繼AlphaGo在圍棋上碾壓人類后，DeepMind再放大招！這次戰場轉移到了基礎科學研究領域：蛋白質折疊結構的預測。在有蛋白質結構預測的“奧運會”之稱CASP全球競賽上，DeepMind推出的AI工具AlphaFold以優異成績碾壓了人類專家。事實上，早在2017年10月，DeepMind就在一次公開采訪中表示，團隊開始對人工智能在藥物開發中的應用感興趣，而新藥開發的關鍵一步，就是對靶點蛋白質三維結構的精準測算。如今這個新聞正好過去一年的時間，DeepMind也向世人再次證明了深度學習在又一全新場景中的巨大潛力。無論是AlphaGo還是AlphaFold都能得到關于人工智能最新發展的趨勢，這也是深度學習技術與傳統技術的結合。那么，關于業務流程，我們如何在這個人工智能大行其道的時代下如何深思并加以利用呢？
在今年九月，我們曾有一篇《如何區分Workflow、BPM與RPA》的文章介紹了RPA（機器人流程自動化）。RPA事實上是將機器人作為虛擬勞動力，依照預先設定的程序與現有用戶系統進行交互并完成設定好的任務流程。RPA可以對“重復性高的、邏輯確定并且穩定性要求相對較低的流程進行自動處理。相對于普通勞動力來說，RPA可以很大程度上提高企業自動化程度、節省多余的勞動力成本、提高企業流程執行效率及準確度。
BPM作為企業核心及零散流程需求的協作平臺，很好地解決數據孤島問題，而與RPA結合正好是流程自動化最好的實踐。在生產鏈、營銷連、供應鏈、財務鏈和IT治理等多個領域都具有突出的價值。
有別于RPA技術讓機器人可以在“單一的、重復的、標準化的流程”上做出處理，AI甚至可以理解組織內的決策，并應用統計分析來制定圍繞這些決策的規則，應對更為復雜的商業環境，如果說RPA就是機器人的神經網絡，那么AI是機器人的大腦。
從1956 年Dartmouth學會上提出了AI的初步定義，到如今2018年許多人工智能技術正逐步落地，人們開始直面審視這些新技術的同時，人工智能已經開始幫助企業實現部分業務地自動化。AI正從“抽象而寬泛的概念”剝離成為了“確實有效的技術手段”，這種轉變對于自動化業務流程管理方面也帶來了巨大的變革。
對于企業數字化轉型來說，人工智能與業務流程管理可以說是互為臂膀。人工智能可以幫助自動執行日常任務，改善用戶界面并分析大量數據。數據分析，機器學習和人工智能的預測分析功能可以使企業中的許多基本決策過程自動化，而不是繼續關注處理單一、重復的流程。 McKinsey＆Company咨詢公司估計，人工智能可以將任何特定工作中45％以上的工作流程自動化，使工人能夠專注于一些更高層次的、技術疑難型工作。
想象一下，當你周一早上到達辦公室的場景：你從AI和機器學習系統中找到數百項關于業務流程改進的建議。每個建議可能需要數周時間才能在整個組織中進行社交并實施。現在，想象一下這種情況在每一天中發生，你會意識到，這種情況下，人——才是業務流程優化中最薄弱的環節。
那么我們如何才能最好地利用人工智能和機器學習，這對人類和人力組織有利？對企業來說，答案在于開發一個強大的人工智能和機器學習平臺，它能夠理解我們的目標和期望，可以過濾發現，運行和測試模擬，然后向企業決策者提出一些優先選擇的建議。
為了使這些AI和機器學習系統實現任何一個實際工作，為其提供數據必須是可用的、準確的、標準化的和及時性的。事實上，BPM作為工作入口，沉淀了大量這樣的企業數據。BPM作為企業協同和業務的載體，具有最全面、最及時的企業數據系統，這位AI和機器學習提供了堅實的數據基礎。
另一方面，BPM系統積累了大量豐富可用的業務邏輯，能確保數據打通和融合。利用AI和機器學習，企業管理者可以確保他們的業務流程能夠以足夠的運作速度對變化做出反應，以捕捉AI和機器學習帶來的洞察力所帶來的競爭優勢。
傳統的自上而下的商業模式不再適用于當今瞬息萬變的商業環境。互聯網的發展，也讓企業意識到必須允許更多的工作人員來參與到企業的決策中來，這不僅需要把這種層次的決策深入貫徹到業務流程線的過程中，公司的效率和創造力也需要得到了有效分配。因此，通過人工來分析歷史數據中的模型和預測顯然比不上AI的速度。在巨大繁復的業務背景之下，人工智能可以準確預測出哪些工作需要完成、哪些工作提前完成。
雖然AI在完全集成到業務流程之前還有漫長的周期，但企業需要積極采取信息化調整，以便將來可以成功實施匹配人工智能技術。這種調整的關鍵點在于數據和流程的打通，并且企業需要將其業務流程數字化，以便可以使AI更好地抓取未來的數據。
