智能自动化是一个技术类别，它将人工智能（AI）能力（如机器学习和自然语言处理）与机器人流程自动化（RPA）相结合，以实现端到端业务流程的自动化。与传统RPA遵循固定规则不同，智能自动化系统能够处理非结构化数据、从模式中学习并做出基于上下文的决策，使组织能够简化此前需要人工判断的操作。
该术语在2010年代末期随着企业寻求超越简单任务自动化而逐渐流行。它代表了多个AI子领域的融合，包括机器学习、深度学习和生成式AI，与流程自动化工具相结合。智能自动化平台通常结合计算机视觉来读取文档、语言模型来解释文本，以及决策引擎来路由工作，所有这些都由软件机器人协调。
核心组件
智能自动化建立在三个基础层之上。第一层是流程自动化，处理重复性、基于规则的任务，如数据录入或发票处理。第二层是AI增强，其中神经网络模型分析数据模式以预测结果或分类输入。第三层是认知参与，使用大型语言模型通过聊天或电子邮件与用户互动，理解意图并生成响应。
典型部署可能使用光学字符识别从扫描发票中提取文本，使用机器学习模型对费用进行分类，并使用自动化工作流更新会计系统。AI组件根据新数据持续优化其准确性，这一能力被称为持续学习，它将智能自动化与静态自动化脚本区分开来。
与人工智能的关系
智能自动化通常被视为人工智能研究的实际应用。学术AI侧重于推进算法，而智能自动化强调在真实商业环境中的部署。它利用了Transformer架构的突破，该架构支撑了现代语言模型，以及残差网络设计，后者提高了图像识别准确性。
所使用的关键AI技术包括用于分类任务的监督学习、用于优化决策策略的强化学习，以及数据增强，以在有限训练数据下提高模型鲁棒性。该领域还借鉴了课程学习策略，即模型在逐渐困难的示例上进行训练，模仿人类工作者学习复杂过程的方式。
商业应用
智能自动化在金融、医疗保健和客户服务领域得到广泛采用。在银行业，它通过分析信用记录和财务报表来自动化贷款承销。在医疗保健领域，它处理保险索赔并协助临床文档编制。直觉外科和其他医疗技术公司在外科辅助机器人中使用类似原理，其中AI支持精度和决策。
客户服务运营采用智能虚拟代理来处理常规查询，将复杂案件升级给人工，并从每次互动中学习。供应链管理使用预测分析来预测需求并自动化库存补货。2023年一项行业调查显示，超过60%的大型企业已部署至少一项智能自动化计划，自动化流程的典型成本降低幅度为20-30%。
发展与挑战
主要技术提供商提供智能自动化服务。亚马逊网络服务提供AI驱动的工作流工具，而Azure和谷歌云提供类似功能。像UiPath这样的专业供应商则专注于这一细分领域。该市场增长迅速，预计到2025年全球支出将超过300亿美元。
挑战包括数据质量问题、与遗留系统的集成以及变更管理的需求。组织必须确保AI模型在代表性数据上进行训练以避免偏见。模型剪枝和其他优化技术有助于在资源受限设备上部署模型，从而实现边缘自动化。当AI系统处理敏感数据时会出现安全问题，需要健全的治理框架。
未来方向
智能自动化的发展与生成式AI的进步密切相关。大型语言模型使更自然的人机交互成为可能，允许用户用自然语言描述流程，系统将其转换为自动化工作流。这种“对话式自动化”减少了对专业编程技能的需求。
麻省理工学院计算机科学与人工智能实验室和斯坦福AI实验室等机构的研究探索了能够在最少监督下规划和执行多步骤任务的自主代理。随着AI模型变得更加高效，智能自动化预计将渗透到中小企业，使先进流程优化的获取更加民主化。