大模型+RPA重塑人才管理,释放10人月生产力丨创新场景

  ITValue

痛点

在新质生产力成为发展重点的当下,中国有越来越多的企业逐渐从劳动密集型转向高新技术型。在此阶段,企业需要转变人力资源架构,让知识型、战略型人才成为企业的核心力量,将更多的精力放在“人才管理”。

“千里马常有,而伯乐不常有”,好的人才也需要独具慧眼的伯乐,才能“发光发热”,在当下,“伯乐”就意味着一套完善的、智能的数字化人才管理解决方案。

单以面试场景为例,企业需要一线业务、HR、管理层等进行多轮的交叉面试,并需要面试官形成面试纪要,短时间内的频繁面试耗时、耗力,且缺少面试信息的沉淀,这些痛点已经成为困扰HR,无法提升工作效率的存在。

除此之外,在选择人才、培养人才的过程中,企业如何更高效的获取优质人才?如何在公司内部挖掘出更有潜力的人才?在定岗的过程中如何选择更适配的人才?如何让更多有潜力的人才得到合适的培养?诸如此类问题成为企业在HR数字化赛道的共性需求,利用技术解决这些问题成为了HR数字化这个红海中的“蓝海”。

解决方案

日前,东软正式发布TalentBase 数智人力资本管理产品,基于人工智能大模型,融合LLM(Large Language Model,大语言模型)与RPA(Robotic Process Automation,机器人流程自动化)等技术,打造了一个集自动化、智能化、实时化于一体的人才管理平台,运用标签体系、胜任力模型、领导力模型、高绩效画像、人才画像、人岗匹配、人才盘点等技术。在架构层面,TalentBase构建“定标-对标-达标”的全生命周期人才管理价值链。

在AI大模型应用层面,新一代TalentBase主要围绕四个方面进行了创新性的AI大模型能力的落地,分别是:客服、助理、导师和顾问四个场景。

以导师场景为例,员工可以根据自身情况,提交学习、培训需求。基于底层企业级知识图谱,并植入了AI大模型的能力,更快、匹配度更高的为员工的培训与成长提供智能化的赋能。TalentBase提供市面上主流大模型产品接入的能力,还可通过本地私有化部署,在确保企业核心数据安全的前提下,搭建更丰富、便捷的员工培训体系。

在客服场景中,采用大语言模型的能力,可快速进行面试的邀约、确认,以及面试后打分、综合考评、反馈,涵盖了从企业招聘名额审批,到最终招聘面试的全流程,而且场景已经能够与外部的招聘平台进行数据连接。

在助理场景中,当一名员工通过面试入职以后,员工可以与企业数字员工不限时间(7x24小时)的进行交互,询问其有关薪酬、公司制度等方面的问题。在日常工作中,员工可以通过该助理询问假期,执行请假等流程审批操作,提升了整体人事管理的效率。

在导师场景中,员工可以根据自身情况,提交学习、培训需求。TalentBase可以更快提供匹配员工的培训,同时并提供市面上主流大模型产品接入的能力,还可通过本地私有化部署,在确保企业核心数据安全的前提下,搭建更丰富、便捷的员工培训体系。

在顾问场景中,企业管理层可以根据对所有员工的数据分析,通过大模型的能力进行辅助决策。在有新岗位、新项目需要调岗支持的时候,通过大模型的能力,可以更好、更快地的匹配到合适的人员。

成效

目前,新一代TalentBase产品已经在东软集团内部得以全场景应用,并在部分重点客户侧有一些部分应用落地。

据了解,在内部应用过程中,10位数字员工产出10人月绩效。应用RPA、大模型等技术,通过数字员工和人类员工的人机替代/增强组合,识别包括情报获取、员工服务、学习发展、访谈诊断等关键场景。已节约人力成本约10人月,平均投入产出比约为30。

以考勤场景为例,HR伙伴上线3个月,累计创建工单(机器人客服+人工客服)8092个,机器人客服拦截率97%。转人工后用户满意度调查好评90%。 

「关于创新场景50」

场景不是案例,它更加精准、也更加抽象。数字化就是创新场景的不断叠加和迭代。

在此背景下,钛媒体重磅推出「创新场景50」评选,每年遴选并解读50个全行业与业务深度融合的创新性场景及其解决方案,并在钛媒体年度ITValue Summit 数字价值年会上隆重颁奖、深度交流。

目前场景正在征集中,更精准的解读、更广泛的曝光、更强大的品牌势能,欢迎你提出问题,更欢迎你留下解决的方法和工具。点击阅读原文投递更多场景信息。


*温馨提示:喜欢ITValue公众号的小伙伴注意啦!根据公众号推送新规,请将ITValue设为“星标”,这样才能第一时间收到推送消息,已设置的小伙伴还需要重新设置“星标”

我知道你在看哦

5d9b7f934967af8365cfa81255fa3c89.gif

<think>好的,我现在需要帮助用户了解如何将AI技术集成到RPA中以提升自动化能力。首先,我需要回顾用户提供的引用内容,看看有哪些现有的信息可以利用。根据引用[1],AI技术是当前RPA热潮背后的推动力,所以结合AI和RPA是关键。引用[2]提到原先的RPA分为无值守和有值守,而AI的加入带来了自我认知的自动化,能够处理非结构化数据和决策。引用[4]中的例子,如科大讯飞的IPA报账机器人,展示了RPA+AI在财务中的应用,说明实际应用案例。 接下来,我需要组织回答的结构。用户希望了解集成的方式,可能需要分步骤或分模块说明。根据引用[2]和[4],AI主要增强了RPA在处理非结构化数据、决策能力和学习优化方面的能力。因此,可能的实现方式包括自然语言处理、机器学习模型、计算机视觉等技术的应用。 另外,引用[5]提到了RPA在多个领域的应用,结合AI后这些应用场景会更广泛。例如,财务中的发票处理可能需要OCR(计算机视觉)和NLP来理解文本内容。此外,流程优化和预测分析可能涉及机器学习模型,如预测维护或客户行为分析。 需要注意引用中的具体例子,比如引用[4]中的财务报销案例,需要将其作为实例来说明AI如何提升RPA的能力。同时,引用[3]指出RPA是模拟类操作,因此AI的集成可以让RPA更智能地处理复杂任务,比如决策或适应变化。 可能需要分点回答,例如技术融合方式、实现步骤、应用场景等。确保每个部分都有引用支持,比如处理非结构化数据引用[2],决策能力引用[4],应用场景引用[5]。 还需要考虑用户可能的后续问题,比如具体的实施步骤或技术挑战,因此在回答中可以适当提及这些方面,但主要聚焦在如何集成的方法上。 最后,生成相关问题,引导用户深入探讨,比如技术挑战、行业案例或实施工具等。</think>### AI与RPA的集成方式及实现步骤 将AI技术融入RPA机器人流程自动化)的核心在于**扩展其处理非结构化数据、复杂决策和动态学习的能力**。以下是具体实现方式与技术要点: --- #### 一、技术融合方向 1. **自然语言处理(NLP)** - **应用场景**:自动解析邮件、合同或客服对话中的文本信息。 - **实现方式**:集成NLP模型(如BERT、GPT)到RPA流程中,例如自动提取发票关键字段$(\text{金额、日期、供应商})$[^4]。 - **示例**:财务报销机器人通过OCR识别发票图片,再调用NLP模型提取结构化数据,自动填充报销系统。 2. **计算机视觉(CV)** - **技术需求**:结合OCR(光学字符识别)和图像分类技术。 - **实现步骤**: $$ \text{RPA流程} \rightarrow \text{调用CV接口处理扫描文档} \rightarrow \text{返回结构化数据} \rightarrow \text{执行后续操作} $$ - **案例**:医疗领域的患者病历数字化,RPA机器人自动识别手写医嘱并录入系统[^5]。 3. **机器学习与预测分析** - **功能增强**:通过历史数据训练模型,实现异常检测或预测性决策。 - **示例**:供应链管理中,RPA结合时序预测模型$(\text{如ARIMA})$,自动调整库存采购量[^2]。 4. **知识图谱与推理引擎** - **作用**:处理复杂规则(如法律合规审查),通过图谱关系推理生成决策路径[^2]。 --- #### 二、典型实现架构 ```plaintext +---------------+ | AI服务层 | ← 提供NLP/CV/ML模型API +---------------++-----------------+-----------------+ | RPA流程引擎 | | | 1. 数据采集 | 3. 调用AI接口 | | 2. 预处理 | 4. 执行决策逻辑 | → 自动化操作(如系统录入、邮件发送) +-----------------------------------+ ``` --- #### 三、关键实施步骤 1. **需求分析与场景选择** - 优先选择**高重复性且依赖非结构化数据输入**的流程,例如合同审核、报表生成[^5]。 2. **技术栈集成** - 使用Python或Java编写RPA脚本,通过REST API调用AI云服务(如Azure Cognitive Services、阿里云视觉智能)。 3. **动态学习优化** - 部署反馈循环:将RPA执行结果返回至AI模型,持续优化准确率。例如,OCR识别错误时自动标注并重新训练模型[^2]。 --- #### 四、应用场景实例 - **力资源**:AI+RPA自动解析简历$(\text{NLP})$,匹配岗位JD并生成候选评分。 - **客户服务**:聊天机器人$(\text{NLP+知识图谱})$自动处理咨询,仅将复杂问题转接工[^2]。 - **制造业**:通过图像识别检测产品缺陷,触发RPA流程记录质检结果并通知维修。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值