷锋网注意到，目前阿博茨的非结构化数据RPA已覆盖到多个应用场景，包括企业财务报表审计、一级市场数据生产、合同票据类文档审核、信贷市场资料识别录入、租赁市场资料识别录入等。
以信贷业务资料识别录入流程自动化为例，银行/公积金/P2P有大量的信贷资料如身份证、户口本、结婚证、房产证、离婚证、银行流水、护照、银行卡等需要识别入库。RPA产品可视化选择需要的输入输出，和OCR识别节点，利用OCR识别技术实现信贷资料自动化入库，人工耗时由每张证照平均半小时能够缩短至2分钟入库。
阿博茨信贷市场资料识别录入RPA流程示意图
阿博茨信贷市场资料识别录入RPA流程示意图
阿博茨也在现有的技术沉淀上成功构建金融RPA的平台架构，打通非结构化数据解析场景的数据获取和录入环节。并已实现针对不同类型的数据，形成平台级解决方案，利用AI机器学习平台和RPA平台，客户可自定义模型和业务流程，适应不同场景。
刘铁锋还强调，RPA之所以会在金融行业密集落地，原因之一正是银行、券商、保险等金融机构已经实现了较高的信息化水平，也因此有着更强烈的以机器替代乏味人工操作的意识。
当下，RPA领域既有发展多年、试图拥抱新技术的老牌厂商，亦有携AI而来的活跃新玩家。入局者众多，RPA的技术门槛和竞争壁垒到底在哪里？它又是否如行业人士所言，更多还是商业模式的创新？
“就好比乐高积木你有不同的模块，想要搭出飞机，脑子里还得有飞机的概念——对技术开发者来说，想要进入RPA领域，不光要了解节点的意义、API的调用，还要真正理解这项技术能够在哪个业务领域用起来。”刘铁锋给出了这样一个比喻来形容个人层面的RPA技术门槛。
上升到企业层面，他认为一家RPA企业应当有这样的准备工作如下：
一是AI能力或资源能力的服务化：“最开始只是向客户提供私有化部署，但如果需要提高开放程度和业务规模，就必须将内部私有能力走公开化道路，比如做到让第三方平台或开发者都能直接调用，这是第一步基础性的工作。”
二是RPA的平台化：“一旦要提升通用范围，就不可避免地会碰到所谓的用户界面友好性、适用性、开发简易程度等一系列问题，这就得考虑对整个RPA平台的构建。”
三是汇聚开发者形成社区，与合作伙伴共同构建行业生态体系。
刘铁锋强调，能把开放平台行之有效地建立起来，构建起生态系统，才有可能成为这个领域真正的“头号玩家”。据雷锋网AI金融评论了解，目前阿博茨也正在构建相应的RPA开放平台。一部分开放是将ABC金融大脑和RPA技术开放出来，让外部的开发者通过简单的模型配置，就可以创建一个流程机器人，为企业自动化创造一个独有的解决方案。另外一部分开放，是面向渠道合作伙伴开放技术，向企业提供服务，以联合的方式完成项目实施。
阿博茨RPA设计器自定义流程图
单有这样的准备工作尚不完整，在刘铁锋看来，一家AI企业想要在RPA领域搭起坚不可摧的行业竞争壁垒，首先要打磨自己的这三种对待世界的能力：
一是认知世界：“通过OCR、NLP等技术去识别图像、文本、各种应用类图表，把物理世界里的数据还原到数字世界去。”
二是理解世界：“在非常强大的OCR能力之后，系统必须要理解还原后数字的关系和属性，通过知识图谱方面技术的积累，去还原数据之间的关联性。”
三是响应世界：“例如当用户产生了复杂的提问，要通过NLP来转换成查询”，实现更深层次的人机之间、机器之间的互动。
在RPA不算太高的行业准入门槛下，业内的价格战似乎难以避免。对此他也表示，要考虑AI优先、RPA在后的思路，在这里“AI打价格战很难，除了技术能力，也的确需要行业的知识和理解。”
尽管RPA现在正处于聚光灯之下，受到企业和资本的追捧，但刘铁锋对于智能RPA产品的长远发展抱有相对冷静的态度，相信RPA未来也会被其他形式的产品或是更新的概念取代。在他看来，目前RPA工作的内在相当于人机互动或机器之间的互动，之后的RPA产品有可能会在AI层面演化，让机器自动去总结有哪些重复的工作。
正在生成分享图...
周舟