SAP и DataRobot выводят свое партнерство на новую высоту, укрепляя сотрудничество за счет интеграции возможностей прогнозного и генеративного искусственного интеллекта. Мы разработали передовое партнерство, которое позволит клиентам получать прибыль с помощью искусственного интеллекта за счет плавного соединения основного SAP BTP с возможностями искусственного интеллекта DataRobot.
В качестве примера давайте рассмотрим, как организации могут использовать возможности прогнозирующего и генеративного искусственного интеллекта для оптимизации обработки счетов, предлагая более быструю, точную и экономически эффективную альтернативу ручному просмотру и проверке.
Бизнес-проблема
Сейчас компании всех размеров сталкиваются с общей проблемой: непрекращающимся потоком счетов. Значительный объем финансовой документации может быть огромным, и часто требуется армия сотрудников, занимающихся ручным анализом и проверкой. Однако этот подход не только требует много времени и средств, но также подвержен человеческим ошибкам, что делает его хрупким звеном в финансовой цепочке.
Использование потенциала ИИ сейчас важнее, чем когда-либо прежде. Предприятия могут использовать модели прогнозного искусственного интеллекта, чтобы учиться на исторических данных о счетах, распознавать закономерности и автоматически отмечать потенциальные аномалии в режиме реального времени. Это не только ускоряет процесс проверки, но и значительно снижает вероятность погрешности, предотвращая дорогостоящие ошибки. Кроме того, интеграция генеративного искусственного интеллекта позволяет кратко обобщать обнаруженные аномалии, улучшая коммуникацию и облегчая командам принятие быстрых и осознанных действий.
Интегрированное AI-решение SAP и DataRobot
Это приложение искусственного интеллекта улучшает обработку счетов за счет сочетания прогнозирующего и генеративного искусственного интеллекта для выявления нарушений в счетах и сообщения о проблемах, связанных со счетами.
- Используйте модель прогнозного ИИ для обнаружения аномалий.
- Бизнес-перспектива: Обнаружение аномалий может помочь выявить нарушения, такие как неправильные суммы, недостающая информация или необычные закономерности, перед обработкой платежей.
- Реализация: обучение модели с использованием исторических данных о счетах для распознавания закономерностей и типичных характеристик счетов. При обработке новых счетов модель искусственного интеллекта может отмечать потенциальные аномалии для проверки, снижая риск ошибок и мошенничества.
- Подведение итогов по генеративному ИИ:
- Бизнес-перспектива: После выявления аномалий важно сообщить о проблемах соответствующим членам команды. Традиционные методы отчетности могут быть многословными и отнимать много времени. Генеративный ИИ может помочь интерпретировать и обобщить обнаруженные аномалии в кратком и удобочитаемом формате.
- Выполнение: Используйте LLM для создания поясняющей сводки обнаруженных аномалий. Модель ИИ может извлекать ключевую информацию из результатов обнаружения аномалий и предоставлять четкое и структурированное описание, в котором обобщаются обнаруженные аномалии и причины, по которым их следует считать аномалиями, что упрощает понимание проблем аналитиками и менеджерами.
Обзор архитектуры и реализации
Для достижения этих целей наши платформы используют различные точки интеграции, как показано на графике архитектуры ниже:
1. Подготовка и прием данных
Данные счетов подготавливаются и анализируются в SAP Datasphere/HANA Cloud. DataRobot получает доступ к этим данным из HANA Cloud и принимает их через соединитель JDBC.
2. Разработка функций и обучение прогнозной модели.
Инженеры DataRobot анализируют и проводят эксперименты с набором данных о счетах, что позволяет вам обучать модели обнаружения аномалий, которые превосходно выявляют счета с нестандартной или ненормальной информацией. Выбранный вами подход можно адаптировать к вашему конкретному сценарию данных — независимо от того, помечены ли у вас данные или нет. У вас есть варианты эффективного решения этой проблемы: с помощью контролируемого или неконтролируемого подхода.
В этом случае мы использовали исторические записи, которые были разделены на аномалии и неаномалии. После приема данных DataRobot проводит обширный исследовательский анализ данных, выявляет любые проблемы с качеством данных и автоматически генерирует новые функции и соответствующие списки функций. Подготовив все это, мы смогли провести комплексный анализ посредством 64 различных экспериментов за короткий период времени. В результате нам удалось определить наиболее эффективную модель на переднем крае таблицы лидеров. Такой подход позволил нам выбрать наиболее эффективную прогнозирующую модель для поставленной задачи.
В рамках каждого из этих экспериментов у вас есть возможность тщательно оценить их эффективность. Этот анализ дает ценную информацию о том, как каждая прогнозная модель использует функции вашего счета для получения точных прогнозов. Чтобы облегчить этот процесс, у вас есть доступ к множеству инструментов, включая диаграммы подъема, кривую ROC и объяснения прогнозов SHAP, которые оценивают, какой вклад каждая функция вносит в данный прогноз. Эти аналитические данные предлагают интуитивно понятные средства для более глубокого понимания поведения модели и ее влияния на данные счетов-фактур, что позволяет вам принимать обоснованные решения.
3. Развертывание модели
Как только мы определим оптимальную прогнозную модель, мы приступим к переходу решения в производство. На этом этапе наш прогнозирующий и генеративный подходы искусственного интеллекта плавно объединяются путем организации развертывания неструктурированной модели в DataRobot. Это развертывание гармонизирует модель прогнозного ИИ для обнаружения аномалий с моделью большого языка (LLM), которая превосходно генерирует текст для передачи прогнозной информации. Альтернативно у вас есть возможность развертывать модели прогнозного ИИ непосредственно в SAP AI Core, предлагая дополнительный путь для ввода в эксплуатацию вашего решения.
LLM суммирует обоснования, связанные с каждым прогнозом, что делает его легко усваиваемым для ваших нужд финансового анализа. Эта универсальная стратегия развертывания гарантирует, что полученные аналитические данные будут доступны и применимы в соответствии с уникальными бизнес-требованиями вашего бизнеса.
Два простых файла Python легко организуют эту интеграцию с помощью простых функций и перехватчиков, которые будут выполняться каждый раз, когда для счета-фактуры требуется прогноз и его последовательный анализ. Первый файл с именем helper.py содержит учетные данные для подключения к GPT 3.5 через Azure и содержит приглашение обобщить объяснения и идеи, полученные на основе прогнозной модели. Второй файл с именем custom.py легко управляет всем конвейером прогнозирования и генерации с помощью нескольких простых перехватчиков. Вы можете найти пример создания пользовательских файлов Python для неструктурированных моделей в нашей статье. репозиторий GitHub.
У вас есть возможность протестировать и проверить эту неструктурированную модель до ее развертывания, гарантируя, что она последовательно дает запланированные результаты без каких-либо эксплуатационных сбоев.
4. Бизнес-приложение
Как только развертывание будет официально запущено в производство, доступная конечная точка API станет вашим мостом для подключения к развертыванию, беспрепятственно генерируя точные результаты, которые вы ищете в SAP Build.
Затем мы создаем бизнес-приложение для обнаружения аномалий в счетах в SAP Build. Это приложение получает прогнозные и генерирующие выходные данные посредством интеграции API и предлагает удобный интерфейс. Он представляет результаты в практичной и интуитивно понятной форме, гарантируя, что финансовые аналитики смогут легко загружать счета в формате PDF, упрощая рабочий процесс и улучшая общий пользовательский опыт.
5. Мониторинг производства
DataRobot осуществляет контроль над конвейером генеративного искусственного интеллекта посредством использования пользовательских показателей производительности и прогнозных моделей. Этот строгий процесс мониторинга обеспечивает постоянную надежность и эффективность нашего решения, предлагая вам бесперебойную работу.
Заключение
Подводя итог, можно сказать, что партнерство между SAP и DataRobot по-прежнему позволяет организациям быстро получать прибыль от своих инвестиций в ИИ, а теперь еще больше за счет использования генеративного ИИ. Прогнозирующее обнаружение аномалий и генеративный искусственный интеллект могут изменить проблемы и риски, связанные с обработкой счетов. Эффективность и точность резко возрастают, а общение становится более четким и оптимизированным. Теперь предприятия могут модернизировать свою деятельность, сэкономить время и уменьшить количество ошибок. Пришло время раскрыть потенциал этой преобразующей технологии и вывести вашу деятельность на новый уровень.
Об авторе
Белен работает над ускорением внедрения ИИ на предприятиях в США и Латинской Америке. Она внесла свой вклад в проектирование и разработку решений искусственного интеллекта в сфере розничной торговли, образования и здравоохранения. Она является руководителем WaiCAMP Университета DataRobot, инициативы, которая способствует сокращению гендерного разрыва в индустрии искусственного интеллекта в Латинской Америке посредством прагматического образования в области искусственного интеллекта. Она также участвовала в программе AI for Good: Powered by DataRobot, которая сотрудничает с некоммерческими организациями для использования данных для достижения устойчивых и долгосрочных результатов.
Знакомьтесь: Белен Санчес Идальго