Key points are not available for this paper at this time.
L'automatisation des flux de travail en entreprise pourrait libérer 4 000 milliards par an en gains de productivité. Bien que cela intéresse la communauté de la gestion des données depuis des décennies, la vision ultime de l'automatisation complète des flux de travail reste insaisissable. Les solutions actuelles reposent sur l'exploration des processus et l'automatisation robotisée des processus (RPA), dans lesquelles un bot est codé en dur pour suivre un ensemble de règles prédéfinies afin de réaliser un flux de travail. À travers des études de cas d'un hôpital et d'une grande entreprise B2B, nous constatons que l'adoption de la RPA a été entravée par des coûts de mise en place élevés (12-18 mois), une exécution peu fiable (60 % de précision initiale), et une maintenance lourde (nécessitant plusieurs ETP). Les modèles fondamentaux multimodaux (FMs) tels que GPT-4 offrent une nouvelle approche prometteuse pour l'automatisation complète des flux de travail grâce à leurs capacités généralisées de raisonnement et de planification. Pour étudier ces capacités, nous proposons ECLAIR, un système pour automatiser les flux de travail en entreprise avec une supervision humaine minimale. Nous menons des expériences initiales montrant que les FMs multimodaux peuvent pallier les limites de la RPA traditionnelle avec (1) une compréhension des flux de travail proche du niveau humain (93 % de précision sur une tâche de compréhension de flux de travail) et (2) une mise en place instantanée avec une barrière technique minimale (basée uniquement sur une description en langage naturel d'un flux de travail, ECLAIR atteint un taux d'achèvement complet de 40 %). Nous identifions la collaboration humain-IA, la validation et l'auto-amélioration comme des défis ouverts, et suggérons des moyens de les résoudre avec des techniques de gestion des données.
Building similarity graph...
Analyzing shared references across papers
Loading...
Michael Wornow
Avanika Narayan
Krista Opsahl-Ong
Proceedings of the VLDB Endowment
Stanford University
Building similarity graph...
Analyzing shared references across papers
Loading...
Wornow et al. (Mon,) ont étudié cette question.
www.synapsesocial.com/papers/68e61deab6db6435875afdcd — DOI: https://doi.org/10.14778/3681954.3681964
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: