猪猪のAI笔记
  • README
  • 读书笔记
    • 1.特征工程
      • 1.1.数值空间
      • 1.2.文本数据
      • 1.3.词袋到TF-IDF
      • 1.4.分类变量
      • 1.5.数据降维：PCA
    • 2.自然语言
      • 2.1.处理文本的机器
      • 2.2.词频背后
      • 2.3.神经网络基础
      • 2.4.Word2Vec,词向量推理
      • 2.5.神经网络深入
    • 3.神经网络
      • 3.1.绪论
      • 3.2.机器学习
      • 3.3.线性模型
      • 3.4.前馈神经网络
      • 3.5.卷积神经网络
      • 3.6.循环神经网络
      • 3.7.网络优化
      • 3.8.注意力机制/外部记忆
      • 3.9.无监督学习
    • 4.XGboost
      • 4.1.基础和初探
  • 课程系列
    • CDA III
      • 1.数据挖掘
      • 2.特征工程
      • 3.自然语言
      • 4.神经网络
      • 5.支持向量机
      • 6.集成学习
      • 7.朴素贝叶斯
      • 8.决策树
      • 9.聚类
      • 10.模型评估
      • 11.关联规则
      • 12.计算题知识点
      • 13.计算题分析
    • 题库分析
      • 深度学习
      • 机器学习-01
      • 机器学习-02
      • 机器学习-03
      • 机器学习-04
      • 机器学习-05
      • 机器学习-06
      • 机器学习-07
      • 机器学习-08
      • 机器学习-09
      • 机器学习-10
      • Level III模拟（一）
      • Level III模拟（二）
    • 知识点
      • Transformer模型
      • ELMO,BERT,GPT
      • 正则化之L1,L2
      • 距离详解
    • K-RPA
      • RPA行业展望
      • 命名规范和开发原则
      • 脚本向导编程
      • K-RPA异常处理
      • K-RPA文件/目录操作
      • （高）K-RPA环境
      • （高）K-RPA命名规范和开发原则
      • （高）K-RPA脚本向导编程
      • （实）01：安装K-RPA
      • （实）02：脚本向导编程
      • （实）03：完整案例
      • （实）04：文件和集成
由 GitBook 提供支持
在本页
  • 1. 基本介绍
  • 2. 数字员工
  • 3. RPA

这有帮助吗？

  1. 课程系列
  2. K-RPA

RPA行业展望

1. 基本介绍

    数字中国目标

  • 数字产业化

  • 产业数字化

  • 数字化治理

  • 数据价值化

    中国市场存在对数字员工（RPA）的巨大需求

  • 国家政策支持

  • 海外成功经验

  • 人口红利消退

  • AI技术商业化

  • 企业需求巨大

    新生产力、生产要素、生产工具、生产关系。

2. 数字员工

  1. 人不想做的重复工作

  2. 人做不好的复杂工作

  3. 人做不了的大数据分析

RPA + AI + 大数据

  1. 软件机器人中心

  2. 资源共享中心

  3. RPA控制中心

  4. AI能力中心

    数字员工价值体现

  • 执行效率高

  • 人机写作用工新模式

  • 降低技术门槛

  • 对结果负责（杜绝操作风险）

3. RPA

    Robotic Process Automation，机器人流程自动化。

  1. 全面自动化的应用

  2. 对原系统零改造

  3. AI快速应用落地

    案例分析

  1. 智能录入

  2. 智能采集

  3. 智能报备

  4. 智能人事

  5. 智能视控

  6. 智能问答

  7. 智能运维

上一页K-RPA下一页命名规范和开发原则

最后更新于2年前

这有帮助吗？