Slimme orderacceptatie
Van theorie naar praktijk
Wanneer je dagelijks een groot aantal orders ontvangt, wil je misschien graag de orderverwerking automatiseren. Waar voordien hier al software voor bestond, maakt AI deze een pak slimmer. Zo kun je complexere orderdocumenten verwerken en menselijke foutjes sneller opvangen.
Toepassingen
Klassieke orderverwerkingssoftware werkt niet altijd perfect. Je verwacht dat deze software automatisch de informatie op een orderdocument, zoals een klantnummer, herkent. Maar in de praktijk blijkt dat vaak niet vanzelfsprekend. Verschillende documentformaten, handgeschreven tekst, visuele vervormingen in het document, dit zijn allemaal factoren die de klassieke software verwarren en minder efficient maken. Door AI toe te passen, vormen deze factoren minder een probleem.
Op bepaalde orders staan ook veel technische specificaties, zoals bijvoorbeeld voedselvoorschriften. Deze orders komen dan vaak ook nog eens binnen in verschillende formaten en met verschillende niveaus van complexiteit. Het kost doorgaans veel tijd om zulke orders na te kijken en te verwerken, en snel maak je al eens een menselijk foutje. Je kan AI-gedreven orderverwerkingssystemen echter specifiek instellen om de technische specificatie uit jouw domein te herkennen en te controleren. Je krijgt dan bijvoorbeeld automatisch een waarschuwing wanneer een bepaalde specificatie niet klopt. Dat kan je heel wat zorgen uitsparen.
Soms gebeurt het ook dat facturen worden gedisputeerd. Denk bijvoorbeeld aan het verwerken van een orderdocument dat reeds verlopen was en nu wil een klant niet meer betalen voor die order. Dergelijke situaties zijn kostelijk, maar vaak ook vervelend voor jou alsook de klant. Best vermijden dus. AI kan je orderproces slimmer maken om soortgelijke vergissingen te voorkomen. Dat kan door bijvoorbeeld het automatiseren van de order-factuur mapping en een risicoanalyse bij elke mapping uit te voeren. Het kan ook door afwijkingen op een order te detecteren. Wanneer een trouwe klant doorgaans twee producten bestelt en nu plots 200, dan is het leuk wanneer de software je daarvan op de hoogte stelt zodat je de bestelling kan controleren bij de klant.
In veel gevallen kun je AI-gedreven orderverwerking relatief simpel doen met de bestaande oplossingen van bijvoorbeeld Google of Microsoft. Wil je deze automatisering beter afstellen op jouw orderverwerkingsproces, dan loont het misschien om een gepersonaliseerd systeem uit te werken.
Vereisten
Data
- Geannoteerde set van ongestructureerde orders (bijv. mail contents en/of chat contents)
Hardware
- Dataopslag en dat verwerkingscapaciteit
Algoritme
- LSTM (Long Short Term Memory) algorithms
- ~Bij voorkeur bi-directional
- Bestaand NLP (Natural language processing) model voor het omvormen van woorden naar een betekenisvolle, numerieke representatie.
Aandachtspunten
- Voorzie een fallback systeem. Je moet er rekening mee houden dat een geplaatste bestelling onvolledig is en nog gegevens mist. Indien je algoritme niet alle nodige elementen detecteert, dan moet de order ofwel doorgestuurd worden naar een persoon ofwel moet er een automatische follow-up vraag opgesteld worden. Dit laatste kan relatief eenvoudig, met standaardzinnen, aan de hand van de ontbrekende elementen.
Stappenplan
- Definiëren welke informatie je verwacht in een bestelling (zoals leveradres, naam klant, te bestellen item...). We noemen deze elementen named entities.
- Verzamelen van ongestructureerde bestellingen in vorm van e-mails, chatberichten e.a.
- Voorverwerken van ongestructureerde bestellingen
- ~Verwijderen van stopwoordjes
- ~Annoteren van named entities in ongestructureerde bestellingen
- ~Opsplitsen van bestelling in tekstfragmenten
- ~Opsplitsen van tekstfragmenten in training en test set
- Trainen van model
- ~Downloaden van semantisch NLP model
- ~Transformeren van voorverwerkte tekstfragmenten naar set van word vectors uit het semantisch model
- ~Trainen van LSTM algoritme op training set
- ~Finetunen van LSTM algoritme aan hand van validatieset
- ~Mappen van gevonden named entities op verplichte named entities
- Valideren van model
- ~Evalueren van performantie op de test set
- ~Go/No go beslissing. Eventueel wachten op meer data om eter model te trainen
- ~Ontwikkelen van fallback/controlemechanisme
- Integreren van model in operationele systemen
- ~Integreren in mail/chat
- ~Integreren in ERP/Order management
- ~Integreren controlemechanisme
Partners
Hulp nodig bij de implementatie van deze AI-toepassingen?
Ontdek hier enkele technologiepartners.
