一、人工智能

近年来，人工智能的相关技术已逐渐成熟，机器学习、模式识别、光学字符识别（OCR）、自然语言处理（NLP）等技术在处理非结构化数据、挖掘各因素内在关联、大规模的表型数据处理等任务中具有一定优势。RPA与人工智能结合，旨在发挥RPA高效处理基于特定规则的业务的优势，以及人工智能在非结构化文本和大数据处理、情感分析、高级决策领域的潜能，进一步优化业务处理流程。

图6-1展示了基于机器学习和软件机器人的文件自动处理流程：文件中的信息入库前需要进行预处理，部分文本需要经过OCR，转化为机器可读格式，如支付凭证；还有部分非结构化文本需要通过NLP转化为结构化数据，以便存入关系型数据库和开展后续分析。以电子病历为例，医生在填写患者病情时常常遵循非结构化语句，如“张小萌为中年女性，因‘咳嗽、发热2天’入院，既往有双侧乳腺手术史”。可想而知，如果进行电子病历大规模筛查，统计人员还需逐条逐句提取关键信息。因此，通过NLP对文本信息进行结构化抽取，并进行实体关系标注可极大降低人力投入、提高工作效率。(https://www.daowen.com)

上述病历经处理后，提取出关键字段——姓名、性别、入院病情、既往手术史等信息，再分别导入数据库。RPA可根据任务需求从数据缓存区读取数据，并根据实际情况进行数据处理，如清洗、加密、匹配等。业务人员将对结果进行审核，将符合标准的数据上传至业务系统，并将数据集导入模型进行训练，以提升RPA后续数据处理质量。