Что это?
AI (англ. artificial intelligence - искусственный интеллект) - набор технологий, позволяющий реализовывать компьютерные программы, которые могут выполнять задачи, традиционно считающимися выполнимыми только с помощью когнитивных способностей человека. Это позволяет автоматизировать комплексные или творческие задачи, что ранее считалось невозможным.
Сопоставления
Одной из задач в повседневной работе ресторана является сопоставление разного рода номенклатур с справочником ERP ресторана - вам пришло от поставщика "Вино сортовое ординарное сухое красное САПЕРАВИ", а в вашей учётной системе это просто "Саперави". Чтобы любая учётная система могла понять, что первое равно второму, человеку нужно сообщить ей это. Сопоставления являются одной из ключевых функций DocsInBox - мы запоминаем ваш выбор по сопоставлению и таким образом для каждой номенклатуры поставщика в нашей системе нужно это сделать всего 1 раз, далее всё будет происходить автоматически.
Как автоматизировать сопоставления?
Решая проблему сопоставлений, DocsInBox таки не может сделать это полностью: вам всё ещё придётся сопоставлять новые номенклатуры вручную, особенно если вы переходите на нового поставщика. Более того, в DocsInBox ещё есть множество мест, где необходимо сопоставить один ряд номенклатур с другим, чтобы предоставить более качественный сервис клиенту, не беспокоя его. Например: сопоставить строки УПД с обычной накладной от поставщика, чтобы не требовалось принимать 2 накладных. В поисках решений по автоматизации сопоставлений мы испробовали множество способов. Конечно, мы могли бы напрограммировать сложную систему анализа текста ваших номенклатур, возможно она даже сработала бы с примером выше, т.к. в обеих номенклатурах фигурирует "саперави". Но как машине понять, что "Укроп св." от поставщика это "Зелень в ассортименте" в вашей УС? Или что "Контейнер прямоугольный с крышкой" поставщика это "Хоз.товары" в вашей учётной системе? По результатам наших экспериментов, точность традиционных методов автоматизации сопоставлений не достигла бы и 25% номенклатур наших клиентов. Тут нужен другой подход, нужно не просто анализировать текст, но и понимать его смысл: понимать, что "укроп" и "зелень" это очень близкие по семантике слова и исходя из этого сделать предположение о схожести номенклатур. Именно с такими задачами сейчас отлично справляются языковые модели на основе искусственного интеллекта (AI), а конкретнее машинного обучения (ML).
Что у нас получилось?
Теперь DocsInBox будет предлагать вам до 3 вариантов сопоставлений при открытии поля:
Эти сопоставления подобраны на основе анализа языковой моделью вашего набора номенклатур и сравнения их с тем, что прислал поставщик. Мы подбираем до 3 вариантов наиболее подходящих по мнению AI номенклатуры и выдаём вам в быстрый доступ, для выбора достаточно просто кликнуть на одну из них. Конечно же, никуда не исчезла и возможность найти номенклатуру по-старому через поиск.
Это пока только бета-версия наших AI-сопоставлений, мы анализируем результаты ваших сопоставлений и в дальнейшем планируем улучшить результаты выдачи AI вариантов сопоставлений, но уже сейчас на большинстве тестовых выборок AI показывает результаты не менее 70% попаданий в топ-3.
На качество AI-сопоставлений влияет множество факторов. Основные из них - размер справочника номенклатур и количество схожих номенклатур. Т.е. если у вас десятки тысяч номенклатур в УС и встречаются дубли, то задача подбора сопоставления значительно усложняется, так что вероятность, что AI подберёт нужную номенклатуру, уменьшается.
Как это работает?
Опуская технические и математические особенности, основной смысл заключается в том, чтобы перевести названия номенклатур из понятных человеку букв в понятные компьютеру наборы данных. Компьютер размещает эти данные в векторном пространстве (условно на плоскости координат), где чем ближе расстояние между словами, тем ближе их семантическое значение. Далее, обучая нейронную сеть, мы влияем на эти значения, заставляя языковую модель размещать ближе значения близкие по смыслу (например, "укроп" и "зелень") и дальше друг от друга непохожие.
Обучив нейронную сеть, мы можем перевести все номенклатуры ресторана в вид понятный компьютеру, разместить их на графике, сделать то же самое с номенклатурой поставщика и найти в этом пространстве наиболее близкие понятия.
