En el análisis de alternativas estamos recopilando todas las necesidades surgidas en etapas tempranas del proyecto DISCOVERY para la elaboración del framework, realizando de una forma estructurada el análisis de las diferentes necesidades tecnológicas y sus respectivas alternativas.

En primer lugar, se ha realizado un análisis de las herramientas de desarrollo necesarias y evaluando diversas opciones, se ha optado por usar Visual Studio Code para el desarrollo habitual programático, y Jupyter Notebook/JupyterLab para la parte de ciencia de datos.

Como framework base para la construcción y diseño de DISCOVERY, se decidió finalmente por la utilización de Django ya que, en este caso, se busca crear un proyecto con cierta envergadura.

Una parte importante de todo el proyecto son las herramientas de tratamiento y extracción de log de la operación del usuario (captura de UI Log ScreenActionLogger). Estos eventos capturados en logs por los loggers proporcionan una visión detallada de cómo las personas interactúan con los sistemas y aplicaciones en un entorno digital. Esto incluye cada acción realizada por el usuario, como los clics de ratón, las entradas de teclado. Estos registros actúan como una especie de «caja negra» que permite a los analistas y desarrolladores observar con precisión qué está sucediendo dentro de los procesos destinados a ser automatizados. De entre las opciones analizadas, se ha seleccionado la herramienta SmartRPA, por ser la que aporta mayor calidad que aborda las limitaciones de RPA actuales e implementa un logger de forma eficaz, lo cual suponer ser una solución bastante completa de la cual puede servir como punto de partida.

En cuanto a los sistemas de extracción de características, se ha decidido implementar OpenCV combinadas con modelos de clasificación CNN para una extracción más rápida, como SAM y modelos YOLO entrenados en conjunto de datos de elementos de interfaz de usuario para una extracción más precisa.

Uno de los retos del proyecto son la gran cantidad de datos recopilados y extraídos al monitorear los comportamientos de los usuarios, que pueden resultar inmanejables. Este problema se intensifica al considerar el contenido de los UI Logs, lo que típicamente genera un gran número de características proporcional a los elementos de la UI. Actualmente, las aproximaciones existentes utilizan todas las características visibles en la pantalla, complicando así el proceso de análisis ya que la presencia de información irrelevante o ruido puede hacer que se pierdan perspectivas significativas. Para abordar este reto se utilizarán en el proyecto DISCOVERY técnicas de eye-tracking. Tras la realización de un análisis de las herramientas disponibles, se decidió la utilización de la herramienta Webgazer.js, debido a su buen funcionamiento, a la disponibilidad de la calibración específica que conlleva, a la facilidad de integrarse con el ecosistema del proyecto DISCOVERY y su naturaleza Open Source.

Posteriormente, se realizó un análisis para encontrar los modelos de Inteligencia Artificial (IA) y Machine Learning (ML) para desvelar cuales son las condiciones que se toman en un proceso mediante modelos explicables/interpretables y técnicas de explicabilidad. Es importante combinar técnicas con modelos para una comprensión profunda y detallada de cómo funciona el modelo en sí, así como una explicación clara de las predicciones individuales. Los modelos árboles de decisión como los Gradient Boosting Trees (GBT) , junto con la técnica de explicabilidad SHAP, han sido los modelos de aprendizaje elegidos para las distintas aplicaciones en el proyecto DISCOVERY.

Finalmente, una vez estudiadas todas las opciones y alternativas de plataforma RPA, se ha decidido recurrir a la solución Robocorp.