RPA是全球企业软件领域中增长快的细分市场

　　社会正处于一个由信息化向自动化，由自动化向智能化转型的时代，人工智能正渗透到各行各业，然而在面对个性化的场景、分散的系统和散落的数据时，如何通过人工智能为社会带来价值？构建数据中台或者PaaS平台也许是好的选择，但这些举措往往成本高企，过程漫长，前期企业很难为此买单，相比之下，RPA（机器人流程自动化）作为一个成熟却受限的应用一直被低估，它有着成本低，落地快的优势，可以成为当下人工智能的接盘侠。

　　基于这个目标，我们提出了“章鱼数字员工”的概念，RPA相当于章鱼的多条触手，执行多项复杂操作，AI相当于章鱼的大脑，做出合理的智能决策，组合而成就是一个无实体形态的“章鱼·数字员工”。设想一下，未来一个人带领一群机器人工作的场景，这将成为我们看到的未来。相比于唤作机器人，我们更愿意称之它为“数字员工”。

　　「实在智能」的产品以AI+RPA为主打，由AI云脑(Z-Brain)、机器人工厂(Z-Factory)、中枢控制台(Z-Commander)、终端机器人(Z-Robot)四部分组成，其中终端机器人(Z-Robot)可单独使用，也可结合企业所需嵌入某流程中使用。

　　RPA的核心部分，又叫流程编辑器。基于前期对企业客户及RPA的研究调查，我们配置的流程编辑器拥有强大的稳定性和兼容性，同时内部组件库深度汲取了人工智能“SOTA”技术，能充分适应企业级复杂流程的创建与运行。

　　1、可视化低代码，小白也能轻松上手

　　当用户登录Factory系统的时候，可以快速的开启原历史打开或创建的应用。我们可视化的、流程块的节点编辑，通过简单的拖拉拽，就可以搭建符合当前用户场景的业务逻辑。如果对业务流程一知半解也没关系，我们内置了丰富的典型案例，用户可以在这案例的基础之上去构建适合它的场景的应用，做相应的简单的改造。当然也可以直接运行典型案例的流程，享受流程自动化带来的快感。

　　2、处理复杂流程，企业级管理就是小case

　　我们自研的RPA流程引擎相较于传统的开源的Work Flow的流程引擎，它能支持复杂场景的流程设计，并支持多任务进行以及支持流程节点的异常处理。以下面两个真实的案例客户为案例：

　　从这个流程图当中可以看到，在繁杂的业务流程中，Factory能完成多任务并行，同时处理各种异常情况的扭转，我们也在这个流程节点中加了一些Try-Catch的机制，方便我们用户处理各种异常情况。

　　3、智能检索+超丰富组件库，花式打造各种流程

　　我们的AI能力通过组件化低门槛的方式，方便用户进行简单的调用，同时我们也支持私有化的部署。我们自研的基于计算机视觉的cv的组件，当前已支持了Flash、Sliverlight以及PDF相应的一些图片上面的元素的拾取和操作。当然在其他类型，如OCR类型，我们已支持常见场景的图片类识别，比如说身份证、、对账单、单、工业巡检等；在NLP这个类型中支持了具有通用性原则化的一些分词，包括关键词提取、语义分析、语义相似度分析等。，我们可以根据客户的场景去研发符合业务需求的能力。

　　4、公共参数可视化，既是拥抱变化也是维持稳定

　　大家都知道在互联网行业里，我们听得多的一句话就是拥抱变化。RPA数字员工，在安装部署的过程当中对环境的要求是非常的高，如果任何一个环节出现了变化，它的可用性就基本上降为0。有了公共参数可视化的配置组件，就完全可以解决以上这个问题，让我们数字员工具有能够拥抱变化的能力。它的实现的原理跟机制是把我们流程当中具有可变的因素、条件设为全局变量，支持可视化的配置输入，然后就可以提升我们整个流程应用的一个可维护性、可适配性。

　　充当流程的指挥官。顾名思义，统筹多台设备上客户端机器人的管理和监督、进行智能运筹调度、任务计划制定。它具备一高一低两个特性：一、产品的稳定性高，二、维护成本低。

　　三、Z-Bot终端机器人

　　任务的执行者，其中Bot包含三种模态：任务式，流程式，交互式。它们可以灵活部署在客户端设备上，并通过时间轴和数据看板的方式展现Bot各个时间节点上，每个任务执行情况以及执行结果，让效率进一步得到提升。同时Bot也具备了Z-Commander的一些基础的能力，它可以脱离Z-Commander的进行灵活的一个控制，灵活的任务管理，灵活的定时任务设定。

　　实在智能在传统“三件套“架构的基础上，了自研AI能力平台“智能云脑”Z-Brain。其中，在自然语言处理领域，Z-Brain覆盖了包括BERT、ALBERT、RoBERTa等算法；在计算机视觉领域，Z-Brain覆盖了DB、PMTD、RARE等算法。具备迭代、自动调参、多场景融合技术，可以输出AI组件，完成大规模复杂场景的智能决策。

　　首先是云脑部分的起点——Data Hub多元异构数据平台，由它接触我们客户的业务系统，进行数据的采集以及进行简单的处理，并将处理过后的数据传输到我们的标注平台，我们的业务专家，在标注平台进行业务能力的一个标注，然后实现人工智能的人工部分，通过标注过后的数据，再以在线的方式传输到我们的算法平台，相当我们人工智能有了数据的石油，算法平台里面可以进行数据的提炼（预处理），包括模型的构建、参数的设置、模型的训练以及的打包发布，可以将模型直接发布到我们的决策平台，由决策平台来进行业务的对接以及模型的一个计算，决策平台会将后续从Data Hub过来的业务环境的数据进行一个模型的计算，输出计算结果或者是决策方案，然后由这个方案发布送到我们的Commander，Commander来调度具体的Bot来进行根据决策进行相应的一个执行。

　　这就是我们智能决策机器人的全链路，它实现了一个从数据到决策的闭环。我们相信AI+RPA有着无限的可能，在未来机器人的协作里，RPA的发展肯定是机器人之间的协同工作能够产生无限的自动化和智能化提效的解决方案，我们首先需具备AI加RPA的产品矩阵，并以此形成适用于各行各业的RPA解决方案库。

　　相关新闻：实在智能RPA学院|包小黑如何科学地打标——弱监督系统snorkel在法律场景的应用

　　数据是人工智能的基石，更多的数据、更高的质量往往意味着更好的效果。然而大规模高质量数据的获取并非易事，通常需要花费大量的时间、精力和成本，尤其是在需要领域知识的情况下。数据标注，正日益成为人工智能发展过程中的瓶颈。鉴于此，弱监督方式开始受到人们越来越多的关注，如远程监督、规则/分类器进行启发式标注等。一般基于这种方式得到的数据准确率和覆盖率有限，需要对不同数据源进行合并来提高。对此，由斯坦福大学开发的snorkel系统，为这一场景提供了一整套解决方案，而基于snorkel metal实现的大规模多任务学习，则再次刷新了GLUE基准。本文首先会简单介绍一下snorkel系统的原理，接着将应用snorkel到法律场景的要素识别中，将讨论一下后续的工作方向。

　　snorkel系统主要用于解决数据标注问题，它不需要用户去手动标注训练数据，而是采用编程的方式快速进行批量标注，在实验测试中相比7小时的纯人工打标，速度提升2.8倍，预测性能提升45.5%。

　　数据处理：用于对文本进行结构化处理，方便提取出待标注的候选集。snorkel采用spacy进行文本数据的处理，包括词性标注、实体识别等。

　　标注函数：用于对数据样本进行打标，得到标注矩阵(LABEL MATRIX)。用户可以自实现标注函数，也可以用snorkel提供的接口，包括：正则、远程监督、弱分类器以及标注函数生成器。

　　建模时机：相比上述建模方法，在拟合不同标注函数的打标结果时进行简单也能得到的标签，虽然效果可能较差，但速度很快。对此，需要在计算时间和效果上进行折中考虑。理论研究证明，在标注密度（样本平均非0标签的比例）过高或过低时，上述建模方法相比方法并不能带来很好的效果提升，只有标注密度处于中等的时候才能带来收益。

　　三、法律场景的应用

　　判别模型：snorkel系统输出的标签为概率值，相比真实标签，保留了建模时的噪声信息。在获得snorkel打标的标签后，可直接用于后续判别模型的训练。

　　针对婚姻家庭相关纠纷（离婚纠纷、婚约财产纠纷等），使用snorkel对1.3万裁判文书未标注数据进行标注作为训练集，5000人工标注数据作为测试集。数据结构为案件描述+要素，模型需要预测案件描述信息中是否包含要素，包含为1，否则为0。

　　snorkel系统的数据处理流程主要是方便后续标注函数的编写。这里我们只简单考虑正则方式，不需要这一过程，因此直接跳过。

　　考虑3组正则作为标注函数，正则1和正则2均由人工根据要素编写，但在性能上存在差别，正则3用同义词对正则1进行扩展得到。

　　利用标注函数对1.3万未标注数据进行标注，得到1.3万*3的标注矩阵，使用snorkel训练生成模型后得到标签预测值。

　　使用1.3万snorkel打标数据训练分类器，在5000测试数据上进行效果测试。

　　为了测试生成模型对不同标注函数打标结果的拟合效果，我们直接使用3个标注函数对测试样本进行打标，测试每个标注函数的准确率，再同生成模型输出的标签预测值进行比较。

　　标注函数以及生成模型在测试样本上的 f1(率/召回率)如下

　　可见生成模型会对不同标注结果进行拟合，取得一个折中结果。

　　为了测试由snorkel打标数据训练的判别模型的效果，我们使用另外人工标注的1万样本训练分类器作为对比。效果对比如下

　　可见基于snorkel打标数据训练出来的模型效果接近人工标注的效果。

　　直接使用正则1可以得到更好的效果，但需要考虑的是这一结果可能是因为测试样本的分布与正则1更接近。不同的标注函数代表了不同的信息，因此增加标注函数可以提升模型的泛化能力。相较于直接使用正则1，更好的做法是提升其他标注函数的效果。

　　深度学习对数据的依赖，导致数据标注的重要性不断提升。snorkel通过编程标注的方式，可以方便快速的进行大量的数据标注，并通过训练生成模型对标注结果进行拟合，可以给出较为准确的标注结果。在法律场景的尝试中可以发现，使用snorkel打标数据训练的模型，其效果接近人工标注的效果。但仍存在很多问题，例如如何设计标注函数来得到的效果，基于测试结果可以知道，生成模型是拟合出一个折中的结果，标注函数设计的太差会导致结果变差。另外得到标注数据后如何更好地使用也是需要继续研究的方向（参考斯坦福大学后续metal项目）。

注意：本文为公告节选，部分内容省略，完整内容请查看交易所发布的PDF全文原文。

原标题:佳华科技:佳华科技2021年年度报告全文

公司代码：688051 公司简称：佳华科技

罗克佳华科技集团股份有限公司

一、 本公司董事会、监事会及董事、监事、高级管理人员保证年度报告内容的真实性、准确性、完整性，不存在虚假记载、误导性陈述或重大遗漏，并承担个别和连带的法律责任。

二、 公司上市时未盈利且尚未实现盈利

公司已在本报告中阐述公司经营过程中可能面临的各种风险及应对措施，敬请查阅本报告 “第三节 管理层讨论与分析”

四、 公司全体董事出席董事会会议。

五、 德勤华永会计师事务所（特殊普通合伙）为本公司出具了保留意见的审计报告，本公司董事会、监事会对相关事项已有详细说明，请投资者注意阅读。

佳华科技在财务报表附注五、19及附注十二披露，佳华科技之子公司山东罗克佳华科技有限公司(以下简称“山东罗克”)作为买方于2021年12月27日与卖方聊城市安泰城乡投资开发有限责任公司(以下简称

（-----已省略余下内容，完整内容请查看交易所发布的PDF全文原文----）