AI do odczytu ofert dostawców: jak zachować pełny termin dostawy

Sześć tygodni może oznaczać różne terminy

Kupiec dostał dwie oferty. Pierwsza mówi o dostawie „sześć tygodni po zatwierdzeniu rysunku”, druga „sześć tygodni od potwierdzenia zamówienia”. Gdy narzędzie wpisze przy obu tylko „sześć tygodni”, tabela wygląda na gotową i pomija różnicę potrzebną do planowania.

Dobry odczyt zapisuje osobno długość okresu i zdarzenie początkowe, a obok pokazuje fragment oferty z całym zapisem. Z tych informacji nie da się jeszcze wyznaczyć daty dostawy, bo nie wiadomo, kiedy nastąpi zatwierdzenie rysunku. Gdy oferta w ogóle nie podaje początku okresu, narzędzie zostawia go jako niepodany. Nie ma podstaw, by dopisać „od zamówienia” na podstawie innych ofert tego dostawcy.

Ile daje prostsza zmiana, a ile trening

W tym rachunku wspólny formularz dla dostawców daje większość efektu za ułamek kosztu. Trening ma sens przy większej skali albo gdy pozostałe błędy są kosztowne. Dodatkowe uczenie modelu nie sprawi, że brakująca część zmieści się w źle zaprojektowanym zestawieniu, dlatego zapis w systemie zakupowym sprawdzamy przed decyzją o treningu.

Zbiór przykładów do uczenia trzeba utrzymywać: gdy zmienia się proces, nazewnictwo albo model bazowy, ocenę powtarza się na tym samym zbiorze testowym. Ten koszt wpisujemy do wyceny razem z samym uczeniem.

Najpierw sposób zbierania ofert

Jeśli firma może poprosić dostawców o wspólny formularz odpowiedzi, osobne pytanie o długość okresu i zdarzenie początkowe usuwa problem przed odczytem. Część dostawców i tak przyśle własne dokumenty. Przy stałym układzie wystarczy odczyt oparty na szablonie. Microsoft opisuje własne modele ekstrakcji: szablonowe do stabilnych formularzy i neuronowe do zróżnicowanych dokumentów, dostosowywane na oznaczonych przykładach. Ten sam dostawca rozróżnia rozpoznawanie tekstu od przypisywania wartości do pól i opisuje oceny pewności, które pomagają wybrać wynik do sprawdzenia.

Od czego zacząć

Kupiec ocenia próbę na ofertach, których nie użyto do dostosowania modelu: czy narzędzie zachowuje zdarzenie początkowe i czy łatwo otworzyć źródło. Na rozmowę opisz jeden przypadek: jaki warunek był w ofercie, co trafiło do systemu i co kupiec musiał dopisać. Dostosowanie modeli prowadzimy w ramach prywatnych modeli LLM, a aplikację, w której pracownik widzi wynik obok źródła, w ramach aplikacji AI. Na bezpłatną analizę wystarczy kilka przykładów błędu, który wraca, i opis, kto go dziś poprawia.