[논문 리뷰] Automated Discovery of Data Transformations for Robotic Process Automation

Volodymyr Leno, Marlon Dumas외 3명|arXiv (Cornell University)|2020. 01. 03.

Robotic Process Automation Applications참고 문헌 14인용 수 13

한 줄 요약

이 논문은 로봇 프로세스 자동화(RPA)의 사용자 인터랙션(UI) 로그에서 데이터 변환 규칙를 자동으로 발견하기 위한 최적화된 접근법을 제안한다. 이 방법은 알파벳/숫자 토큰과 대상 기반 그룹화를 활용하여 필드 내용 패턴을 분석함으로써 효율성을 크게 향상시킨다. 이는 실제 세계의 데이터 전송 시나리오에서 변환 규칙 발견 시간을 수시간에서 2분 미만으로 단축시키며, Foofah의 난이도 높은 적용 방식보다 100배 이상 빠른 성능을 달성하고 100% 정확도를 확보한다.

ABSTRACT

Robotic Process Automation (RPA) is a technology for automating repetitive routines consisting of sequences of user interactions with one or more applications. In order to fully exploit the opportunities opened by RPA, companies need to discover which specific routines may be automated, and how. In this setting, this paper addresses the problem of analyzing User Interaction (UI) logs in order to discover routines where a user transfers data from one spreadsheet or (Web) form to another. The paper maps this problem to that of discovering data transformations by example - a problem for which several techniques are available. The paper shows that a naive application of a state-of-the-art technique for data transformation discovery is computationally inefficient. Accordingly, the paper proposes two optimizations that take advantage of the information in the UI log and the fact that data transfers across applications typically involve copying alphabetic and numeric tokens separately. The proposed approach and its optimizations are evaluated using UI logs that replicate a real-life repetitive data transfer routine.

연구 동기 및 목표

• 사용자 인터랙션 로그를 분석하여 RPA에서 자동화 가능한 데이터 전송 루틴을 발견하는 데 도전하는 것.
• 실제 UI 로그에 최신 기술인 데이터 변환 규칙 발견 기법(예: Foofah)을 직접 적용할 경우 발생하는 계산 비효율성을 해결하는 것.
• 데이터 전송 중 소스 및 타겟 필드의 구조적 및 어휘적 패턴을 활용하여 확장성과 성능을 향상시키는 것.
• UI 로그에서 유도된 입력-출력 예시로부터 RPA 봇을 위한 변환 프로그램을 자동 생성하는 것.

제안 방법

• 이 방법은 데이터 전송 루틴을 예시 기반 데이터 변환 규칙 발견으로 매핑하며, 각 루틴을 입력 필드(소스)에서 출력 필드(타겟)로의 매핑으로 모델링한다.
• 두 가지 핵심 최적화 기법을 도입한다: 타겟 필드 기반으로 변환 예제를 그룹화하여 더 작은, 해결 가능한 문제로 분리하고, 필드 내 알파벳 및 숫자 토큰의 순서를 분석하여 검색 공간을 축소한다.
• 이 방법은 UI 로그의 구조를 활용하여 필드 수준의 매핑을 식별하고, 변환 마이닝을 위한 입력-출력 예시를 추출한다.
• Foofah 알고리즘을 데이터 변환 규칙 발견에 적용하지만, 필드 내용 패턴과 타겟 기반 분해를 통해 검색 공간을 정규화한다.
• 최적화 기법은 분할(1-다수), 병합(다수-1), 복잡한 재형식화(다수-다수)와 같은 일반적인 데이터 전송 패턴을 처리하도록 설계되어 있다.
• 이 방법은 모든 출력 필드가 명시적으로 복사된 입력 필드에서 유도된다고 가정하며, 각 추적(trace)가 단일 작업 실행에 해당하는 분할된 UI 로그가 필요하다.

실험 결과

연구 질문

• RQ1 데이터 변환 규칙 발견 기법을 UI 로그에 효과적으로 적용하여 RPA 루틴 추출을 자동화할 수 있는가?
• RQ2 실제 RPA 데이터 전송 로그에서 Foofah의 직접적 적용이 실무에서 실패하는 이유는 무엇인가?
• RQ3 정확도를 유지하면서도 변환 규칙 발견의 검색 공간을 어떻게 줄일 수 있는가?
• RQ4 필드 수준의 내용 패턴(알파벳/숫자 토큰)과 타겟 기반 그룹화가 성능과 확장성에 얼마나 기여하는가?
• RQ5 조건부 논리, 반복문, 또는 복사 기반 데이터 입력이 아닌 경우, 이 방법의 한계는 무엇인가?

주요 결과

• Foofah를 전체 UI 로그에 난이도 높은 방식으로 적용한 경우, 계산 시간이 지나치게 오래 걸려 3742.669초가 지나도 변환 규칙을 발견하지 못하고 타임아웃되었다.
• 최적화 1(타겟 기반 그룹화)를 적용한 결과 실행 시간은 10,551.536초로 단축되었지만, 9개의 변환 중 5개만 발견하여 복잡한 하위 문제에 대한 확장성 문제를 드러냈다.
• 결합된 방법(최적화 1 + 최적화 2)은 130.854초 만에 모든 9개의 변환을 발견하여 기준 기준 대비 100배 빠른 성능 향상을 보였고, 최적화 1만 사용한 경우 대비 70% 향상된 성능을 기록했다.
• 최적화된 방법은 1-1, 1-다수, 다수-1, 다수-다수 등 모든 변환 유형을 성공적으로 발견하여 다양한 데이터 형식에 대한 강건성을 입증했다.
• 이 방법은 스프레드시트와 웹 폼 간의 구조화된 데이터 전송 루틴에 효과적이며, 특히 수동으로 복사 및 재형식화하는 경우에 특히 유용하다.
• 한계점으로는 시각적 읽기 기반(복사 동작 없음), 조건부 논리(예: 국가 기반 날짜 형식), 중첩된 반복문(예: 다중 라인 항목 입력)에 기반한 변환을 감지하지 못한다는 점이 있다.