Enhancing Robotic Process Automation Task Selection: An Integrated Approach Leveraging Process Mining and Feature Extraction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Robotic Process Automation (RPA), an emergent technology, is increasingly being utilized for the automation of straightforward and structured tasks, due to its time efficiency and cost effectiveness.As organizations strive to automate processes, it becomes imperative to discern the most suitable technology for each task to optimize investments in automation.The surge in RPA usage illuminates the challenge of task selection for automation.In response to this challenge, our study presents an integrated approach of process mining and feature extraction to enhance RPA task selection.Organizations provide feature weights, based on which corresponding tasks are extracted.Each task is subsequently ranked, and an overall task rank is computed by summing the products of feature weights and individual feature ranks.This procedure is iteratively performed for all tasks, culminating in a feature matrix, which constitutes the output of this framework.By leveraging historical process data, this combined approach allows for the identification of tasks that exhibit characteristics amenable to automation, such as high frequency, low variability, and distinct decision points.Furthermore, the extraction of task features enables the prioritization of tasks based on their potential for automation, complexity, and anticipated benefits.Through the analysis of process mining data, this study offers an empirical snapshot of organizational activities and suggests tasks that are amenable to RPA.This prioritization of suitable tasks for automation potentially enhances the success of RPA implementation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,006 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle