FlowMind : Génération automatique de flux de travail avec les LLM

Le domaine en rapide évolution de l'automatisation robotisée des processus (RPA) a réalisé des progrès significatifs dans l'automatisation des processus répétitifs, mais son efficacité diminue dans les scénarios nécessitant des tâches spontanées ou imprévisibles demandées par les utilisateurs. Cet article présente une approche innovante, FlowMind, qui exploite les capacités des grands modèles de langage (LLM) tels que Generative Pretrained Transformer (GPT), pour surmonter cette limitation et créer un système de génération automatique de flux de travail. Dans FlowMind, nous proposons une recette générique de prompt pour une leçon qui aide à ancrer le raisonnement des LLM à l'aide d'interfaces de programmation d'applications (API) fiables. Grâce à cela, FlowMind atténue non seulement le problème courant d'hallucinations dans les LLM, mais élimine aussi l'interaction directe entre les LLM et les données ou codes propriétaires, assurant ainsi l'intégrité et la confidentialité des informations - un pilier dans les services financiers. FlowMind simplifie en outre l'interaction utilisateur en présentant des descriptions de haut niveau des flux de travail auto-générés, permettant aux utilisateurs d'inspecter et de fournir efficacement des retours. Nous introduisons également NCEN-QA, un nouveau jeu de données en finance pour l'évaluation des tâches de question-réponse à partir des rapports N-CEN sur les fonds. Nous avons utilisé NCEN-QA pour évaluer la performance des flux de travail générés par FlowMind par rapport aux variantes de base et d'ablation de FlowMind. Nous démontrons le succès de FlowMind, l'importance de chaque composant de la recette proposée, ainsi que l'efficacité de l'interaction et des retours des utilisateurs dans FlowMind.