Migliorare l'automazione dei flussi di lavoro con raccomandazioni d'azione

Le piattaforme di automazione aiutano gli utenti a automatizzare compiti ripetitivi usando i flussi di lavoro. Un flusso di lavoro inizia con un trigger che attiva una serie di azioni. Per esempio, quando arriva un'email, il flusso può salvare l'allegato su un servizio di storage cloud e registrare l'oggetto dell'email in un foglio di calcolo.

Anche se queste piattaforme, tipo Microsoft Power Automate, Zapier e IFTTT, permettono di creare flussi senza dover scrivere codice, il processo può essere comunque macchinoso. Gli utenti spesso devono setacciare una lunga lista di azioni per trovare ciò di cui hanno bisogno, rallentando il loro lavoro. Questo articolo esplora modi per semplificare il processo suggerendo azioni in base alle preferenze degli utenti.

#La Sfida della Selezione delle Azioni

Nell'automazione dei flussi di lavoro, selezionare le azioni può essere noioso, soprattutto quando ci sono migliaia di opzioni disponibili. Man mano che gli utenti costruiscono flussi più lunghi, aumenta il tempo speso a trovare le azioni giuste. Una soluzione comune negli ambienti di codifica è usare raccomandazioni. Per esempio, gli strumenti che suggeriscono frammenti di codice pertinenti aiutano i programmatori a lavorare più velocemente. Tuttavia, una tecnologia simile scarseggia nelle piattaforme di automazione.

Il nostro obiettivo è creare un sistema che raccomanda la prossima azione in un flusso di lavoro, rendendo più efficiente per gli utenti sviluppare i loro flussi. Invece di dover cercare l'azione giusta ad ogni passo, gli utenti possono ricevere suggerimenti personalizzati. Questo non solo accelera il processo di creazione dei flussi, ma lo rende anche più divertente.

#Come Funziona il Sistema di Raccomandazione

Per suggerire azioni, abbiamo sviluppato un modello che impara dal comportamento e dalle preferenze degli utenti. Questo modello si basa su recenti progressi nell'apprendimento automatico, specificamente utilizzando un tipo di modello noto come transformer. A differenza dei modelli tradizionali, il nostro sistema si concentra su ciò che un utente ha fatto in precedenza piuttosto che solo sul contesto attuale. Questo significa che i suggerimenti si basano più sulla storia dell'utente individuale che sulle azioni specifiche che stanno attualmente compiendo.

Quando un utente crea flussi di lavoro, il nostro modello guarda alle azioni che ha usato in passato. Considerando la frequenza di queste azioni e le connessioni tra di esse, il modello crea un suggerimento personalizzato per il passo successivo nel flusso di lavoro. Questo permette agli utenti di ricevere raccomandazioni pertinenti senza dover setacciare liste.

#Personalizzazione in Azione

La personalizzazione è fondamentale nel nostro approccio. Il nostro modello costruisce un profilo per ogni utente che include le azioni che usano più spesso. Per i nuovi utenti che non hanno ancora un profilo, ci assicuriamo che ricevano comunque buoni suggerimenti fornendo occasionalmente un profilo neutrale. In questo modo, anche se un utente è nuovo nella piattaforma, può comunque beneficiare di raccomandazioni ben informate.

Per testare l'efficacia del nostro modello personalizzato, abbiamo usato dati reali dagli utenti della piattaforma Power Automate. I nostri risultati hanno mostrato che i suggerimenti personalizzati miglioravano notevolmente l'accuratezza delle raccomandazioni. Infatti, quando il nostro modello è stato utilizzato, il suggerimento migliore era corretto nel 90% dei casi, e questo è aumentato al 98% quando abbiamo fornito suggerimenti multipli.

#Confronto degli Approcci

Per comprendere meglio l'efficacia del nostro modello, lo abbiamo confrontato con altri metodi di selezione delle azioni. Uno di questi metodi si basava su semplici modelli statistici, che non tenevano conto delle preferenze degli utenti. Il nostro modello personalizzato ha superato questi modelli più semplici di un margine significativo, mostrando l'importanza di personalizzare le raccomandazioni in base alle abitudini di ciascun utente.

Abbiamo anche analizzato come si sono comportati i nuovi utenti usando il nostro modello. I risultati hanno indicato che le performance del nostro sistema con i nuovi utenti erano costanti, il che significa che anche chi non aveva una storia pregressa poteva comunque beneficiare del nostro sistema di raccomandazione.

#Affrontare i Falsi Positivi

Un'altra sfida che abbiamo affrontato è stata il problema dei falsi positivi nelle raccomandazioni delle azioni. A volte, il modello potrebbe suggerire azioni che non erano rilevanti o utili per l'utente. Per ridurre questo problema, stiamo indagando su modi per limitare le raccomandazioni solo a quelle azioni di cui il modello è sicuro. Impostando una soglia per la probabilità di un suggerimento, possiamo filtrare le raccomandazioni meno certe, fornendo agli utenti solo le opzioni più rilevanti.

#Conclusione

In sintesi, abbiamo sviluppato un modello di raccomandazione per azioni personalizzate per le piattaforme di automazione dei flussi di lavoro. Imparando dal comportamento e dalle preferenze degli utenti, il nostro modello offre suggerimenti tempestivi e pertinenti che possono migliorare notevolmente l'esperienza dell'utente. I nostri esperimenti dimostrano che la personalizzazione porta a migliori raccomandazioni, aiutando gli utenti a creare flussi di lavoro in modo più efficiente e piacevole.

Il futuro di questa ricerca si concentrerà sul perfezionare ulteriormente il nostro modello, soprattutto in termini di soppressione delle raccomandazioni meno certe. Assicurandoci che gli utenti ricevano i suggerimenti migliori possibili, miriamo a migliorare l'efficienza complessiva delle piattaforme di automazione dei flussi di lavoro e a renderle più user-friendly per tutti. Man mano che l'automazione continua a crescere in importanza, questi progressi renderanno più facile per le persone automatizzare i propri compiti senza la necessità di competenze di codifica.