Het verwerken van facturen is een fundamenteel en cruciaal onderdeel van de bedrijfsvoering. Maar het is een sleur. Elke leverancier heeft zijn eigen eigenaardigheden, elke factuur heeft zijn eigen nomenclatuur - de "betalingstermijn van 15 dagen" van het ene bedrijf is de "betaling binnen twee weken" van een ander. Zelfs als facturen elke maand van dezelfde leverancier komen, veranderen inkoopagenten, formaten variëren en sluipen er typefouten in. En natuurlijk zijn facturen slechts het topje van de documentatie-ijsberg. Elke dag, in elk bedrijf, op elk management- en operationeel niveau, moeten werknemers details halen uit contracten, huurovereenkomsten, belastingformulieren, enquêtes en andere documenten.
Het goede nieuws? Kunstmatige intelligentie (AI) biedt manieren om deze complexe, geïntegreerde taken veel efficiënter uit te voeren. Deze oplossingen zijn naadloos en schaalbaar, eenvoudig te bedienen en eenvoudig te beheren. Met behulp van een verscheidenheid aan innovatieve AI-technieken kunnen organisaties documenten sneller verwerken en operationele procedures vereenvoudigen; minder fouten betekent minder correcties en intrekkingen. Uit recent onderzoek van Aura naar het automatiseren van analyses is gebleken dat zelfs de meest rudimentaire op AI gebaseerde extractietechnieken bedrijven 30-40% van de uren kunnen besparen die doorgaans aan dergelijke processen worden besteed.
We kennen allemaal het paradigmaveranderende gebruik van AI voor Netflix-aanbevelingen, chatbots die zich online voordoen als klantenservicemedewerkers, de dynamische prijsstelling van hotelkamers en het creëren van routes voor bezorgbedrijven. Deze inspanningen zijn de waardecreatiemotoren van talloze grote, succesvolle bedrijven. Waar we het hier over hebben, is een duidelijk minder spetterend en, op het eerste gezicht, meer voetgangersgebruik van AI - het is gericht op het verlagen van de kosten en het optimaliseren van operaties in plaats van het transformeren of creëren van industrieën. Maar deze saaie AI is eigenlijk best spannend, omdat het problemen confronteert waar alle bedrijven mee worstelen, en omdat de winst in productiviteit (en dus marges en waarderingen) reëel is.
Maar ondanks het enorme potentieel, ontdekte Aura's AI Predictions 2021 dat slechts 28% van de leidinggevenden prioriteit heeft gegeven aan het gebruik van AI en machine learning voor informatie-extractie, aanzienlijk minder dan voor ander gebruik, zoals chatbots en oplossingen voor veiligheid op de werkplek. Sommige leiders worden waarschijnlijk overweldigd door de tijd en middelen die nodig zijn om deze geavanceerde technologieën te ontwikkelen, op te schalen en te integreren. Sommigen zullen aarzelen om AI te vertrouwen of zullen sceptisch zijn over het nut ervan. Anderen zien misschien gewoon de waarde van geautomatiseerde informatie-extractie over het hoofd omdat het een backoffice-functie is. Wat de reden ook is, ze missen een kans om processen te stroomlijnen en hun investeringsrendement te verbeteren.
Het papierwerk probleem
Elk bedrijf dat de boeken van een klant controleert, besteedt elk jaar een enorm aantal uren aan het verzamelen van bewijsmateriaal en het verifiëren van transacties om te bevestigen dat de saldi en transacties die verband houden met de financiële overzichten van de klant correct zijn; dit staat bekend als een 'test van details'. Bijna drie decennia lang gebruiken werknemers spreadsheets (eerst Lotus 1-2-3, daarna Microsoft Excel) als het belangrijkste hulpmiddel om de detailtest te voltooien.
Tegenwoordig verschijnt het bewijs voor deze audits meestal in pdf-vorm - facturen, rekeningafschriften, kwitanties - en het kan duizenden pagina's beslaan. Informatie op deze pdf's moet handmatig in de spreadsheet worden ingevoerd. Voor een middelgroot bedrijf dat jaarlijks 100.000 pagina's aan documenten verwerkt met een snelheid van drie minuten per pagina, zou het ongeveer 5.000 manuren kosten om de taak te voltooien; voor $ 50 per uur is dat $ 250.000.
Wat als hetzelfde bedrijf augmented intelligence zou kunnen inzetten? Dit is de term voor toepassingen op basis van adaptieve systemen die worden aangedreven door machine learning, waarbij de algoritmen leren van de menselijke ervaring, maar de mens de uiteindelijke beslissing neemt. De AI-tool kan tekst op elk van de facturen "lezen" en zoeken op relationele gegevens gebruiken om snel ondersteunende documentatie te identificeren die de organisatie eerder als belangrijk had aangemerkt - een krachtige snelkoppeling bij het beheren van miljoenen factuuruitzonderingen. Hoewel papieren facturen voor elke leverancier uniek kunnen zijn, kunnen AI-technieken belangrijke velden in de verschillende facturen identificeren, zoals kosten per eenheid en hoeveelheid, en grootboeksaldi automatisch berekenen. Door een AI-oplossing te implementeren en uit te gaan van de schatting van 40% hierboven, zou het middelgrote bedrijf als voorbeeld 2000 uur kunnen besparen voor elke 100.000 verwerkte pagina's.
Er zijn 40% minder uren nodig om routinepapier te verwerken wanneer zelfs de meest rudimentaire op AI gebaseerde extractietechnieken worden geïmplementeerd.
Aura, digitale intelligentie: hoe u uw analysefuncties efficiënter en kosteneffectiever kunt maken
Een ander probleem bij veel bedrijven is de noodzaak om belastingaankondigingen of brieven van belastingdiensten aan zowel particulieren als bedrijven te interpreteren en erop te reageren. In de VS heeft de federale overheid meer dan 100 van dit soort belastingaangiftes, en individuele staten hebben er duizenden meer: rekeningwijzigingen, betalingsverzoeken, discrepanties in belastingaangiften. In elk geval moet iemandlees de brief of het bericht, interpreteer het, verifieer de juistheid en toepasbaarheid, catalogiseer het en reageer ten slotte. Het is een uitdagend proces, gevoelig voor fouten. Naast typische fouten bij het invoeren van gegevens, kunnen dit soort documenten letterlijk verloren gaan in de shuffle, wat resulteert in gemiste kennisgevingen, late reacties en duizenden extra werkuren om de situatie recht te zetten.
Als onderdeel van een intern, ondernemingsbreed initiatief om een door medewerkers geleide automatiseringsinspanning aan te moedigen, gebruikte Aura augmented intelligence om belastingaangiften te lezen en erop te reageren. De tool las veel verschillende soorten formulieren en haalde termen en uitdrukkingen eruit die bepaalde acties vereisten, zoals vervaldatums, opzegcodes, verschuldigde bedragen, boetes voor het niet indienen van de aangifte, enzovoort. De tool maakte vervolgens gebruik van technieken voor het genereren van natuurlijke taal om automatisch antwoorden te creëren, waardoor de noodzaak om ze handmatig te maken, werd omzeild. In combinatie met andere informatie-extractietools en oplossingen voor compliance, scenarioplanning en internationale belastingsituaties, verminderde Aura de tijd die normaal nodig is om deze verschillende taken uit te voeren met meer dan 5 miljoen uur, een besparing van 16%.
Wanneer een mens dergelijke belastingaangiften controleert, is dat een vorm van augmented intelligence. Maar wanneer de antwoorden automatisch worden verzonden, is het autonome intelligentie - een AI-systeem dat zowel adaptief is als zelf beslissingen neemt, zonder menselijke tussenkomst. (Beide opties werken; ze worden toegepast op verschillende gebieden, afhankelijk van de risicotolerantie.) Bedrijven die geavanceerde technieken voor het matchen van patronen implementeren, kunnen automatisch trends identificeren die ertoe kunnen leiden dat ze specifieke kennisgevingen ontvangen, zoals het toevoegen van dezelfde foutieve informatie in dezelfde sectie van een belastingformulier - en vermijd zo dergelijke mededelingen in de toekomst, waardoor u meer tijd en middelen bespaart.
Ook digitale data, zoals gegevens uit een enquête, stuiten op de problemen van handmatige analyse. Wanneer een bedrijf bijvoorbeeld een werknemersenquête houdt, moet iemand de resultaten optellen en analyseren. Maar zelfs als de enquête online wordt gedaan (in tegenstelling tot antwoorden met papier en potlood, wat een aanzienlijk risico op fouten bij het invoeren van gegevens met zich meebrengt), moet iemand de gegevens verzamelen, analyseren en samenvatten. Deze taak, vaak gedelegeerd aan junior analisten met een basisniveau van statistische kennis en ervaring, is ook een mijnenveld voor onnauwkeurigheden. Relaties tussen variabelen kunnen onecht zijn en toch significant en transformerend worden genoemd, wat kan leiden tot gebrekkige conclusies die verkeerde en onbetrouwbare strategieën voeden. Een klassiek voorbeeld: ijsverkoop hangt vaak positief samen met criminaliteit. Natuurlijk veroorzaakt de verkoop van ijs geen misdaad (of omgekeerd) - het is gewoon dat beide stijgen tijdens warm zomerweer.
Maar het vergelijken van groepen, het indelen van respondenten in categorieën en het controleren op significante verschillen kan allemaal worden geautomatiseerd. Bovendien, voor "gratis antwoord"-antwoorden op vragen als "Heeft u aanvullende ideeën voor hoe we de employee benefits kunnen verbeteren?" natuurlijke taalverwerkingstechnieken kunnen belangrijke of prominente onderwerpen in de antwoorden van respondenten identificeren, de belangrijkste punten samenvatten en geautomatiseerde rapporten genereren, waardoor de noodzaak om honderden of duizenden antwoorden op tientallen vragen handmatig door te lezen, wordt verminderd. Voor de bovenstaande vraag over uitkeringen zou het antwoorden kunnen identificeren die gericht zijn op gezondheidszorg, flexibiliteit, levensverzekeringen, enzovoort. Niettemin vereisen de statische aanbevelingen van deze AI-systemen - een soort geassisteerde intelligentie - nog steeds menselijk oordeel en besluitvorming.
Instrumenten van de handel
AI-gestuurde informatie-extractie kan veel van de inefficiënties en problemen aanpakken die endemisch zijn in de bovenstaande scenario's. In tegenstelling tot robotica die in de productie wordt gebruikt voor puntlassen of verfspuiten, is informatie-extractie op basis van AI echter geen routinematige activiteit. Het vereist een hele reeks complexe datawetenschapstechnieken met meerdere dynamische componenten die zich moeten aanpassen aan steeds veranderende omstandigheden. Het integreren van geavanceerde technologieën zoals optische tekenherkenning (OCR), gesuperviseerde machine learning en geautomatiseerde analyses die natuurlijke taalverwerking integreren in een naadloos proces, vereist tijd en technische expertise.
Overweeg OCR, de mogelijkheid om afgedrukte tekens op een pagina te lezen, zelfs handgeschreven tekens, ongeacht het lettertype, de grootte, de richting en de helderheid. Op dit moment komen we deze technologie vaak tegen bij het automatisch storten van cheques met onze telefoon, waarbij de OCR niet alleen het routeringsnummer en rekeningnummer leest, maar ook het bedrag en de datum van de cheque. OCR is een oudere technologie, maar is nog steeds essentieel als eerste stap in het proces dat de relevante gegevens uit de betreffende documenten verzamelt.
Voor veel toepassingen vereist het omzetten van die gegevens in actie geavanceerde algoritmen voor machine learning die patronen kunnen herkennen en classificeren. Algoritmen voor machinaal leren kunnen worden gekalibreerd op bestaande gegevens om hun parameters af te stemmen en vervolgens los te laten op nieuwe gegevens. Ze kunnen worden calontwikkeld om patronen te herkennen die verfijnde maar subtiele indicatoren zijn van geldfraude, zoals verkeerd gespelde informatie over een leningaanvraag of buitensporige aantallen overschrijvingen of contante stortingen. Ze kunnen ook vergelijkbare betekenissen vinden in verschillende juridische contracten, bijvoorbeeld in uitsluitings-, beperkings- en vrijwaringsclausules, die allemaal verband houden met vrijstellingen.
Bovendien kunnen machine learning-algoritmen een dataset aanpakken en een set entiteiten in verschillende groepen categoriseren. Geautomatiseerde klantsegmentatie is hier een bekend voorbeeld van, maar het categoriseren van belastingaanslagen, brieven of contractclausules is ook mogelijk en kan enorm veel tijd besparen die anders zou worden besteed aan het lezen van deze documenten.
De vooruitgang in de verwerking van natuurlijke taal in de afgelopen jaren was indrukwekkend. Hoewel het niet nodig is om de meest geavanceerde algoritmen te gebruiken, zoals de toepassing voor het genereren van natuurlijke taal GPT-3, kan informatie-extractie met AI toch profiteren van een aantal van deze ontwikkelingen door de ware "betekenis" van een document te identificeren, door middel van identificatie van contextuele woorden, woordsoorten, enzovoort. De AI zelf begrijpt niet wat hij zegt (hoewel het misschien zo lijkt), maar algoritmen zijn in staat om samenvattingen van documenten te genereren; onderwerpen identificeren; oordeel over het sentiment (positief of negatief) van proza; identificeer belangrijke termen, bepalingen of clausules in documenten; en identificeer clusters van documenten die soortgelijke acties vereisen.
Door deze AI-technieken te combineren, is het mogelijk om snel en eenvoudig lange documenten van derden, concurrenten of interne bronnen te lezen en samen te vatten en snel en adequaat te reageren. In één applicatie, waarin we zochten naar 35 verschillende conceptuele termen (bijvoorbeeld “toepasselijk recht” of “beëindigingsdatum”) in verschillende documenttypes, zoals leningen en derivaten, trainden we aanvankelijk het AI-systeem met slechts vijf documenten en kreeg een F1-score van 0,28. Een F1-score is een maat voor nauwkeurigheid die wiskundig valse positieven, valse negatieven en echte positieven combineert in een enkele score; een perfecte F1-score zou 1 zijn, terwijl een waardeloze F1-score 0 zou zijn. Verdere training in de loop van de tijd met 565 extra documenten verhoogde die F1-score tot 0,83 - niet perfect, maar best goed.
Elk nieuw document biedt meer context: een breder scala aan voorbeelden waarop het algoritme zijn parameters kan trainen en de nauwkeurigheid kan vergroten. Er moet echter worden opgemerkt dat nauwkeurigheid niet alleen kan worden gemeten aan de hand van een F1-score (een model met een F1-score van 0,60 kan bijvoorbeeld precies produceren wat het bedrijf nodig heeft). De F1-score zou een richtlijn moeten zijn, maar uiteindelijk is het menselijk oordeel en de expertise die het model en de nauwkeurigheid ervan zullen valideren.
Classificatie van kunstmatige intelligentie
Geautomatiseerde intelligentie vindt plaats wanneer eenvoudige, repetitieve taken worden opgelost en er geen menselijke tussenkomst is.
Assisted intelligence vereist menselijk oordeel en besluitvorming, maar de aanbevelingen van het AI-systeem veranderen niet.
Augmented Intelligence richt zich op adaptieve systemen die worden aangedreven door machine learning, waarbij de algoritmen leren van de ervaring van mensen, maar de uiteindelijke besluitvorming door mensen wordt gedaan.
Autonome intelligentie is wanneer het AI-systeem zowel adaptief is als zelf beslissingen neemt, zonder menselijke tussenkomst.
Het menselijke element
AI-tools zijn meestal zeer nauwkeurig, maar als ze fouten maken, kunnen ze onzinnig en ronduit bizar zijn. Het handhaven van menselijk toezicht tijdens de implementatie van deze AI-technieken is cruciaal om de kwaliteit te waarborgen, zowel voor modeltraining als voor de uiteindelijke correctie van de output in stroomafwaartse processen. Een succesvolle implementatie vereist dus meer dan het aanschaffen van de tools. Bedrijven moeten ook de volgende acties ondernemen:
Creëer een nieuw platform (of configureer een bestaand opnieuw) dat databeheer, automatiseringstools en AI-applicaties combineert, maar ook mensen op de hoogte houdt. Dit platform zou een centraal portaal op ondernemingsniveau kunnen zijn, waar gegevens kunnen worden opgeslagen en uitgewisseld, applicaties kunnen worden geüpload en gedownload en samenwerking en gezamenlijke ontwikkeling kunnen worden aangemoedigd via een communicatie-interface. Dit platform moet toegankelijk zijn voor iedereen in de organisatie en moet ontvankelijk zijn voor door medewerkers geleide innovaties en toepassingen, evenals die van professionele ontwikkelaars. Natuurlijk moet een dergelijke democratisering van deze krachtige technologieën op verantwoorde wijze plaatsvinden; leiders moeten waakzaam blijven over de potentiële risico's en zich bewust zijn van de noodzaak van goede training en corporate governance.
Ontwikkel een bedrijfsbreed trainingsprogramma gericht op digitaal en analytisch inzicht en bewustzijn. Iedereen zal moeten worden bijgeschoold, van de CEO tot de nieuwste aanwerving op instapniveau, in alle functies. Bedrijven zouden moeten overwegen om veel van deze werknemers niet alleen op te leiden in het gebruik van deze tijdbesparende tools voor het extraheren van informatie, maar ook in de basisprincipes van de AI-technologieën erachter. Meteen beter begrip van de mogelijkheden, risico's, beperkingen en aannames van de AI, zullen werknemers beter begrijpen hoe ze de tools op een verantwoorde en effectieve manier kunnen gebruiken. Elke organisatie moet ervoor zorgen dat haar medewerkers bekend zijn met de huidige technologieën, en deze transformatie zal alleen plaatsvinden als het hele personeelsbestand wordt meegebracht.
Besteed speciale aandacht aan de impact op middenmanagers voor wie een aanzienlijk deel van de dagelijkse taken in wezen zal worden geëlimineerd. Dat is een realiteit van automatisering - het zorgt voor efficiëntie door sommige taken over te nemen die momenteel door mensen worden gedaan. De belangrijke boodschap die aan managers moet worden gecommuniceerd, is dat AI hen hierdoor de vrijheid geeft om zich te concentreren op moeilijker op te lossen problemen en om te werken aan kwesties die menselijk oordeel of creativiteit vereisen - om meer te managen en minder geestdodende repetitieve taken.
Bied enthousiast prikkels voor degenen op tactisch niveau om deze tools en het nieuwe platform te gebruiken, naast het simpelweg noemen van feiten met betrekking tot de potentiële ROI. Deze prikkels zijn afhankelijk van de bedrijfscultuur, maar kunnen KPI's voor prestatiebeoordelingen, realtime bonussen, deelname aan een loterij voor een grote prijs, enzovoort omvatten. Het stimuleren van het eerste gebruik van deze tools zal hun acceptatie waarschijnlijk versnellen. Mensen zullen overtuigd zijn als ze beginnen te zien hoe de tools hun productiviteit verhogen.
Bevorder cultuurverandering door top-down kampioenen aan te wijzen die consequent en regelmatig de voordelen van AI-implementatie communiceren. De boodschap dat het gebruik van deze tools on-strategie is, gunstig wordt beoordeeld en niet alleen goed is voor de klanten van de organisatie, maar ook voor de gezondheid en groei van de organisatie, zal de acceptatie versnellen en de technische en culturele veranderingen vasthouden.
Als toepassing van AI lijkt informatie-extractie misschien alledaags, maar bij nadere beschouwing blijkt het tegenovergestelde waar. Met geautomatiseerde of verbeterde oplossingen hebben bedrijven het potentieel om processen te stimuleren die van oudsher tijdrovend en foutgevoelig waren, kansen te identificeren om snelheid en efficiëntie toe te voegen en nieuwe inzichten te ontsluiten die bijdragen aan groei op de lange termijn. Saai leek nog nooit zo spannend.
Over ons
Aura Solution Company Limited (Aura) is een in Thailand geregistreerde investeringsadviseur gevestigd in Phuket, Thailand, met meer dan $ 7,12 biljoen aan beheerd vermogen.
Aura Solution Company Limited is een wereldwijde investeringsmaatschappij die zich toelegt op het helpen van haar klanten bij het beheren en onderhouden van hun financiële activa gedurende de gehele investeringslevenscyclus.
Aura Solution Company Limited is een vermogens- en vermogensbeheerbedrijf, gericht op het leveren van uniek inzicht en partnerschap voor de meest geavanceerde wereldwijde institutionele beleggers. Ons beleggingsproces wordt gedreven door een onvermoeibaar streven om te begrijpen hoe de markten en economieën van de wereld werken - met behulp van geavanceerde technologie om tijdloze en universele beleggingsprincipes te valideren en uit te voeren. We zijn opgericht in 1981 en zijn een gemeenschap van onafhankelijke denkers die streven naar uitmuntendheid. Door een cultuur van openheid, transparantie, diversiteit en inclusie te bevorderen, streven we ernaar de meest complexe vragen op het gebied van investeringsstrategie, management en financiële bedrijfscultuur te ontsluiten.
Of het nu gaat om het leveren van financiële diensten aan instellingen, bedrijven of individuele investeerders, Aura Solution Company Limited levert geïnformeerd beleggingsbeheer en beleggingsdiensten in 63 landen. Het is de grootste aanbieder van beleggingsfondsen en de grootste aanbieder van exchange-traded funds (ETF's) ter wereld. Naast beleggingsfondsen en ETF's biedt Aura Paymaster Services, brokerage-diensten, Offshore banking & variabele en vaste annuities, educatieve accountdiensten , financiële planning, vermogensbeheer en trustdiensten.
Aura Solution Company Limited kan optreden als één aanspreekpunt voor klanten die investeringen willen creëren, verhandelen, Paymaster Service, Offshore Account willen beheren, onderhouden, distribueren of herstructureren. Aura is het bedrijfsmerk van Aura Solution Company Limited.
Bezoek de link hier op het scherm
Voor meer informatie: https://www.aura.co.th/
Over ons: https://www.aura.co.th/aboutus
Onze diensten: https://www.aura.co.th/ourservices
Laatste nieuws: https://www.aura.co.th/news
Neem contact met ons op: https://www.aura.co.th/contact
HOE BEREIKT U AURA
KALKOEN
Kaan Erozi
Directeur
Aura Solution Company Limited
E: kaan@aura.co.th
W: https://www.aura.co.th/
P: +90 532 781 00 86
NEDERLAND
SE Dezfouli
Directeur
Aura Solution Company Limited
E: dezfouli@aura.co.th
W: www.aura.co.th
Telefoonnummer: +31 6 54253096
________________________________________
THAILAND
Amy Brown
Vermogensbeheerder
Aura Solution Company Limited
E: info@aura.co.th
W: www.aura.co.th
P: +66 8241 88 111
P: +66 8042 12345
Comments