有人说，数据是一种新的能源，形成了一种令人垂涎的资源，为企业决策提供动力。虽然，原始形式的数据并没有多大用处。它需要被提取、提炼和加工——其成分通过从源头到炼油厂再到最终消费者，输送到各种产品中。

数据处理的每一步都是需要一定的成本输出。使用不合适的分析工具分析数据本质上是一种资源浪费，随着数据集的增长，提取适当的、最有价值的信息输送到业务方，成为了一项更加繁重的任务。

鉴于这一挑战，一些再使用AI技术实现数据的自动化分析，这一过程称为机器人数据自动化或 RDA。

数据整理

企业数据集不仅在增长，在许多情况下它们还得实时处理。这些数据以多种格式体现，并分布在公司庞大的 IT 基础架构中，包括本地服务器、外部云和档案室。

它们需要收集、清理、验证、提取、元数据丰富——一系列广泛的步骤，只是为了让数据准备好用于其预期用途。每一步都可能是时间密集型的，任何一步的失败都可能导致无效的输出。

RDA机器人通过使用人工智能工具(如 IBM Watson、OpenAI、GPT-3或数百个其他机器人)，让业务流程更加智能化，自动化，减少人工的干预。

实际上，一台简单的机器将不同的功能拼凑在一起，在需要时调用更复杂的功能，形成一整套可实现业务需求的流程。如果执行得当，自动化可以帮助企业更快地实现信息的价值。

RDA 工具还可以帮助打破现有的数据处理范式，AIOps 供应商为客户提供有限的定制化工具集，用以客户的数据进行交互。这些工具集与其他工具的联系有限，用例范围更窄，数据格式输出更严格。

CloudFabrix、Snowflake 和 Dremio 等公司声称他们的 RDA 工具将客户从这些限制中解放出来，并提供其他优势，例如数据生成；数据完整性检查； AI 模型和机器学习 (ML) 模型；内联数据映射；以及数据屏蔽、编辑和加密。

RDA 工具的其他用例包括：

• 异常检测：从监控工具中提取数据，比较历史 CPU 使用数据，然后使用回归构建可以作为附件发送的模型
• 工单聚类：从公司的工单管理软件编译工单，将它们聚集在一起，然后将输出推送到新的数据集中，并进行可视化
• 变更检测：检查虚拟机 (VM) 并与当前状态进行比较，以系统及业务变更。

RDA 与 RPA

许多人都比较熟悉 RPA机器人。RPA一些概念与 RDA 有相似之处，两者都通过使用低代码机器人来简化常见任务。他们分歧的地方在于，RPA 在简化常见的用户任务和工作流程，而 RDA 直接针对数据方向。

尽管 RDA 和 RPA 都是使用简单的机器人来节省耗时、琐碎任务的时间。

RPA 的一个常见示例是以完成表单的机器人。机器人学习如何重复填写表格，直到 RPA 接受了有关填写表格的训练。这种类型的机器学习类似于手机如何根据用户的打字习惯，生成预测性文本建议。

一旦经过训练，机器人就根据用户的信息，自动完成表单，例如将表单提交给预期的目标。虽然从长远来看，这可以加快这一过程，但 RPA 系统可能需要几个月的时间来训练，然后才能发挥其优势。

RDA 的长期价值

将时间密集型任务自动化，并弹出人力完成更有价值的工作。这些系统（如 RDA 或 RPA）的成功取决于我们如何实施。

当然，这些工具需要经过业务训练，并与业务流程进行交互，但企业也有责任将新工具与其现有业务流程合并。人工智能驱动的工具和自动化软件仍处于起步阶段，我们仍在寻找新的服务领域，为其提供的服务方面仍在完善。