Описание
Клиент — крупная холдинговая компания. В силу масштабов деятельности и постоянного роста потока поручений, компания столкнулась с определёнными трудностями в поддержании высокой скорости и точности обработки бухгалтерских данных. Это стало одним из ключевых мотиваторов для поиска современных, технологичных решений в области автоматизации.
Заказчик обратился в Первый Бит с запросом существенно повысить эффективность отдела внутренней бухгалтерии за счет автоматизации работы с электронными документами.
Главные задачи автоматизации заключались в следующем:
- Существенно сократить время, необходимое на обработку объёмных массивов данных;
- Снизить количество ошибок, связанных с человеческим фактором;
- Освободить ценные человеческие ресурсы для решения нерутинных и стратегических задач;
- Обеспечить гибкость и масштабируемость новых решений с учётом перспектив дальнейшего роста компании.
Для достижения поставленных целей руководство компании тщательно подошло к выбору технологического решения и партнёра по автоматизации. Был проведён тщательный анализ текущего ИТ-ландшафта компании, сопоставлены доступные на рынке программные продукты и методы автоматизации. В результате было принято решение о внедрении системы на базе алгоритма машинного обучения Random Forest — для предсказания статей движения денежных средств и аналитик. Для своего обучения, модель использует заранее подготовленную базу данных клиента с уже известными данными для предсказания. Клиент указывает выгрузку, требующую проставления статей, и робот автоматически заполняет нужные статьи и аналитики. В случае, если робот уверен в своем решении менее, чем на 90%, он отправляет данные бухгалтеру для ручной обработки.
Реализация проекта стартовала с этапа глубокого аудита текущих бизнес-процессов клиента. После выявления ключевых точек роста было организовано масштабное тестирование, в ходе которого специалисты Первого Бита совместно с финансовым отделом клиента осуществили выгрузку, структурирование и разметку большого объёма исторических данных. Это позволило качественно обучить модель и адаптировать её к специфике процессов предприятия.
Далее последовала поэтапная интеграция и всестороннее тестирование системы на реальных данных. Особое внимание было уделено прозрачности работы искусственного интеллекта: для минимизации рисков внедрена система проверки порогового значения точности (90%). Все результаты, точность которых не достигала этого уровня, автоматически перенаправлялись на доработку бухгалтеру, что позволяло обеспечить как высокую автоматизацию, так и исключить потерю контроля над процессом.