Мы в DocsInBox всегда ищем способы автоматизировать и ускорить процессы в ресторанном бизнесе. Используем для этого все новые и современные методы, которые только можем найти. Сегодня рассказываем о том, как учили искусственный интеллект сопоставлению номенклатур.

Работу со многими документами, в том числе номенклатурами, сложно автоматизировать, и, как правило, она требует человеческого участия. К примеру, приёмка документов в заведении с использованием DocsInBox происходит следующим образом:

1. Поставщик отправляет документ в ресторан через один из каналов:

• email,
• API DocsInBox,
• EDI-система,
• ЕГАИС,
• провайдер ЭДО.

2. Сотрудник заведения заходит в DocsInBox и видит новый документ.
3. Сверяет его с фактической поставкой продуктов и вносит в документ корректировки.
4. Сопоставляет номенклатуры исходного документа и заведения.
5. Выгружает документ в учётную систему ресторана.

Процесс и так может отнять немало времени, но помимо этого, на одну и ту же поставку может прийти разный набор документов. Также одни и те же товары могут быть названы по-разному в силу требований систем.

Это хорошо видно на примере поставок алкоголя, на которые могут приходить сразу 3 документа: накладная из ЕГАИС, УПД от провайдера ЭДО и электронная накладная. В каждом документе содержится уникальная информацию, и только вместе они содержат полные данные о поставке. Справиться с таким объемом документов может только сотрудник, который хорошо разбирается в номенклатурах ресторана и поставщиков, а также знает особенности работы с разными системами.

Ещё один пример — мета-номенклатуры: например, поставщик отправляет в ресторан кинзу, петрушку, зелёный лук и розмарин, а в учётной системе заведения эти продукты числятся как «зелень». Подобные кейсы могут привести к беспорядку в учёте.

Чтобы помочь клиентам справиться с этими препятствиями, мы решили внедрить ИИ в систему DocsInBox. Мы автоматизируем функцию сопоставления номенклатур, чтобы освободить от этой задачи сотрудников заведений.

Мы воспользовались обработкой естественного языка: NLP (natural language processing). NLP позволяет научить модель распознавать смысловые единицы в тексте и выделять их в отдельные категории.

Сейчас мы дорабатываем сервис NLP для интеграции в DocsInBox. Ядро этого сервиса — нейросеть, обученная на основе данных из:

Данные собираются с 2016 года. Информация деперсонифицирована: мы разработали алгоритм, который убирает из данных для обучения данные о компаниях, юрлицах, торговых марках и т. д. В системе DocsInBox ежемесячно обрабатывается более 1 млн документов с информацией о номенклатурах, которые можно использовать для обучения модели.

1. При внедрении заведения в DocsInBox сотрудник заведения вносит в систему данные учётной системы заведения. DocsInBox получает из неё номенклатуры, которые будут участвовать в сопоставлении. Обязательные параметры номенклатуры — название и единицы измерения.

2. Обученная NLP-модель работает с данными, полученными из учётной системы заведения, в фоновом режиме. Модель анализирует информацию о каждой номенклатуре, чтобы сравнивать их между собой.

3. При получении нового документа от поставщика NLP-модель DocsInBox применяется к каждой строке документа. Затем система находит самые похожие номенклатуры в учётной системе заведения. Внутри системы это выглядит так:

На выходе получается список номенклатур заведения, отсортированный по коэффициенту схожести и проценту уверенности модели в том, что номенклатуры совпадают.

Для строк, где модель уверена на 80% и больше, номенклатуры сопоставляются автоматически. Для остальных строк модель предлагает сотруднику варианты сопоставления из учётной системы заведения. Можно выбрать один из предложенных вариантов или ввести свой в ручном режиме.

4. Если пользователь выбрал сопоставление вручную, результат его решения сохраняется в базе данных. После этого модель NLP дообучается, используя эту информацию.

Разработанная языковая модель может использоваться не только для сопоставления номенклатур. В планах — внедрять её в процессы категоризации номенклатур, связывания документов и т. д.

1. Клиент, кофейня, подключается к DocsInBox и загружает свою номенклатуру в систему. Сервис языковой модели фоново анализирует каждую номенклатуру пользователя.

2. Поставщик загружает документ для кофейни на платформу DocsInBox. Сервис языковой модели фоново режиме анализирует все строки документа. Для каждой просчитывает самую подходящую номенклатуру кофейни и подставляет в документ.

3. Сотрудник кофейни заходит в систему DocsInBox, видит документ от поставщика, проверяет его и подтверждает сопоставление. Информация сохраняется в базе данных и используется для дообучения модели.

4. Сотрудник кофейни выгружает документ в учётную систему кофейни.

Пункты 3 и 4 можно пропускать по желанию клиента. В таком случае при 100% автоматическом сопоставлении документ сразу выгрузится в учётную систему заведения без участия сотрудника.

Сейчас такое использование NLP-модели находится на стадии тестирования. В будущем мы встроим её в архитектуру DocsInBox, чтобы текущие и новые клиенты могли применять возможности искусственного интеллекта и сократить ручной труд. Но и сейчас DocsInBox значительно упрощает работу с накладными: мы автоматически загружаем данные в номенклатуре вашего ресторана, контролируем закупочные цены и позволяем работать с документами в одном удобном интерфейсе. Напишите нам, чтобы автоматизировать работу вашего заведения.