07 Nov DISCOVERY: Análisis y Definición de modelos de decisión/explicación
07/11/2023 –
En el marco del proyecto DISCOVERY, se ha alcanzado un hito clave con la definición y análisis de los modelos de decisión y explicación. Esta fase es fundamental para comprender y optimizar la automatización de procesos, asegurando que las decisiones tomadas por los sistemas sean inteligentes, explicables y trazables.
Apoyo Financiero
Este proyecto tiene el apoyo financiero de la Unión Europea a través de los fondos Next Generation EU en el marco de la convocatoria de ayudas 2021 destinadas a proyectos de investigación y desarrollo en inteligencia artificial y otras tecnologías digitales y su integración en las cadenas de valor (C005/21-ED).
Modelo de decisión de DISCOVERY
En la mayoría de las soluciones de Automatización Robótica de Procesos (RPA), los bots ejecutan tareas siguiendo reglas predefinidas, pero no siempre es posible entender por qué se toman ciertas decisiones dentro del proceso. El módulo de descubrimiento de modelos de decisión de DISCOVERY permite:
- Analizar patrones de decisión mediante Machine Learning.
- Incorporar explicabilidad en la automatización, facilitando la auditoría de procesos.
- Optimizar la eficiencia en flujos de trabajo mediante la identificación de factores clave que influyen en las decisiones.
El enfoque propuesto por DISCOVERY se basa en el análisis de UI logs enriquecidos con información visual, permitiendo extraer datos más allá de las acciones de teclado y ratón. Utilizando algoritmos de inteligencia artificial, se generan modelos de decisión que explican qué elementos influyen en cada acción automatizada
¿Qué son los modelos de decisión en DISCOVERY?
Los modelos de decisión son estructuras basadas en algoritmos de aprendizaje supervisado que permiten identificar qué factores influyen en una determinada decisión automatizada. A diferencia de las soluciones RPA tradicionales, que operan con reglas fijas, DISCOVERY incorpora modelos interpretables, como los árboles de decisión, que facilitan la comprensión de los procesos automatizados.
Automatización inteligente más comprensible y optimizable.
1. Aprendizaje a partir del UI Log
El proceso comienza con el registro de interfaz de usuario (UI log), que captura eventos como clics, ingreso de datos y movimientos del ratón. Estos registros permiten identificar puntos de decisión dentro del proceso automatizado. Para su uso en aprendizaje automático, se convierten en un conjunto de datos estructurado, vinculando cada evento con la decisión tomada.
2. Creación del conjunto de datos etiquetado
La información se organiza en un formato adecuado para el entrenamiento del modelo. Se identifican los puntos de decisión, se estructuran los eventos previos en filas representando instancias del proceso y se asigna una etiqueta a cada decisión. Este conjunto de datos permite analizar las condiciones que llevan a cada resultado.
3. Generación del modelo de decisión
Con los datos etiquetados, se entrena un modelo de clasificación basado en árboles de decisión, que permite representar gráficamente el proceso, facilitar su interpretación y definir reglas que explican el comportamiento automatizado. El modelo desglosa las decisiones en nodos, identificando los factores clave que influyen en cada elección y las condiciones que llevan a un resultado específico.
4. Relación del Modelo con la Interfaz de Usuario (Trace-Back de Decisiones)
Una vez construido el modelo, se mapean sus reglas con los elementos de la interfaz de usuario. Esto permite visualizar los factores que influyen en las decisiones, identificar elementos clave como formularios o botones, y auditar y mejorar la automatización, asegurando que las decisiones sean comprensibles y ajustables.
Beneficios clave de esta metodología
- Mayor transparencia y auditabilidad en la automatización.
- Reducción de errores e incertidumbre en la toma de decisiones automatizadas.
- Mejora en la optimización de procesos al identificar los factores clave que afectan la ejecución.
- Facilidad de interpretación por parte de analistas y usuarios no técnicos.
Impacto en la industria y la administración pública
Con este avance, DISCOVERY está sentando las bases para una nueva generación de RPA cognitiva, mejorando la transparencia y eficacia en la automatización de procesos complejos en sectores clave como la administración pública, la gestión empresarial y la industria.