应用分析网站,免备案免费空间,厦门网站开发公司哪家好,网上推广方法有哪些生成式AI对各领域有很大影响#xff0c;一个方面在于它改变了很多固有业务的工作流。 工作流#xff08;Workflow#xff09;是业务流程的一种实现方式#xff0c;一个业务流程往往包含多个工作流范式以及相关的数据、组织和系统。 因此#xff0c;提及工作流必然离不开业…生成式AI对各领域有很大影响一个方面在于它改变了很多固有业务的工作流。 工作流Workflow是业务流程的一种实现方式一个业务流程往往包含多个工作流范式以及相关的数据、组织和系统。 因此提及工作流必然离不开业务流程。 业务流程Business Process是为达到特定价值目标而由不同的人分别共同完成的一系列活动是企业用来实现目标的可重复步骤集合。 使用业务流程可以帮助组织提高客户满意度和提高对快速市场变化做出反应的敏捷性。同时面向流程的组织打破了结构部门的障碍并能够避免功能孤岛。良好的业务流程对于朝着目标取得进展和改善业务运营至关重要。 随着业务规模的不断壮大组织的业务流程往往变得过于庞大和复杂。这时就需要自动化工具的帮助和管理由此诞生了业务流程管理BPMBusiness Process Management这种流程管理方法论。 BPM是一种结构化方法用于改进组织用于完成工作、服务客户和产生业务价值的流程。它使用各种方法来改进业务流程包括分析业务流程、对业务流程在不同场景中的工作方式进行建模、实施更改、监视新流程等并不断提高其推动所需业务成果和结果的能力。 用以支持自动改进业务流程并支持组织大规模业务变更的业务流程管理软件被称作BPM软件、套件或系统BPMSBusiness Process Management Software\Suite\System它是不同类型的技术的集合包括流程挖掘工具、用于绘制业务流程图的BPMN工具、工作流引擎及模拟和测试工具等。 近年来随着AI等技术的进一步发展新型技术被引入和集成到BPM软件中BPMS也进化成了智能BPMSIBPMS此概念由研究公司Gartner创造并将低\无代码 LCNCLow Code No Code及RPA等技术纳入其中。 此外还发展出了用于分析业务流程及操作工作流中各个步骤的新一代流程智能Process Intelligence以帮助组织识别流程瓶颈并提高运营效率。 随着市场需求的进一步扩大最近几年AI等技术已在深度影响BPM这些技术为发现、设计、测量、改进和自动化工作流提供了新的方法。而在今年大语言模型LLMLarge language Models 爆发后BPM又在积极引入生成式AI技术以及基于大语言模型进行各种探索与演化。 BPM遇到生成式AI发生了什么变化生成式AI为行业带来了哪些影响大语言模型时代的BPM又该是怎样的
01 生成式AI带来的BPM范式转变
竞争日益激烈的现代商业世界中BPM和流程智能是决定公司成功成败的重要组成部分。 BPM主要涉及现有业务流程的识别、设计、执行、文档和监视它旨在使这些流程尽可能有效和高效常用的工具和方法包括六西格玛、精益管理和BPMN业务流程模型和表示法。 流程智能可以看作是BPM的分析大脑如果说BPM担当“怎么做”流程智能就担任了“怎么知道”。它涉及了仔细检查大量过程数据以收集可以导致智能决策的见解。 传统的流程智能方法依赖于手动审核、数据分析和专用软件来可视化和评估过程效率。而AI技术的应用特别是生成式AI重新定义了这些领域的基础为BPM带来了范式转变。 生成式AI是人工智能的延伸专注于创建新的数据模型、自动化工作流程甚至预测算法。这项技术以神经网络和机器学习算法为基础颠覆了传统的BPM和流程智能技术。 传统BPM和流程智能方法是手动、线性和孤立的生成式AI则提供了自动化、高度自适应和集成系统的可能性这些系统可以随着时间的推移而学习和发展。 在BPM中生成式AI可以在几秒钟内自动模拟数千个流程路径以确定最高效和最有效的路径。这与精益或六西格玛等传统方法形成鲜明对比后者可能需要数周或数月才能产生优化结果。 麦肯锡的一项研究表示将生成式AI集成到BPM实践的公司运营成本降低了多达20%。 在流程智能领域生成式AI也取得了重大进展。 数据分析通常涉及数据科学家手动制定要分析的假设和模型。生成式AI可以根据现有数据自动生成这些模型从而减少分析所需的时间和人为错误。Forreste的一份报告表明使用AI增强型流程智能的组织在识别流程方面比传统方法快50%。 因此生成式AI不只是添加到现有BPM和流程智能库中的工具更改变了人们理解、分析和实施业务流程的方式代表了一次重大的范式转变。 借助生成式AI组织将获得植根于自适应智能和无与伦比的效率的竞争优势。
02 基于价值链的生成式AI流程应用
以往我们分析生成式AI的对业务流程的影响主要探索技术对某些业务场景的变革这是一种节点式的观察。如果我们把这些节点缩小将目光整体放到企业价值链上就会有更多的发现。 企业价值链是以企业内部价值活动为核心所形成的价值链体系它由一系列为顾客制造价值的活动和功能组成能够展示企业的设计、生产、营销、运输等为顾客创造价值的一系列活动、功能以及业务流程之间的连接情况。 探索生成式AI如何影响企业价值链能够了解其对企业经营更深层次意义。 我们可以从端到端业务流程入手构建一个价值链生成式AI应用示意图并在上面重点标注重复模式的子流程和任务这些标注的业务流程可以视作应用生成式AI的重要指标。 当标注工作完成后可以将这些已标注流程大概分为三种类型。 第一种类型与生成式AI增强客户数字体验的潜力有关。这是通过使用自然语言与软件交互、客户支持自动化和信息对话检索来实现的。 第二种类型涉及生成式AI协助业务流程和知识管理的内容创建带来的潜在好处。这些业务流程一般会通过生成流程模型定义比如重新设计招聘流程等、在业务流程上下文中生成实际内容比如自动创建的职位描述等以及详细阐述文档和数据比如总结客户支持交互等来实现。 第三种类型与生成式AI提高专业和公民开发人员的速度和有效性的能力有关。这些业务流程是通过从自然语言生成代码、代码自动完成和自动生成文档来实现的。 需要说明的是对于适合应用生成AI的任务关键在于分析任务中所涉及业务角色的“当天生命周期”可以更清晰地了解当前任务进行的细节、差距、问题以及更广泛的背景。 比如分析物流小哥一天中的业务如果他们的任务从手动输入送货单转变为通过人工智能处理的简单地验证送货单将会大幅加快送货单的处理时间。 这种方法也可以称作业务驱动的生成式AI应用。 用业务驱动的方法来识别业务流程中生成式AI的应用领域可以为企业带来宝贵的见解和机会。而通过分析端到端业务流程并创建重复模式的热图组织可以确定有效利用生成式AI 的业务流程位置。
上面列出的三种基本类型主要用于改善数字体验、协助内容创建和知识管理以及提高开发人员的速度和效率能为广大组织探索生成式AI的高效应用奠定坚实基础。 当然为了确保这种方法的成功实施必须分析任务、了解挑战、将场景与目标联系起来设计工作流、用户体验以及与 AI 功能和业务逻辑的数据集成还需要进行健全性检查以确保安全性、隐私合规性和整体可行性。
03 生成式AI对业务流程的增变量
大家都清楚应用程序方案应该链接到明确的业务目标和组织范围。一旦建立生成式AI在业务流中的应用关系就可以设计与构建业务流程了。 这其中有一些步骤将基于常规与规则的业务逻辑从企业应用程序和其他来源检索数据还有一些步骤将是可以被AI功能取代的任务。 除了流程工作流之外还需要设计用户体验和利用现有数据和潜在新数据的方法。 例如可以考虑从企业系统中检索有关作业配置文件的一些数据使用该数据构建生成式AI服务的输入以生成建议的作业配置文件描述然后将其存储在同一个企业系统中。 这里有一个加快生成式AI业务方案设计的方法就是将融合AI技术的业务流程视为构建各种功能模块将AI功能与常规业务逻辑相结合。 这些功能构建块可以包括文本摘要、翻译、情绪分析、问题和答案、图像编辑、文本到图像生成等功能。例如在客户满意度分析流程的上下文中可以使用摘要AI功能来查看社交媒体帖子和其他数据源然后应用情绪分析AI功能来生成验证记录的净推荐值分数的输出。 采用这种将AI功能和业务逻辑相结合的机制业务解决方案将会演变为两类增量和变革。 增量解决方案用以优化现有流程或产品以提高盈利能力变革性解决方案则引入了从根本上重塑业务运营或行业的突破性方法。 来看两个例子。 使用生成AI的增量解决方案的例子可以聚焦用于营销目的的内容生成它可以让企业无需再花费数小时为社交媒体、博客文章或时事通讯创建引人入胜的内容。借助生成式AI根据特定参数快速起草或建议内容可以节省时间和资源提高效率并降低成本。 变革性的解决方案案例可以看看人工智能驱动的个性化教育平台。与标准课程不同人工智能平台可以根据每个学生的表现和兴趣定制学习材料从业务流程上彻底改变教育架构。 当然选择增量还是变革性解决方案很大程度上取决于企业的特定需求、能力和战略愿景需要组织结合自身业务属性与适配资源因地制宜。
04 业务驱动生成式AI的优势
将生成式AI集成到BPM和流程智能中不仅仅是增量和变革它还代表了组织如何管理、优化和创新其运营的巨大转变。
这些转变主要表现在以下几个方面 流程优化生成式AI可以模拟许多流程路径使企业能够确定最有效的路线。比如通过人工智能生成的模拟将订单到现金的周期时间缩短多达15%变得可行。 工作流程自动化能够创建新的自动化工作流程的人工智能算法可以增强客户服务运营如自动工单等流程可将时间缩短25%。 资源分配该技术可实现动态资源分配例如实时调整制造计划从而将停机时间减少10%。 增强的数据分析生成式AI可以创建新的数据模型或假设从而获得更好的见解。一个引人注目的案例是预测性维护模型该模型将工厂停机时间减少了多达20%。 决策支持由生成式A1提供支持的高级决策支持系统(DSS)可以改善战略规划。数据显示情景规划模型将市场进入成功率提高了18%。 实时智能该技术允许实时报告和洞察例如将物流成本降低12%的供应链仪表板。 挑战和解决方案虽然该技术具有变革性但其成功实施需要应对各种挑战包括数据隐私、技术要求和变更管理。 当然其中的大部分挑战都可以通过战略规划及框架、技术补齐来克服。
05 从FM到LLM
20211斯坦福大学的研究人员首次提到了基础模型FMFoundation Models以总结机器学习模型的新水平与迁移学习的概念密切相关。 他们将基础模型定义为一种在大量原始数据的基础上通过无监督学习训练而成的AI神经网络可适应各种任务并把transformer模型、大型语言模型和其他仍在构建的神经网络都归入到这个被他们称之为基础模型的重要新类别中。 基础模型是在广泛的数据集上训练的这些数据集可以在很大程度上进行调整这使得只需非常小的训练样本集就可以将它们专门化为某个利基产品或应用案例。
传统的机器学习方法需要大量的训练数据收集和准备此类数据非常耗时成本高投入大量时间。拥有一个预先训练的基础模型并且只针对专业化对其进行微调可以降低构建新模型的运营成本为新的业务用例开辟无数的机会。 LLM是在大量文本数据至少由数十亿个参数组成上训练的基础模型只需要给定自然语言描述的提示LLM可以生成文本并执行基于文本的任务。 随着ChatGPT的上线基于LLM的各种应用也爆发式涌现并且迅速影响BPM在内的企业管理软件同时BPM技术合集中的各项子集技术也都在快速融合生成式AI。
06 从LLM到LPM
虽然通用LLM已经增强了文案写作、图文设计等日常知识工作但软件工程、金融和人力资源等领域的专用模型的训练、融合及应用仍然需要大量的培训。 由于LLM是基于统计的工具它重用了大量通常策划不佳的人工生成文本的语料库因此很多行为是不可预测的输出的结果经常不符合逻辑以至无法使用。这种情况限制了LLM在很多商业环境中的适用性。 从结构上讲流程模型是逻辑语句因此许多基于LLM技术的进步可以在流程管理领域利用。LLM可以训练广泛的知识用户可以用它编写食谱、撰写剧本、绘制图片等。但是如果用户问“生产流程中最大的问题是什么”这样的问题一般得不到想要的答案。
特别是在BPM和流程智能中决策对业务运营具有重要的影响深度学习并无法担任可靠的、可信的和可操作的智能助手。 所以LLM能否应用于业务流程管理空间一直以来都是智者见智。 在这个背景下为了促进BPM的进一步智能化需要将LLM或更广泛的基于基础模型的方法与符号数据管理如知识图和自动推理方法集成。 同时为了推进生成AI时代BPM软件技术基础的整体认知在论文《Large Process Models Business Process Management in the Age of Generative AI》中来自SAP的Timotheus Kampik以及来自曼海姆大学、墨尔本大学及慕尼黑工业大学等教育机构的研究人员提出了大型过程模型LPMLarge
▲ LPM的概念性体系结构来源LPM论文 LPM被设想为一个神经符号软件系统neuro-symbolic它集成了专家积累的流程管理知识和组织如何运行流程的精确数据与生成式AI和统计以及符号推理方法从而融合了流程数据和知识。 给定流程数据在一个事件日志或关系格式LPM自动识别特定流程的领域以及组织的上下文然后生成见解和行动建议使用一组工具过程设计、分析、执行和预测。 经过微调和增强通用LMM 实现的LPM通过与经典算法工具和结构化数据的安全和健全的集成可以提供在以往设置中不会被发现的业务流程新见解大大提高了流程的可观察性。
▲ 通过对流程信息的专业化将LLM提升为LPM来源SAP官网 基于LPM用户可以访问非结构化和半结构化组织知识能够利用来自数千名专家的数十年流程经验的非常宝贵的专业知识以及数千个组织的多年绩效数据还能通过特定于上下文的、自动定制的流程和其他业务模型、分析深入探讨和改进建议进行进一步微调和增强从而大大减少生成业务流程见解所需的时间和精力。
07 LPM对业务流程管理软件的影响
从各项应用表现来看LPM将会成为智能流程管理的主要推动者同时LPM也将增强软件能够增强或提供新的业务流程管理功能。 对于LPM对BPM软件的影响已经在应用LPM的SAP总结了以下几点
利用情境化知识促进自动化流程分析 LPM能够利用大量的组织知识支持增强流程分析能力例如生成流程自动化建议以及结构流程改进建议。通过将非结构化流程信息转化为洞察力来扩展流程智能领域 LPM可以帮助直接从组织中丰富的非结构化流程信息和数据中生成业务流程模型和流程分析可以大大减少理解和改进流程和操作所需的时间和精力。在人为控制下实现持续改进的自动化 基于 LPM 的方法激增这些方法自动生成人工可解释和可验证的分析查询将它们编译为自动定制的深入过程调查。基于此流程变更操作可以自动推断并以人机交互的方式触发以在更短的时间内改进流程操作。面向自动驾驶组织的企业通用人工智能 围绕LPM的算法工具箱不断扩展以便LPM可以根据过去的表现自动调整其推理并进一步增强数据和知识语料库实现由企业通用智能实现的完全自动化组织的愿景。
08 后记BPM融合生成式AI的未来
随着LLM的不断发展与完善BPM领域已经出现很多有意思的应用程序。借助生成式AI用户无需任何特殊专业技能即可快速、轻松地生成内容使用自然语言运行任务可能比学习和导航系统要容易得多。 毋庸置疑融合生成式AI的BPM用途是非常广泛的这点从麦肯锡发布的研究文章《Generative AI is here:How tools like ChatGPTcould change your business》就能体现出来回复 LPM 获取该文章PDF文件。 在这篇文章中麦肯锡预测了生成式AI在营销和销售、运营、IT/工程、法务、人力资源和公用事业/员工优化等领域的预期价值创造。 下图来自这篇文章可以看到生成式AI适用的这些领域大部分应用场景也能看到BPM的身影。在这些不同的应用领域可以看到生成式AI能够作为BPM用户处理特定任务的助手这也意味着融合生成式AI的BPM的广阔应用前景。
虽然生成式AI与BPM的融合刚刚开始但就现在的新型技术架构、产品及应用情况而言生成式AI已经成为业务流程管理和流程智能领域的革命性力量。尤其是优化、自动化和数据驱动型洞察能力带来了前所未有的价值和效率提升。 对于其在未来的发展趋势这里王吉伟频道也简单列出几点 趋势1自适应商业模式 未来的进步可能会根据市场变化、客户行为或全球事件实时调整商业模式。这种适应性将重新定义业务运营的敏捷性。 趋势2人与人工智能协作 随着人工智能系统变得更加直观和上下文感知人与人工智能协作在决策过程中的范围将扩大从而产生协同效应显著提高运营效率。 趋势3道德和监管框架 随着技术变得越来越普遍可能会制定一个更全面的道德和监管框架来管理其使用平衡创新与道德考虑。 趋势4人工智能民主化 随着基于云的人工智能解决方案和开源工具的可用性不断提高即使是较小的组织也可以利用生成式人工智能从而在许多行业中创造公平的竞争环境。 趋势5增加投资 根据普华永道的数据由于人工智能到2030年全球GDP可能会增加14%相当于额外的15.7万亿美元。这种收益大部分可能来自应用于业务流程的生成式人工智能的进步。 虽然生成式AI与BPM的融合应用与发展还存在一些挑战但其潜在的好处和惊艳的表现已经压倒性地证明了它与当代商业实践的整合优势。 随着生成式AI的不断发展其对BPM和流程智能的影响只会在规模和范围上不断扩大。
END -
