task-mining
latest
false
重要 :
请注意此内容已使用机器翻译进行了部分本地化。
UiPath logo, featuring letters U and I in white
Task Mining
Automation CloudAutomation Cloud Public SectorAutomation Suite
Last updated 2024年11月13日

DEPRECATED
Unassisted Task Mining 分析指南

本指南可在创建项目、完成操作记录并运行分析后,介绍如何使用 Unassisted Task Mining 分析结果。 它适用于业务分析师、项目管理员和其他想要了解如何解释 Unassisted Task Mining 结果并识别具有优化潜力的任务的人。 本指南还就如何处理分析中的意外结果和噪声提供指导。

为了生成结果,AI 算法会在记录的数据中查找相同步骤序列的出现位置。 它在没有任何上下文的情况下工作,因此可能会显示未自始至终完全捕获现实生活中任务的候选任务。

有时,分析结果可能包含从业务角度来看不相关的任务和步骤。 这被视为噪声。 为了确定自动化候选方案,审核人必须区分高质量任务和噪声任务,这一点很重要。

AI 算法识别的任务

AI 算法识别的任务可能与现实生活中的任务相符,但也可能与预期有所不同。 并非所有候选任务都适合自动化,审核人需要熟悉他们可能遇到的不同类型的结果。 确定的候选任务可以:

  1. 不显示预期任务
  2. 显示意外任务
  3. 将现实生活中的一项任务拆分为多个任务
  4. 部分捕获没有实际开始和结束的任务

1. 结果未显示预期任务

Unassisted Task Mining 应用一种算法来识别任务,这些任务可能适合自动化或流程优化。 不保证 AI 算法一定会检测到任何内容,它可能会检测到不完整的流程,甚至比预期的更大的流程。 通过按照本文档中提供的步骤操作,审核人可以确定已识别的任务是否适合自动化。 由于无法保证无辅助任务挖掘能够检测到已知任务,或者能够找出每个变体或迭代,因此不应仅将其用于监控已知任务。 Task Mining更适合记录或审核已知任务的用例。

2. 结果显示意外任务

Unassisted Task Mining 会识别候选任务,然后根据其作为自动化机会的潜力对这些候选任务进行排序。 某些结果可能并不代表现实中的端到端任务,但审核人仍可以根据本文档中介绍的步骤将其识别为良好的自动化候选者。

3. 结果将实际任务拆分为多个 Task Mining 任务

Unassisted Task Mining 算法会查找最常出现且一致的步骤序列。 根据用户执行任务的一致性,现实生活中的任务可能会拆分为多个任务。 一项任务的结束可能是下一项任务的开始。 该任务可能仍适合实施自动化或流程改进操作。 在这种情况下,我们建议将这些子任务导出到流程描述文档 (.docx)。

4. 结果部分捕获了没有真正开始或结束的任务

AI 算法会将最一致的步骤序列识别为任务。 根据执行任务的用户的差异,任务的中间部分可能比开始和/或结束部分更加一致,从而导致算法将此子任务而非完整的端到端任务检测为候选任务。

当任务的开始和/或结束涉及高度多功能的应用程序(例如 Outlook、Excel 等)时,很可能会发生这种情况。 这些应用程序可能会在多个任务期间使用,并且算法很难将它们的特定出现区分为任务的开始或结束。 在这种情况下,我们建议专注于大部分任务,而不是 100% 覆盖用户执行的所有单击。 如果该任务适合自动化,则可以在构建自动化时添加缺少的开始和/或结束。

确定要分析的任务的优先级

根据记录的数据,Task Mining 算法可能会识别许多任务。 因此,审核人必须确定要首先分析的候选项目的优先级,以免将时间浪费在不太可能适合自动化候选项目的任务上。 “ 结果 ”选项卡上的“ 分析概述 ”和“ 任务”表格视图 为此优先级提供了输入。

“结果”中的任务根据其成为合适的自动化候选者的可能性进行排序。 任务在列表中的排名越高,就越有可能成为良好的自动化候选者。 考虑到包括可重复性和复杂性在内的各种因素,Unassisted Task Mining 算法已将包含“任务 1”的任务确定为最佳自动化候选者。 但是,此排名并不表示 Task Mining 结果的整体质量,但相对来说,“任务 1”比“任务 10”更有可能是更好的自动化候选者。

根据默认排名分析任务时,可能会出现此任务具有高度自动化潜力,但端到端任务并不完全正确的情况。 在这种情况下,建议根据不同的排名检查替代任务候选者。 作为审核人,您可以通过选择“任务”表格视图中的列标题的排序图标来更改标准排名。 这使您能够根据不同的指标来识别具有高度自动化潜力的任务。 找到具有代表性的任务后,您可以选择该任务并将其标记为“收藏夹”。

专注于排名较高的任务。 一般来说,排名越高的任务质量就越高。 排名过去 10 或 20 的候选任务质量通常较低。

调查不同任务的指标。 每个任务都会显示不同的指标,例如录制用户在此任务上花费的总时间、已执行此任务的录制用户的数量、任务中操作数量的中值等。 在分析中考虑这些指标,并根据项目的业务上下文应用您自己的条件。

例如,如果某项任务的总持续时间追踪操作数量明显短于另一项任务,则可能表明该任务的自动化潜力较低。 但是,请注意,对于 AI 算法识别的所有任务的“总持续时间”应为多长,没有总体准则。 所有 Task Mining 项目总持续时间。 应始终在特定项目的业务上下文中解释这些指标。

使用“收藏夹”和“重命名”功能。 在确定不同任务的优先级以进行更深入的分析时,概述已确定优先级甚至已经分析的内容非常重要。 将任务标记为收藏夹并使用描述性名称重命名任务有助于构建分析。

分析单个任务

在审核人确定不同任务的优先级后,您就可以开始分析。 为指导审核人,以下部分首先提供分析过程中要牢记的一些见解,然后提供有关如何浏览分析视图的分步指南。

分析过程中的注意事项

这些步骤基于屏幕。 任务及其步骤在唯一用户界面/屏幕级别显示,不代表单独的单击或键入操作。 AI 算法通常会将同一屏幕上发生的多次单击或键入操作归为一个步骤。 因此,该图表不会显示每次单击或键入操作。

一项任务至少需要两个步骤(屏幕)才能被标识为此类任务。 要让 Task Mining 算法识别任务,任务需要包含明确的开始和结束步骤。 因此,仅在一个屏幕上执行的操作不会被识别为任务。

不同任务的步骤相同。 步骤未绑定到一项特定任务。 在一个任务中发生的步骤也可能在另一任务中发生。

PII 掩码算法可能会错误地掩码或不掩码为 PII。 个人可识别信息 (PII) 模块是一种 AI 算法,用于检测屏幕中的 PII。 算法可能会出错,某些 PII 可能未被屏蔽,或者非 PII 的文本可能被屏蔽。 这些错误取决于检测到的屏幕上文本以及文本本身的上下文。 如果 OCR 未准确捕获文本或部分文本被截断,则可能无法掩盖文本。 此外,如果屏幕上的其他文字不同,则相同的文本有可能在一个屏幕中被识别为 PII,而在另一个屏幕中则不是 PII。

如果在检查追踪时某个任务看起来毫无意义,则它很可能不是一个高质量的任务。 该算法可以检测有噪声和不相关的任务,尤其是对于任务排名中排名较低的任务。 这些任务可长可短。 在检查一些追踪后,一旦弄清楚这一点,则不应浪费时间尝试解释它们。

查找流程的主体(80/20 规则)。 这些任务可能与预期的现实任务并不完全相符,而只是部分地涵盖了其中的某个部分。 如上所述,根据记录执行任务的用户所采取操作的变化,任务的某些步骤可能比其他步骤更一致,从而导致算法仅检测任务的某些步骤,而不是完整的端到端结束任务。

无论缺少多少步骤,该任务可能仍适合自动化。 可以在构建自动化时添加这些遗漏的步骤。

滚动浏览结果。 任务追踪和步骤屏幕截图按时间顺序排序。 因此,建议滚动列表以查看多个点的结果。

分步分析

要仔细分析已发现的候选任务,请按照以下步骤操作。 这将有助于区分自动化候选对象和噪声。

  1. 分析任务候选者的开始步骤和结束步骤,以确定其质量
    • 选择一个变体,然后在变体中选择一个追踪。 这将激活任务图表,以显示此追踪中步骤的屏幕截图。
    • 选择一个步骤,屏幕截图随即会显示在屏幕底部。
    • 检查候选任务开始和结束步骤的屏幕截图,以了解录制用户执行的操作。 高质量的步骤是指所使用的应用程序和所执行的工作保持一致。 如果开始或结束步骤的屏幕截图显示许多不同的屏幕和操作,则意味着此候选任务的追踪不一致。 这表明该候选任务可能不适合自动化。
    • 屏幕截图按时间顺序排列,因此最好在列表的开头、中间和结尾查看屏幕截图。
    • 重命名步骤。这有助于您大致了解已审核的步骤。
  2. 打开并审核任务候选者的关键步骤
    • 选择一个变体,选择追踪,然后在图表中间选择一个步骤。 这使您可以检查步骤的屏幕截图。 一些不一致的步骤是可以接受的,但理想情况下,具有高度自动化潜力的候选任务在图表中间至少有一些高质量的步骤,这些步骤在大多数追踪中都很常见。
    • 重命名步骤。这有助于您大致了解已审核的步骤。

  3. 查看追踪
    • 追踪按时间顺序排列。 我们建议查看列表开头、中间和末尾的追踪。
    • 高质量的候选任务将包含许多看起来相似的追踪。 查找以下指标:

      • 追踪 在追踪中间具有相似的步骤
      • 业务角度来看,跟踪是有意义的。
      • 检查屏幕截图,以了解有关所处理项目的追踪信息在每个追踪中是否相同,但在追踪之间是否有所不同(例如,问题 ID、客户名称、发票编号等)。 请确保在正确的级别进行分析,因为一个发票编号可能会出现在多个追踪中,但每个追踪涵盖发票的不同行。
    • 如果您在分析跟踪期间确定 候选任务质量较差,则建议不要关注这些跟踪,而是转到优先级列表中 的下一个候选任务
    • 筛选出低质量跟踪。 即使是高质量的候选任务,也会包含一些低质量的追踪,这些追踪是算法出错的地方。 这些追踪通常比其他追踪长得多或短得多,并且包括噪音/不相关的操作。 通过应用搜索栏旁边的筛选器将其删除。 根据直方图调整筛选器以筛选出追踪。

      通常,高质量的追踪会在直方图中形成较大的隆起。 如果边缘有离开直方图主要部分的小峰值,我们建议使用滑块删除这些小峰值,并检查这是否改善了任务图和追踪。 步骤和操作计数非常低或非常高的追踪可能不是合适的任务候选者。

    • 如果所需的步骤未显示在图表中,则可以在“筛选器” 面板中筛选所需的步骤。

选择要进行自动化的任务后,我们建议您通过将所选任务导出到 Automation Hub 来提交自动化概念。

重命名步骤

重命名步骤有两个目的。 首先,它使步骤更易于解释。 其次,它可以让您区分高质量和噪声。 由于步骤可能出现在多个任务中,因此重命名步骤可以省去您在下一个任务中再次查看它们的麻烦。 一些最佳实践:

  • 高质量步骤:重命名为“应用程序名称 + 动词 + 名词”。 无法筛选应用程序,但可以筛选步骤名称。 当有多个应用程序用于该任务时,这会使分析更加容易。
  • “噪波”步骤:重命名为“噪波”。

此页面有帮助吗?

获取您需要的帮助
了解 RPA - 自动化课程
UiPath Community 论坛
Uipath Logo White
信任与安全
© 2005-2024 UiPath。保留所有权利。