解析
在被测软件领域随机的模式下 ， 各厂商的传统模式拾取能力普遍不高 ， 海外厂商受影响更大 ， 显然主要通过 windows 底层能力实现拾取的厂商在跨领域软件控制上受到了很大的限制 ， 传统拾取模式下 ， 若某款软件底层架构无法解析 ， 其元素即无法拾取 ， 因此也无法完成最基础的组件功能 。
智能模式下 ， 拾取效果显著提升（平均提升高达：48.08%） ， 说明传统 RPA 厂商和具备 AI 能力的厂商在这一项上的差异巨大！研究小组在测试过程中发现 ， 虽然智能模式对 RPA 产品的拾取能力提升巨大 ， 但是在细粒度小目标的精准识别上 ， 如在拾取百度网盘、企微、千牛等软件元素时 ， 偶有发生黏连、识别不到的情况 ， 也有元素框选取不够准确的现象 ， 显示各 RPA 厂商在 AI 能力上也有显著差异 ， 本项测试评分最高的是实在智能的实在 RPA ， 在小目标识别的准确度、识别速度和使用便捷性上都让人感觉眼前一亮 ， 该产品的拾取将 CV 识别和普通识别进行整合 ， 直接在 CPU 环境中运行 ， 可以自动切换模式 ， 对用户无感 ， 默认智能拾取方式 ， 同时也提供了普通拾取模式 ， 这大大减少了研究小组构建测试流程包需要在普通模式和 CV 模式之间来回切换构建流程的时间 ， 也让小编少受了不少折磨 。 Uipath 的拾取能力在有了 CV 加持以后也得到了大幅提升 ， 迅速回到了头部位置 。
作为 RPA 产品的核心能力 ， 主流 RPA 产品元素拾取能力 ， 通过结合 CV 算法 ， 一定程度上弥补了软件品类的限制 ， 基本都达到商业可用的程度 ， 体现了 AI 技术特别是底层模型构建和服务能力对 RPA 产品的重要贡献 。 随着 AI 技术的不断发展以及在 RPA 产品上的应用 ， 未来 RPA 产品的核心竞争力 ， AI 能力必然是重要因素 。
二、任务完成能力
方法
通过指标 “流程执行完成率” 评价“任务完成能力” 。 无报错运行一个任务流程包至结束视为成功一次 ， 统计成功次数占比 ， 数据归一化转为百分制 ， 计算该项得分 。 由于不同厂商产品存在设计组件的差异 ， 评测时采用完全相同的流程包设计框架 ， 保持拾取方式一致 ， 且设置相同的延时时间 。

1. 设计 10 个场景任务流程包；对于完全采用传统拾取模式可执行的任务 ， 单独统计 。
2. 间歇性循环执行流程包任务 ， 将是否成功、运行时间、系统参数等存入数据库 。
3. 评分公式：完成率 x = 成功运行流程数 / 流程运行总数 ， 归一化采用最简洁的离差标准化即线性变换 ， 映射至区间[80, 100] ， 分值映射公式为：y=80+(x-min)/(max-min)*20 ， 其中 min=0.68 ， max=1.00 ， 为归一化后数据边界最值 ， 截取两位小数 。 由于传统拾取模式下只能完成全部流程任务的 70% ， 为保证评分客观性 ， 传统模式下采用完成率乘以系数 0.7 的方式计算 。

得分

文章图片

结论
传统模式下 ， 各厂商的任务完成能力无显著差异 ， 且各厂商的任务完成能力普遍不高 ， 但是智能模式与传统模式相比对任务完成能力提升明显 。
解析
本评测模块 ， 重点考察同环境下设定任务的完成能力 。 传统的拾取模式限制下 ， 各家产品都存在一定的软件局限 ， 某款软件元素不能识别 ， 会直接导致流程无法操作 ， 任务场景受限 ， 失败率较高 。
智能模式的 RPA 产品流程包 ， 在无干扰 windows 系统环境下表现出色 ， 任务完成能力评分均超过 98 分 ， 平均提升 18.8% 。 本项稳定性测试表明 ， 作为老牌厂商的 Uipath ， 其运行流程非常稳健 。 值得指出的是 ， 本项指标看上去差异不大 ， 但是在流程运行的绝对数量大幅提升和部署机器人数量巨大的情况下 ， 各个厂商的服务和维护成本会体现出来巨大的差异 。