SAP et Simseo : améliorer le traitement des factures grâce à la détection des anomalies et à l'IA générative

SAP et Simseo portent leur partenariat vers de nouveaux sommets en renforçant leur collaboration grâce à l’intégration de capacités d’IA prédictive et générative. Nous avons développé un partenariat de pointe qui permettra aux clients de générer de la valeur grâce à l’IA en connectant de manière transparente le cœur de SAP BTP aux capacités d’IA de Simseo.

À titre d’exemple, explorons comment les organisations peuvent exploiter la puissance de l’IA prédictive et générative pour rationaliser le traitement des factures, offrant une alternative plus rapide, plus précise et plus rentable à l’examen et à la validation manuels.

Le problème commercial

À l’heure actuelle, les entreprises de toutes tailles sont confrontées à un défi commun : l’afflux incessant de factures. La quantité importante de documents financiers peut être écrasante, nécessitant souvent une armée d’employés dédiés à l’examen et à la validation manuels. Cependant, cette approche est non seulement longue et coûteuse, mais également sujette aux erreurs humaines, ce qui en fait un maillon fragile de la chaîne financière.

Exploiter le potentiel de l’IA est plus important que jamais. Les entreprises peuvent utiliser des modèles d’IA prédictifs pour tirer des enseignements des données historiques des factures, reconnaître des modèles et signaler automatiquement les anomalies potentielles en temps réel. Cela accélère non seulement le processus de validation, mais réduit également considérablement la marge d’erreur, évitant ainsi des erreurs coûteuses. De plus, l’intégration de l’IA générative permet de résumer de manière concise les anomalies détectées, améliorant ainsi la communication et permettant aux équipes de prendre plus facilement des mesures rapides et éclairées.

Solution d’IA intégrée SAP et Simseo

Cette application d’IA améliore le traitement des factures grâce à une combinaison d’IA prédictive et générative pour identifier les irrégularités parmi les factures et communiquer les problèmes liés aux factures.

Tirez parti du modèle d’IA prédictive pour la détection des anomalies.
- Perspective commerciale: La détection des anomalies peut aider à identifier les irrégularités, telles que des montants incorrects, des informations manquantes ou des modèles inhabituels, avant de traiter les paiements.
- Implémentation : entraînez le modèle à l’aide des données de facture historiques pour reconnaître les modèles et les caractéristiques typiques des factures. Lors du traitement de nouvelles factures, le modèle d’IA peut signaler des anomalies potentielles à examiner, réduisant ainsi le risque d’erreurs et de fraude.
Résumé de l’IA générative :
- Perspective commerciale: Après avoir identifié les anomalies, il est important de communiquer les problèmes aux membres concernés de l’équipe. Les méthodes de reporting traditionnelles peuvent être verbeuses et prendre beaucoup de temps. L’IA générative peut aider à interpréter et résumer les anomalies détectées dans un format concis et lisible par l’homme.
- Mise en œuvre: Tirez parti d’un LLM pour générer un résumé explicatif des anomalies détectées. Le modèle d’IA peut extraire des informations clés des résultats de détection des anomalies et fournir un récit clair et structuré qui résume les anomalies détectées et les raisons pour lesquelles elles sont considérées comme des anomalies, permettant ainsi aux analystes et aux gestionnaires de comprendre plus facilement les problèmes.

Présentation de l’architecture et de la mise en œuvre

Pour atteindre ces objectifs, nos plateformes font appel à différents points d’intégration, comme illustré dans le graphe d’architecture ci-dessous :

Graphique 1. Présentation de l’architecture de la solution intégrée SAP – Simseo

1. Préparation et ingestion des données

Les données de facturation sont préparées et analysées dans SAP Datasphere / HANA Cloud. Simseo accède et ingère ces données depuis HANA Cloud via un connecteur JDBC.

Graphique 2. Accès Simseo pour créer un connecteur JDBC avec SAP HANA.

2. Ingénierie des fonctionnalités et formation aux modèles prédictifs

Les ingénieurs Simseo présentent et mènent des expériences avec l’ensemble de données de facture, vous permettant de former des modèles de détection d’anomalies qui excellent dans la détection des factures contenant des informations irrégulières ou anormales. L’approche que vous choisissez peut être adaptée à votre scénario de données spécifique, que vous ayez des données étiquetées ou non. Vous disposez d’options pour relever ce défi efficacement, avec une approche supervisée ou non supervisée.

Dans ce cas, nous avons utilisé des enregistrements historiques classés en anomalies et non-anomalies. Après l’ingestion des données, Simseo exécute une analyse exploratoire approfondie des données, identifie tout problème de qualité des données et génère automatiquement de nouvelles fonctionnalités et des listes de fonctionnalités pertinentes. Une fois tout cela prêt, nous avons pu mener une analyse complète à travers 64 expériences distinctes en peu de temps. En conséquence, nous avons pu identifier le modèle le plus performant au premier rang du classement. Cette approche nous a permis de sélectionner le modèle prédictif le plus efficace pour la tâche à accomplir.

Graphique 3. Classement Simseo mettant en évidence le modèle le plus performant.

Dans chacune de ces expériences, vous avez la possibilité d’évaluer et d’évaluer en profondeur leurs performances. Cette analyse fournit des informations précieuses sur la manière dont chaque modèle prédictif exploite les fonctionnalités de votre facture pour effectuer des prédictions précises. Pour faciliter ce processus, vous avez accès à une gamme d’outils, notamment des graphiques d’ascenseur, des courbes ROC et des explications de prédiction SHAP, qui estiment la contribution de chaque fonctionnalité à une prédiction donnée. Ces informations offrent un moyen intuitif de mieux comprendre le comportement du modèle et son influence sur les données de facture, vous garantissant ainsi de prendre des décisions éclairées.

Graphique 4. Ce graphique de levage montre dans quelle mesure le modèle segmente la population cible et dans quelle mesure il est capable de prédire la cible, vous permettant de visualiser l'efficacité du modèle. — Graphique 4. Ce graphique de levage montre dans quelle mesure le modèle segmente la population cible et dans quelle mesure il est capable de prédire la cible, vous permettant de visualiser l’efficacité du modèle.

Graphique 5. Les explications de prédiction SHAP estiment dans quelle mesure une caractéristique contribue à une prédiction donnée, rapportée comme sa différence par rapport à la moyenne. Dans cet exemple, comment la date de livraison, l'expédition et le montant brut ont eu un impact. — Graphique 5. Les explications de prédiction SHAP estiment dans quelle mesure une caractéristique contribue à une prédiction donnée, rapportée comme sa différence par rapport à la moyenne. Dans cet exemple, comment la date de livraison, l’expédition et le montant brut ont eu un impact.

3. Déploiement du modèle

Une fois que nous avons identifié le modèle prédictif optimal, nous passons à la transition de la solution vers la production. Cette phase fusionne de manière transparente notre approche d’IA prédictive et générative en orchestrant le déploiement d’un modèle non structuré au sein de Simseo. Ce déploiement harmonise le modèle d’IA prédictif pour la détection des anomalies avec un modèle LLM (Large Language Model), qui excelle dans la génération de texte pour communiquer les informations prédictives. Alternativement, vous avez la possibilité de déployer des modèles d’IA prédictifs directement dans SAP AI Core, offrant ainsi une voie supplémentaire pour opérationnaliser votre solution.

Le LLM résume les justifications liées à chaque prévision, le rendant facilement digestible pour vos besoins d’analyse financière. Cette stratégie de déploiement polyvalente garantit que les informations générées sont accessibles et exploitables d’une manière qui répond aux besoins uniques de votre entreprise.

Deux simples fichiers Python orchestrent facilement cette intégration grâce à des fonctions et des hooks simples qui seront exécutés à chaque fois qu’une facture nécessite une prédiction et son analyse consécutive. Le premier fichier, nommé helper.py, possède les informations d’identification nécessaires pour se connecter à GPT 3.5 via Azure et contient l’invite pour résumer les explications et les informations dérivées du modèle prédictif. Le deuxième fichier, nommé custom.py, orchestre facilement l’ensemble du pipeline prédictif et génératif via quelques hooks simples. Vous pouvez trouver un exemple de création de fichiers Python personnalisés pour des modèles non structurés dans notre référentiel github.

Vous avez la capacité de tester et de valider ce modèle non structuré avant son déploiement, en vous assurant qu’il produit systématiquement les résultats escomptés, sans aucun problème opérationnel.

Graphique 6. Validation du modèle non structuré avant déploiement.

4. Application commerciale

Une fois le déploiement officiellement en production, un point de terminaison d’API accessible devient votre pont pour vous connecter au déploiement, générant de manière transparente les résultats précis que vous recherchez dans SAP Build.

Graphique 7. SAP Build Workflow qui comprend un module pour se connecter au déploiement de Simseo via API.

Ensuite, nous concevons une application métier pour la détection des anomalies de facture au sein de SAP Build. Cette application récupère la sortie prédictive et générative via l’intégration API et offre une interface conviviale. Il présente les résultats de manière pratique et intuitive, garantissant que les analystes financiers peuvent télécharger sans effort des factures au format PDF, simplifiant ainsi leur flux de travail et améliorant l’expérience utilisateur globale.

Graphique 8. SAP Build Workflow pour l'application métier d'approbation des factures. — Graphique 8. SAP Build Workflow pour l’application métier d’approbation des factures.

Graphique 9 - Sortie finale générée dans l'application métier permettant aux analystes financiers d'approuver ou de rejeter une facture en fonction de la prédiction d'anomalie et du résumé LLM correspondant. — Graphique 9. Résultat final généré dans l’application métier permettant aux analystes financiers d’approuver ou de rejeter une facture en fonction de la prédiction d’anomalie et du résumé LLM correspondant.

5. Suivi de production

Simseo surveille le pipeline d’IA générative grâce à l’utilisation de mesures de performances personnalisées et de modèles prédictifs. Ce processus de surveillance rigoureux garantit la fiabilité et l’efficacité continues de notre solution, vous offrant une expérience parfaitement fiable.

Graphique 10. Déploiement Simseo contenant le pipeline prédictif et génératif correctement surveillé dans le temps avec des métriques personnalisées pertinentes.

Conclusion

En résumé, le partenariat entre SAP et Simseo continue de permettre aux organisations de valoriser rapidement leurs investissements en IA, et désormais encore plus en tirant parti de l’IA générative. La détection prédictive des anomalies et l’IA générative peuvent transformer les défis et les risques associés au traitement des factures. L’efficacité et la précision montent en flèche, tandis que la communication devient plus claire et rationalisée. Les entreprises peuvent désormais moderniser leurs opérations, gagner du temps et réduire les erreurs. Il est temps de libérer le potentiel de cette technologie transformatrice et de faire passer vos opérations au niveau supérieur.