Вопрос от пользователя: «Слышал про ChatGPT. А можно просто написать ему текстом, что мне нужно, и он сделает робота? Или это фантастика?»
Суть проблемы
Создание робота, даже в визуальном конструкторе, требует времени и некоторого обучения. Бизнес-пользователи хотят автоматизировать задачи еще быстрее и проще, описывая их на естественном языке, как если бы они ставили задачу сотруднику. Это могло бы кардинально снизить порог входа и ускорить разработку.
Что может RPA в симбиозе с ИИ?
Перспективное направление — интеграция больших языковых моделей (LLM) в процесс разработки RPA. LLM не создает готового, сложного робота «с нуля» по одному запросу, но может стать мощным помощником-кодером, значительно ускоряющим и упрощающим работу.
Суть подхода
- Генерация кода: Вы можете описать LLM (например, GPT) логику действия: «Напиши Python-код, который откроет файл Excel data.xlsx, прочитает столбец "Наименование" и для каждой строки найдет в веб-интерфейсе 1С по адресу url поле ввода с именем item_name и вставит это значение». LLM сгенерирует заготовку кода, которую затем можно доработать и интегрировать в RPA-платформу.
- Умные «пазлы»: В будущем LLM сможет трансформировать текстовое описание процесса в цепочку визуальных блоков (пазлов) внутри RPA-студии.
- Документация и объяснение: LLM может анализировать уже созданный робот (его Python-код) и генерировать для него текстовое описание на русском языке, что упрощает понимание и сопровождение.
Преимущества подхода
- Ускорение разработки: Генерация шаблонного кода избавляет от рутинного программирования.
- Снижение порога входа: Аналитик может набросать логику текстом, а LLM поможет превратить ее в рабочий каркас.
- Обучение: LLM может предлагать оптимальные методы решения задач, выступая в роли опытного консультанта.
- Работа с текстом: ИИ идеально дополняет RPA в задачах, где нужно анализировать содержание документов, писем или чатов, извлекая из них структурированные данные для робота.
Решение и рекомендации
- На сегодняшний день основным способом создания роботов остается визуальная сборка (low-code) и ручное программирование на Python.
- Используйте LLM как интеллектуального помощника для написания отдельных сложных функций или фрагментов кода внутри ваших RPA-проектов.
- Ищите RPA-платформы, которые уже заявляют о начале интеграции с LLM (например, возможность отправлять промпты из студии разработки).
- Помните, что LLM может допускать ошибки и генерировать некорректный код, поэтому контроль и тестирование со стороны человека обязательны.
Итог простыми словами
Пока нельзя просто сказать «нейросеть, автоматизируй мне сверку с банком» и получить готового робота. Но можно сказать: «Нейросеть, напиши код на Python, который соединит эти две таблицы по полю "Дата" и выделит расхождения». Полученный код — это готовый «орган» для будущего робота. RPA — это тело, которое совершает действия, а LLM — это мозг, который помогает это тело проектировать.
Типичные сценарии использования:
- Сценарий 1: Автоматизация обработки писем.
Ситуация: В службу поддержки приходят письма с запросами. Нужно определить тему и создать заявку в 1С.
Решение: LLM (например, встроенный в платформу ИИ) анализирует текст письма, классифицирует его и извлекает ключевые данные (номер заказа, ФИО). RPA-робот берет эти структурированные данные и создает карточку обращения в 1С.
Результат: Полная автоматизация входящей коммуникации. - Сценарий 2: Помощь в написании сложных SQL-запросов.
Ситуация: Разработчику робота нужен сложный запрос к базе 1С для отчета, но он не уверен в структуре таблиц.
Решение: Разработчик описывает LLM, какие данные нужны (например, «все продажи менеджера Иванова за прошлый месяц с разбивкой по контрагентам и суммой НДС»). LLM генерирует пример SQL-запроса, который разработчик проверяет и дорабатывает.
Результат: Экономия времени на изучение метаданных и составление запроса.