Umelá inteligencia pre firmy

Keď do spoločnej schránky prídu faktúra, servisný dopyt a doplňujúca fotografia, každá správa potrebuje iné spracovanie. Na vašich príkladoch overíme, čo model správne rozpozná, kde potrebuje pomoc človeka a ako má potvrdený výsledok prevziať firemný systém.

Prijaté doklady, F-118. Suma dokladu bez DPH: 500 €. Na potvrdenie.
Modelová ukážka rozhrania

Práca s dokladmi, správami a firemnými znalosťami

  • Čítanie dokladov

    Z faktúr, objednávok a formulárov vytiahne údaje a pripraví ich do systému.

  • Triedenie správ

    Rozpozná, čo zákazník chce, a pridelí požiadavku správnemu človeku.

  • Vyhľadávanie v dokumentoch

    Odpovie na otázku z firemných smerníc, zmlúv a návodov a ukáže, odkiaľ odpoveď vzala.

  • Návrhy odpovedí

    Pripraví odpoveď na častú otázku, ktorú človek len skontroluje a odošle.

  • Kontrola údajov

    Upozorní na chýbajúce alebo nezvyčajné údaje skôr, než narobia škodu.

  • Zhrnutia

    Z dlhého vlákna alebo zápisu spraví krátke zhrnutie s úlohami.

Kedy umelú inteligenciu neodporúčame

Splatnosť podľa dohodnutého počtu dní môže vypočítať priamo účtovný program. Model má zmysel napríklad pri čítaní poznámky na doklade, kde môže byť dohodnutá výnimka zapísaná rôznymi slovami.

Pri skúške oddelene vyhodnotíme správne rozpoznané výnimky, prehliadnuté prípady a zbytočné upozornenia. Účtovník tak uvidí, koľko dokladov musí skontrolovať a kde sa potrebuje vrátiť k originálu.

Kedy má zmysel pristúpiť od ukážky k pilotnej prevádzke

Pri rozhodovaní o pilote si vyberte úzku úlohu so známym správnym výsledkom, napríklad výber zákazky podľa prijatého potvrdenia. Pripravte bežné podklady, neúplné podklady aj príklady, pri ktorých ani odborník bez doplnenia nedokáže rozhodnúť. Pre poslednú skupinu je správnym výsledkom odovzdanie človeku.

Úspešnosť merajte na prípadoch, ktoré sa nepoužili pri dolaďovaní. Zaznamenajte nesprávne automatické rozhodnutia, potrebný čas na kontrolu a oneskorené alebo odmietnuté požiadavky. Až spojenie kvality s časom obsluhy a nákladom na jednu vybavenú úlohu umožňuje posúdiť použiteľnosť v konkrétnej prevádzke.

Rovnaká chyba má pri rôznych úlohách rôzny dôsledok

Nesprávne označenie témy správy môže pracovník opraviť pred jej odoslaním na ďalšie pracovisko. Chybné prečítanie sumy na podklade pre úhradu má podstatne iný následok. Pri návrhu preto pomáha označiť, ktorú odpoveď človek uvidí a ktorú akciu by už systém vykonal.

V pilotnej sade skúste rovnakú mieru neistoty pri oboch úlohách. Triedenie môže zostať návrhom pre pracovníka, kým pri sume môže byť podmienkou overenie voči inému zdroju. Výsledkom je pomenované rozhodnutie o vhodnej úrovni kontroly pre konkrétnu úlohu.

Otázky z praxe

Ktoré prípady zaradiť do skúšobnej sady pre firemnú AI?

Vyberte prípady zastupujúce skutočné úlohy aj hraničné situácie, napríklad neúplnú otázku, zastaraný cenník alebo rozporné podklady. Ku každému zaznamenajte očakávaný postup vrátane odovzdania človeku. Vhodná sada tak ukáže aj to, či funkcia dokáže označiť nedostatok spoľahlivých podkladov.

Ako porovnať automatizáciu pravidlami s modelom pre rovnakú úlohu?

Použite rovnaké vstupy a posúďte dôsledok každého typu chyby, potrebu ručnej kontroly aj náklady na zmenu pravidla. Pri čítaní jednoznačného kódu môže stačiť pevný postup. Pri voľne formulovanej správe zase skúste, či model zmysluplne pomôže pred rozhodnutím zodpovedného pracovníka.

Kedy má pracovník vidieť podklady k návrhu vytvorenému umelou inteligenciou?

Najmä keď návrh ovplyvní odpoveď zákazníkovi, číselný údaj alebo zmenu v evidencii. Pracovník potrebuje vidieť zdroj, použitú časť a prípadné rozpory. V pracovnej skúške overte, či vie návrh opraviť, odmietnuť alebo vyžiadať doplnenie bez straty pôvodného znenia zákazníckej požiadavky.

Potrebujete poradiť?

Opíšte nám, čo potrebujete vyriešiť. Odpovedáme e-mailom.

O čo máte záujem?

Martin Michalka vám pošle návrh e-mailom. Opíšte jednu úlohu, ktorú vo firme robíte opakovane.

Ako vás máme kontaktovať?