إنشَاء نماذجِ الذكَاءِ الاصطناعي المخصصة مِن نتائج تحليلاتِ التنقيب فِي العمليات.
Power Automate Process Mining فعالٌ فِي تحليلِ البياناتِ السابقةِ مِن العملية لمساعدتك عَلى تحديد كيفِية تحسين العملية. لتنشيطِ هذه الميزةِ، يمكنُك استيعابُ البيانات السابقة التي تتضمِن ثروةً مِن المعلومات التي يمكنُك استخدَامها أيضًا لإنشَاء نماذج الذكَاء الاصطناعي المخصصة. بعد ذلك، يمكنُك تحسينُ العمليةِ الخَاصةِ بك باستخدَامِ هذا النموذج فِي تشغيل العملية التلقائي.
عَلى سَبِيلِ المِثالِ، ضَع فِي اعتبارِك سيناريو تريدُ فِيه التنبؤ بمَا إذا كان الدفع متأخرًا أم لا. يمكنُك استخدَامُ التنقيب فِي العمليات لإجراء تحليلِ السببِ الجذري (RCA) الذي يركز عَلى المدفوعاتِ المتأخرةِ. فِي الصورةِ التاليةِ، تمَّ إعداد تحليلِ السببِ الجذري للتركيزِ عَلى المدفوعاتِ المتأخرةِ والمقاييسِ التي يمكن أن تؤثرُ عَلى هذا السيناريو.
مِن خلال استكشاف تحليلِ السببِ الجذري، يمكنُك تحديدُ التأثيرات عَلى التأخرِ فِي السدادِ بشكلٍ أفضل.
يمكنُك تصديرُ هذه البياناتِ لاستخدَامِها كبيانات تدريب مِن تحليلِ السببِ الجذري. بعدَ ذلك، يمكنُك استيرادُ هذه البياناتِ فِي Microsoft Dataverse لاستخدَامِها كبياناتِ تدريبٍ مِن خلال AI Builder. تتعلم النماذج التنبؤية فِي AI Builder مِن بياناتك التاريخية. يحللُ ويحدًدُ الأنماطَ ويربطُها بالنتائجِ. لمَزيدٍ مِن المَعلوماتِ، راجِع نظرة عامة عَلى نموذج التنبؤ.
وبعد ذلك، يمكنك التدريب مِن خلال هذه البيانات.
فِي الصورةِ التاليةِ، لاحِظ أنَّ النموذجَ المدربَ سجَّل "B" للأداءِ. تتبَّع المؤثرين أنفسهم الذين اكتشفتهم تحليل السببِ الجذري.
وبعد هذا، يمكنك الآن استخدَامُ النموذجِ سير العمل. يعملُ سير العملُ التالِي عَلى تسريعِ المطالبةِ للمساعدةِ عَلى تقليلِ المدفوعاتِ المتأخرةِ.
يوضحُ الفِيديو التالِي مثالاً شاملاً. تبدأُ العمليةُ مِن التنقيب فِي العمليات باستخدَامِ تحليلِ السببِ الجذري ثم تنتقلُ إِلى إنشَاءِ بيانات التدريبِ لنموذجِ ذكاءِ اصطناعي تنبؤي مخصَّص يستخدمه تدفق Power Automate.
باستخدَام البيانات السابقة، وباستخدَام التنقيب فِي العمليات للتركيزِ عَلى مِناطقِ المشاكلِ، يمكنُك ضخُ الذكَاءِ الاصطناعِي فِي عملياتِك لجعلها أكثر استباقيةً بدلاً مِن رد الفعل.