结合AI的RPA系统流程复杂度确定方法与装置

摘要

本发明实施例提供了一种结合AI的RPA系统流程复杂度确定方法与装置，涉及RPA、AI领域，该方法包括：RPA系统获取目标业务的多个流程关联特征信息，RPA系统将各流程关联特征信息输入到预设评估模型中，RPA系统根据流程关联特征信息和预设评估模型对目标业务流程的复杂度进行确定，以获得复杂度确定结果，由于RPA系统在确定目标业务转化为RPA流程的复杂度时，综合考虑了多种流程关联特征信息，所以提高了确定结果的准确率。并且RPA系统在确定RPA流程的复杂度的整个过程中都是由电子设备自动化执行，所以提高了RPA流程的复杂度确定的效率。

说明书

技术领域

本发明实施例涉及机器人流程自动化(Robotic Process Automation，RPA)、AI(Artificial Intelligence，人工智能)技术领域，尤其涉及一种结合AI的RPA系统流程复杂度确定方法、装置、设备及存储介质。

背景技术

机器人流程自动化(Robotic Process Automation，RPA)是通过特定的“机器人软件”，模拟人在计算机上的操作，按规则自动执行流程任务。人工智能(ArtificialIntelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，RPA和AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。

在企业在将人工完成的业务流程准备转成到RPA流程前，需要对该业务流程对应的RPA流程的复杂度进行确定，根据确定后的结果再决定是否转为RPA流程。现有技术中，在对RPA流程复杂度进行确定时，只是由相关领域的专家进行简单的确定，使确定复杂度时所需要的专业化程度高，并且确定过程考虑的因素并不全面，导致确定的结果准确率较低，确定效率也较低。

发明内容

本发明实施例提供一种结合AI的RPA系统流程复杂度确定方法、装置、设备及存储介质，解决了现有技术中只是由相关领域的专家进行简单的确定，使确定所需要的专业化程度高，并且确定过程考虑的因素并不全面，导致确定的结果准确率较低，确定效率也较低的技术问题。

第一方面，本发明实施例提供一种结合AI的RPA系统流程复杂度确定方法，包括：

RPA系统获取目标业务的多个流程关联特征信息；

所述RPA系统将各流程关联特征信息输入到预设评估模型中；

所述RPA系统根据所述流程关联特征信息和预设评估模型对目标业务流程的复杂度进行确定，以获得复杂度确定结果。

第二方面，本发明实施例提供一种结合AI的RPA系统流程复杂度确定装置，包括：

信息获取模块，用于获取目标业务的多个流程关联特征信息；

信息输入模块，用于将各流程关联特征信息输入到预设评估模型中；

结果确定模块，用于根据所述流程关联特征信息和预设评估模型对目标业务流程的复杂度进行确定，以获得复杂度确定结果。

第三方面，本发明实施例提供一种电子设备，包括：存储器，处理器以及计算机程序；

其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面所述的方法。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现如第一方面所述的方法。

本发明实施例提供一种结合AI的RPA系统流程复杂度确定方法、装置、设备及存储介质，RPA系统通过获取目标业务的多个流程关联特征信息，将各流程关联特征信息输入到预设评估模型中，根据流程关联特征信息和预设评估模型对目标业务流程的复杂度进行确定，以获得复杂度确定结果，由于RPA系统在确定目标业务转化为RPA流程的复杂度时，综合考虑了多种流程关联特征信息，所以提高了确定结果的准确率。并且RPA系统在确定RPA流程的复杂度的整个过程中都是由电子设备自动化执行，所以提高了RPA流程的复杂度确定的效率。

应当理解，上述发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的结合AI的RPA系统流程复杂度确定方法的流程图；

图2为本发明实施例二提供的结合AI的RPA系统流程复杂度确定方法的流程图；

图3为本发明实施例二提供的结合AI的RPA系统流程复杂度确定方法中确定配置界面的示意图；

图4为本发明实施例三提供的结合AI的RPA系统流程复杂度确定装置的结构示意图；

图5为本发明实施例四提供的结合AI的RPA系统流程复杂度确定装置的结构示意图；

图6为本发明实施例五提供的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

本发明实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了清楚理解本发明实施例的技术方案，下面对本发明实施例涉及到的关键词汇进行解释：

RPA流程复杂度：RPA流程执行时的复杂程度，可以采用复杂度分值或复杂度等级等数据来表示。

流程关联特征信息：为与目标业务的处理流程相关联的特征信息。如可以包括：在处理目标业务时目标设备的屏幕切换次数、业务场景类型、标准输入数据的个数、目标设备的部署方式、结构化输入数据的个数、自由文本输入的个数等。

预设评估模型：确定目标业务对应RPA流程的复杂度的模型。该预设评估模型可以为设置各流程关联特征信息的数值与复杂度分值的映射关系的模型，或者还可以为采用深度学习算法构建出的训练至收敛的评估模型等。

实施例一

图1为本发明实施例一提供的结合AI的RPA系统流程复杂度确定方法的流程图，如图1所示，本实施例的执行主体为RPA(Robotic Process Automation，机器人流程自动化)系统，该RPA系统可以集成在电子设备中，则本实施例提供的结合AI的RPA系统流程复杂度确定方法包括以下几个步骤。

步骤1－S1，RPA系统获取目标业务的多个流程关联特征信息。

本实施例中，目标业务为需要进行RPA流程复杂度确定的业务，如可以为企业中的需要人工进行的业务，如可以为财务报销业务，收发邮件业务等。

其中，流程关联特征信息为与目标业务的处理流程相关联的特征信息。如可以包括：在处理目标业务时目标设备的屏幕切换次数、业务场景类型、标准输入数据的个数、目标设备的部署方式、结构化输入数据的个数、自由文本输入的个数等。

具体地，本实施例中，RPA系统获取目标业务的多个流程关联特征信息的方式可以为接收用户通过确定配置界面上配置的流程关联特征信息，或者还可以为监测用户在目标设备上对目标业务进行处理的流程数据，之后基于自然语言处理(Natura lLanguageProcessing，NLP)从流程数据来提取多个流程关联特征信息。或者还可预先构建目标业务的流程框图，基于自然语言处理对流程框图进行解析，来获取多个流程关联特征信息。

可以理解的是，RPA系统获取目标业务的多个流程关联特征信息的方式还可以为其他方式，本实施例中对此不做限定。

步骤1－S2，RPA系统将各流程关联特征信息输入到预设评估模型中。

步骤1－S3，RPA系统根据流程关联特征信息和预设评估模型对目标业务流程的复杂度进行确定，以获得复杂度确定结果。

具体地，作为一种可选实施方式，本实施例中，可在预设评估模型中设置各流程关联特征信息的数值与复杂度分值的映射关系，则RPA系统在获取到流程关联特征信息后，确定每个流程关联特征信息的数值，并将数值输入到该预设评估模型中，以根据各流程关联特征信息的数值确定对应的复杂度分值，进而根据各流程关联特征信息对应的复杂度分值确定最终的复杂度总分值，根据复杂度总分值得到复杂度确定结果。

作为一种可选实施方式，本实施例中，预设评估模型可为深度学习模型则RPA系统获取到各流程关联特征信息后，可将各流程关联特征信息输入到预设评估模型中，通过预设评估模型对各流程关联特征信息进行解析，以输出复杂度确定结果。该复杂度确定结果可以为复杂度的等级信息。

可以理解的是，RPA系统还可通过其他方式确定复杂度确定结果，本实施例中对此不做限定。

本实施例提供的结合AI的RPA系统流程复杂度确定方法，通过获取目标业务的多个流程关联特征信息，将各流程关联特征信息输入到预设评估模型中，根据流程关联特征信息和预设评估模型对目标业务流程的复杂度进行确定，以获得复杂度确定结果，由于RPA系统在确定目标业务转化为RPA流程的复杂度时，综合考虑了多种流程关联特征信息，所以提高了确定结果的准确率。并且RPA系统在确定RPA流程的复杂度的整个过程中都是由电子设备自动化执行，所以提高了RPA流程的复杂度确定的效率。

实施例二

图2为本发明实施例二提供的结合AI的RPA系统流程复杂度确定方法的流程图，如图2所示，本实施例提供的结合AI的RPA系统流程复杂度确定方法，是在本发明实施例一提供的结合AI的RPA系统流程复杂度确定方法基础上，对步骤1－S1－步骤1－S3的进一步细化，则本实施例提供的结合AI的RPA系统流程复杂度确定方法包括以下步骤。

步骤2－S1，RPA系统获取目标业务的多个流程关联特征信息。

其中，流程关联特征信息包括以下任意多种：目标设备的屏幕切换次数、业务场景类型、标准输入数据的个数、目标设备的部署方式、结构化输入数据的个数、自由文本输入的个数。

其中，目标设备为执行目标业务对应的设备。若目标业务复杂度高，则目标设备可以为多个，则目标设备的屏幕切换次数就多。如一个目标业务对应的目标设备既有本地计算机，又有远程计算机，以及虚拟机，并且在处理目标业务时，需要几个目标设备间屏幕的切换，则确定目标设备的屏幕切换次数。

其中，业务场景类型为目标业务所属的场景类型。如可以为财务报销场景，发票审核场景，消费付款场景等。

本实施例中，RPA系统针对目标业务的场景类型可预先设定该场景类型对应的标准的输入数据，然后获取目标业务的输入数据，确定是否符合该场景类型对应的标准输入数据，进而确定目标业务对应的标准输入数据的个数。

其中，目标设备的部署方式可以为本地部署，远程部署，虚拟机部署等。

其中，结构化输入数据可以为结构化文本输入数据，结构化文本为由标题、章节、段落等构成的具有结构化的数据。而自由文本为非结构化的文本。例如报销业务中的发票，附件等。

作为一种可选实施方式，本实施例中，步骤2－S1，具体包括：

步骤2－S11，RPA系统监测用户在目标设备上对目标业务进行处理的流程数据。

步骤2－S12、RPA系统从流程数据中提取出多个流程关联特征信息。

具体地，在该种可选实施方式中，在用户在目标设备上通过人工对目标业务进行处理时，RPA系统可监测目标业务处理流程中每个环节，进而基于自然语言处理从流程数据中提取出多个流程关联特征信息。

本实施例中，RPA系统获取目标业务的多个流程关联特征信息时，通过监测用户在目标设备上对目标业务进行处理的流程数据，基于自然语言处理从流程数据中提取出多个流程关联特征信息，能够自动化的获取到流程关联特征信息，无需用户参与。

作为另一种可选实施方式，本实施例中，步骤2－S1，具体包括：

步骤2－S1a，RPA系统向用户展示确定配置界面，确定配置界面中包括多个信息配置项。

步骤2－S1b，RPA系统接收用户在确定配置界面上通过对应的信息配置项配置的流程关联特征信息。

具体地，在该种可选实施方式中，如图3所示，RPA系统通过电子设备的屏幕向用户显示配置界面，在配置界面中包括多个信息配置项，用户通过点击各信息配置项，可输入或选择对应的流程关联特征信息，进而RPA系统接收到用户在确定配置界面上通过对应的信息配置项配置的流程关联特征信息。

本实施例中，RPA系统在获取目标业务的多个流程关联特征信息时，通过向用户展示确定配置界面，确定配置界面中包括多个信息配置项，接收用户在确定配置界面上通过对应的信息配置项配置的流程关联特征信息，能够通过与用户的交互快速获取到目标业务的多个流程关联特征信息，提高了获取目标业务的多个流程关联特征信息的效率。

作为再一种可选实施方式，本实施例中，步骤2－S1，具体包括：

步骤2－S1A、RPA系统获取目标业务的流程框图。

步骤2－S1B、RPA系统基于自然语言处理对流程框图进行解析，以获取多个流程关联特征信息。

具体地，在该种可选实施方式中，RPA系统预先构建目标业务的流程框图，该目标业务的流程框图可以为电子设备监测用户在目标设备上对目标业务进行处理的流程数据后自动生成的。在该目标业务的流程框图中详细写明了目标业务的处理流程及处理流程的每个环节需要的流程相关数据。所以RPA系统对目标业务的流程框图进行解析后，能够获取到流程相关数据，之后可基于自然语言处理对流程相关数据进行提取，以获取到对应的流程关联特征信息。

其中，生成目标业务的流程框图后，RPA系统可将该目标业务的流程框图存储到预设区域，进而需要获取该目标业务的流程框图时，可从预设区域获取到。而且需要说明的是，用户可从预设区域获取到目标业务的流程框图，并可进行可视化地显示，以能够确定该目标业务的流程框图是否准确，若不准确，还可对该目标业务的流程框图进行调整。

本实施例中，RPA系统在获取目标业务的多个流程关联特征信息时，先获取目标业务的流程框图，然后对流程框图进行解析，以获取多个流程关联特征信息，由于该目标业务的流程框图可进行可视化显示，所以用户在确定该目标业务的流程框图不准确时，可进行调整，进而使获取到的多个流程关联特征信息更加准确。

步骤2－S20，RPA系统设置各流程关联特征信息的数值与复杂度分值的映射关系；并将映射关系存储到对应的预设评估模型中。

具体地，本实施例中，RPA系统在获取目标业务的各流程关联特征信息时，每个流程关联特征信息可对应一个数值，数值越高，表示与该特征信息关联的对应流程环节越复杂。反之，数值越低，表示与该特征信息关联的对应流程环节越简单。则RPA系统可预先设置各流程关联特征信息的数值与复杂度分值的映射关系，并将该映射关系存储到对应的预设评估模型中。

可以理解的是，若RPA系统将各流程关联特征信息输入到第一预设评估模型中，则将映射关系存储到第一预设评估模型中，若RPA系统将各流程关联特征信息输入到第二预设评估模型中，则将该映射关系存储到第二预设评估模型中。

步骤2－S2，RPA系统将各流程关联特征信息输入到预设评估模型中。

步骤2－S3，RPA系统根据流程关联特征信息和预设评估模型对目标业务流程的复杂度进行确定，以获得复杂度确定结果。

可选的，步骤2－S3，包括：

步骤2－S31，RPA系统从至少一个预设评估模型中选取一个目标预设评估模型。

可以理解的是，RPA系统可预先设置至少一个预设评估模型，在将各流程关联特征信息输入到预设评估模型中之后，可从至少一个预设评估模型中选取一个目标预设评估模型，用于获取复杂度总分值。

步骤2－S32，RPA系统通过目标预设评估模型确定各流程关联特征信息对应的复杂度分值以及复杂度总分值计算策略，根据复杂度总分值计算策略对各流程关联特征信息对应的复杂度分值进行计算，以输出复杂度总分值。

可以理解的是，同一流程关联特征信息在不同的预设评估模型中可对应不同的复杂度分值，不同的预设评估模型可对应不同的复杂度总分值计算策略。

由此，该方法可从至少一个预设评估模型中选取一个目标预设评估模型，然后通过目标预设评估模型确定各流程关联特征信息对应的复杂度分值以及复杂度总分值计算策略，根据复杂度总分值计算策略对各流程关联特征信息对应的复杂度分值进行计算，以输出复杂度总分值。

作为一种可选实施方式，本实施例中，若预设评估模型为第一预设评估模型，则步骤2－S2包括以下步骤：

步骤2－S21，RPA系统将各流程关联特征信息输入到第一预设评估模型中。

在该种可选实施方式中，目标预设评估模型即为第一预设评估模型，步骤2－S3，包括：

步骤2－S33，RPA系统从至少一个预设评估模型中选取第一预设评估模型作为目标预设评估模型。

步骤2－S34，RPA系统通过第一预设评估模型确定各流程关联特征信息对应的复杂度分值，并将各复杂度分值进行求和，以输出复杂度总分值。

具体地，在该种可选实施方式中，RPA系统在第一预设评估模型中预先存储了各流程关联特征信息的数值与复杂度分值的映射关系，所以在获取到目标业务的各流程关联特征信息后，可通过第一预设评估模型查询映射关系，获取各流程关联特征信息的数值对应的复杂度分值，并将复杂度分值确定为该流程关联特征信息对应的复杂度分值。

通过第一预设评估模型确定出目标业务的每个流程关联特征信息对应的复杂度分值后，可将各复杂度分值进行求和，将求和的结果作为复杂度总分值，第一预设评估模型可输出该复杂度总分值。

本实施例中，RPA系统根据流程关联特征信息和预设评估模型对目标业务流程的复杂度进行确定，以获得复杂度确定结果时，可将各流程关联特征信息输入到第一预设评估模型中；从至少一个预设评估模型中选取第一预设评估模型作为目标预设评估模型；通过第一预设评估模型确定各流程关联特征信息对应的复杂度分值，并将各复杂度分值进行求和，以输出复杂度总分值，能够快速确定出复杂度总分值。

作为另一种可选实施方式，本实施例中，若预设评估模型为第二预设评估模型，则步骤2－S2包括以下步骤：

步骤2－S22、RPA系统将各流程关联特征信息输入到第二预设评估模型中。

在该种可选实施方式中，目标预设评估模型即为第二预设评估模型，步骤2－S3，包括：

步骤2－S35，RPA系统从至少一个预设评估模型中选取第二预设评估模型作为目标预设评估模型。

步骤2－S36、RPA系统通过第二预设评估模型确定各流程关联特征信息对应的复杂度分值，并确定各流程关联特征信息对应的权重，将各复杂度分值进行加权求和，以输出复杂度总分值。

具体地，在该种可选实施方式中，RPA系统在第二预设评估模型中，不仅预先存储了各流程关联特征信息的数值与复杂度分值的映射关系，而且存储了各流程关联特征信息对应的权重。各流程关联特征信息对目标业务处理复杂度的影响越大，则对应的权重越大，反之，各流程关联特征信息对目标业务处理复杂度的影响越小，则对应的权重越小，各权重的求和结果为1。

则RPA系统在获取到目标业务的各流程关联特征信息后，可通过第二预设评估模型查询映射关系，获取各流程关联特征信息的数值对应的复杂度分值，并将复杂度分值确定为该流程关联特征信息对应的复杂度分值。

通过第二预设评估模型确定出目标业务的每个流程关联特征信息对应的复杂度分值后，可获取各流程关联特征信息对应的权重，将各复杂度分值进行加权求和，将加权求和的结果作为复杂度总分值，第二预设评估模型可输出该复杂度总分值。

本实施例中，RPA系统根据流程关联特征信息和预设评估模型对目标业务流程的复杂度进行确定，以获得复杂度确定结果时，可将各流程关联特征信息输入到第二预设评估模型中；从至少一个预设评估模型中选取第二预设评估模型作为目标预设评估模型；通过第二预设评估模型确定各流程关联特征信息对应的复杂度分值，并确定各流程关联特征信息对应的权重，将各复杂度分值进行加权求和，以输出复杂度总分值，不仅能够快速确定出复杂度总分值，而且能够进一步提高确定出的复杂度总分值的准确性。

可选地，本实施例中，还包括步骤2－S4。

步骤2－S4，RPA系统根据复杂度确定结果确定目标业务转化为RPA流程的可行性指标。

本实施例中，作为一种可选实施方式，若复杂度确定结果为复杂度等级，则可行性指标可以为可行性等级。则RPA系统可预先设置复杂度等级与RPA流程的可行性等级的映射关系，在获取到目标业务的复杂度确定结果后，根据该映射关系获取与复杂度确定结果相映射的可行性等级，将该相映射的可行性等级确定为目标业务对应的转化为RPA流程的可行性指标。

或者作为另一种可选实施方式，若复杂度确定结果为复杂度总分值，则可行性指标可以为可行性分值。则RPA系统可预先设置复杂度总分值与RPA流程的可行性分值的映射关系，在获取到目标业务的复杂度确定结果后，根据该映射关系获取与复杂度确定结果相映射的可行性分值，将该相映射的可行性分值确定为目标业务对应的转化为RPA流程的可行性指标。

可以理解的是，RPA系统根据复杂度确定结果确定转化为RPA流程的可行性指标的方式还可以为其他方式，本实施例中对此不做限定。

本实施例提供的结合AI的RPA系统流程复杂度确定方法，RPA系统在获取目标业务的多个流程关联特征信息时，以及根据流程关联特征信息和预设评估模型对目标业务流程的复杂度进行确定，以获得复杂度确定结果时，均具有多种实施方式，不仅能够提高确定结果的准确率及确定效率，而且使该流程复杂度确定方法更具有通用性，适用于多种类型的业务。

实施例三

图4为本发明实施例三提供的结合AI的RPA系统流程复杂度确定装置的结构示意图，如图4所示，本实施例提供的结合AI的RPA系统流程复杂度确定装置40包括：信息获取模块41，结果确定模块42，指标确定模块43。

其中，信息获取模块41，用于获取目标业务的多个流程关联特征信息。信息输入模块42，用于将各流程关联特征信息输入到预设评估模型中。结果确定模块43，用于根据所述流程关联特征信息和预设评估模型对目标业务流程的复杂度进行确定，以获得复杂度确定结果。

本实施例提供的结合AI的RPA系统流程复杂度确定装置可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

实施例四

图5为本发明实施例四提供的结合AI的RPA系统流程复杂度确定装置的结构示意图，如图5所示，本实施例提供的结合AI的RPA系统流程复杂度确定装置在本发明实施例三提供的结合AI的RPA系统流程复杂度确定装置的基础上，进一步地，还包括：映射关系存储模块51。

可选地，信息获取模块41，具体用于：监测用户在目标设备上对目标业务进行处理的流程数据；基于自然语言处理NLP从流程数据中提取出多个流程关联特征信息。

可选地，信息获取模块41，具体用于：向用户展示确定配置界面，确定配置界面中包括多个信息配置项；接收用户在确定配置界面上通过对应的信息配置项配置的流程关联特征信息。

可选地，信息获取模块41，具体用于：获取目标业务的流程框图；基于自然语言处理NLP对流程框图进行解析，以获取多个流程关联特征信息。

其中，流程关联特征信息包括以下任意多种：

目标设备的屏幕切换次数、业务场景类型、标准输入数据的个数、目标设备的部署方式、结构化输入数据的个数、自由文本输入的个数。

可选的，结果确定模块43，具体用于：从至少一个预设评估模型中选取一个目标预设评估模型；通过所述目标预设评估模型确定各流程关联特征信息对应的复杂度分值以及复杂度总分值计算策略，根据所述复杂度总分值计算策略对所述各流程关联特征信息对应的复杂度分值进行计算，以输出复杂度总分值。

可选地，结果确定模块43，具体用于：从至少一个预设评估模型中选取第一预设评估模型作为目标预设评估模型；通过所述第一预设评估模型确定各流程关联特征信息对应的复杂度分值，并将各复杂度分值进行求和，以输出复杂度总分值。

可选地，结果确定模块43，具体用于：从至少一个预设评估模型中选取第二预设评估模型作为目标预设评估模型；通过所述第二预设评估模型确定各流程关联特征信息对应的复杂度分值，并确定各流程关联特征信息对应的权重，将各复杂度分值进行加权求和，以输出复杂度总分值。

可选地，映射关系存储模块51，用于设置各流程关联特征信息的数值与复杂度分值的映射关系；并将映射关系存储到对应的预设评估模型中。

本实施例提供的结合AI的RPA系统流程复杂度确定装置可以执行图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

实施例五

图6为本发明实施例五提供的电子设备的结构示意图，如图6所示，本发明实施例五提供的电子设备600，包括：存储器601，处理器602以及计算机程序。

其中，计算机程序存储在存储器601中，并被配置为由处理器602执行以实现实施例一或实施例二提供的结合AI的RPA系统流程复杂度确定方法。

相关说明可以对应参见图1－图2的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现本发明实施例一至实施例二中任意一个实施例提供的结合AI的RPA系统流程复杂度确定方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD－ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。