Vi har fjernet tolken i fakturamottaket

SEMINE-initiativet er et av Norges mest aktive prosjekter innen utvikling av nye teknologier og grensesnitt for automatisering av finansfunksjonene.

 

Illustrasjonsbilde Semine, en gruppe mennesker.

Skrevet av: Robert Kristiansen, grunnlegger og innovasjonsdirektør i Semine.

I prosjektet kombineres kunstig intelligens, automatiseringsteknologier og teknologier for datafangst. Samtidig må UX endres til å understøtte interaksjon mellom menneske og maskin da de tradisjonelle arbeidsflatene man finner i økonomi systemene ikke understøtter automatisering. Her benytter man brukervennlighetsspesialister. Man er ikke kommet særlig langt innenfor digitaliseringsprosessen innenfor dette fagområdet; vi har landet på månen, men automatisk bokføring av en faktura er ennå ikke løst. Innenfor kunstig intelligens er fjerning av støy og strukturering av data selve hovedutfordringen, og her er mulighetene mange for nykommerne. De etablerte aktørene har stor teknisk gjeld.

Det er mange ERP-systemer som utfordres av nye aktører rett og slett fordi regnskapsprosessen for innkommende bilag i dag tar opptil 50% av økonomifunksjonens arbeidskapasitet og er en åpenbar prosess som raskt bør digitaliseres og automatiseres.

Flere startups og etablerte selskaper utvikler hovedsakelig teknologi for å automatisere bort denne prosessen ved hjelp av AI og OCR. Det gjør vi også, men vi har fjernet behovet for at kunden selv trenger å forholde seg til et grensesnitt mot maskinen. Brukbarheten av systemet blir rett og slett mye høyere. I fremtiden vil vi se spesialiserte yrker som arbeider med denne problemstillingen på en mye mer effektiv måte enn fagspesialisten er interessert i å gjøre. Det åpner opp for nye arbeidsplasser og en annen og mer interessant spesialisering. Virksomheter kan ta konkurransefortrinn og vokse der konkurrentene ikke klarer å følge med.

Flere startups og etablerte selskaper utvikler hovedsakelig teknologi for å automatisere bort denne prosessen ved hjelp av AI og OCR. Det gjør vi også, men vi har fjernet behovet for at kunden selv trenger å forholde seg til et grensesnitt mot maskinen.

Korrekt validering er helt sentralt for automatiseringsgraden og tid spart.

I vår studie har vi funnet at systemer ofte viser grønn farge i de tilfeller et tall er gjengitt fra en datakilde etter fangst. Hovedproblemer er at systemet gjerne ikke sier noe om riktigheten av tallet, og at medarbeiderne ender opp med å kontrollere alle tallene flere ganger. Man stoler rett og slett ikke på at data som fanges er korrekt. Det er forståelig. Vi blir presentert en verdi fra maskinen som er feil og vårt kontrollbehov øker. Dette er hovedproblemet i all OCR-teknologi i dag og nettopp derfor et av de aller vanskeligste områdene å løse.

Riktig og god datavalidering er en forutsetning for å komme i gang med automatisering. I våre studier har vi altså funnet at en faktura valideres mange ganger i dagens prosesser, og at det er en meget tidkrevende prosess.  

Illustrasjon: vi har fjernet tolken i fakturamottaket

Systemene mangler god funksjonalitet for å vise gjennomsiktigheten i feilberegningene som maskinen gjør i AI-prosessen som den konseptuelle modellen under viser:

Illustrasjon 2_vi har fjernet tolken i fakturamottaket

Liten automatiseringsgrad 

Gjennom studieperioden har flere ulike systemer for pre-kontering, fakturaflyt og endelig regnskapsføring blitt studert hos de ulike pilotkundene. Det er en gjennomgående tendens at det er lite automatisering og læring. De fleste systemer har kun enkel læring mellom leverandør og tidligere brukt konto. Det mangler i dag systemer som husker mer komplekse kombinasjoner av kostnadsfordelingene basert på historiske mønstre. Dette er spennende å utfordre!

3_vi har fjernet tolken i fakturamottaket

Høy brukerterskel

I de tilfellene noe funksjonalitet for automatisering finnes i de systemene jeg undersøkte er ofte funksjonaliteten gjemt eller brukerne opplever det som tidkrevende å øve inn automatiseringer.  Systemene er basert på parameterstyring og regler, og ikke drevet av data.

Et annet problem er at dype nevrale nettverk ikke er særlig gjennomsiktige. Det har vært vanskelig å forstå hvordan maskinene kommer frem til sine slutninger, men ulike fagmiljøer hevder at et gjennombrudd er på trappene. Teknologien brukes først og fremst på ustrukturerte data og stiller store krav til at bruker validerer data. Det skaper gjerne en overflagging. Skjer dét ender vi opp med merarbeid for virksomheten og ikke effektivisering. Gjennom standardisering og strukturering av data er mer konvensjonelle metoder for maskinlæring mer effektive og lettere å vurdere.

Inntil nå har det vært umulig å visuelt illustrere for brukeren hva som skjer i en prosess i et nevralt nettverk, og Finland er blandt annet i en prosess der man vurderer om det skal være åpning for å bruke slik teknologi i det hele tatt. Man klarer rett og slett ikke å regne seg tilbake til hva som skjedde. I Semine er alt reviderbart og det har ligget til grunn for hele utviklingen. Når du skal kjøpe slik teknologi må du passe på å sette krav til dette. Det er spennende å følge forskningen på en egen AI-modell som forklarer hva som egentlig skjer i modellen som gjør selve beslutningen. Til slutt blir det viktig for programvaren å illustrere dette tilbake til brukeren slik at brukeropplevelsen av kunstig intelligens blir god og at adopsjonen skjer raskt. Sånn kan maskinen vinne tillit hos menneske og vi kan raskere bruke tid på mer interessante arbeidsoppgaver som ikke er repeterende.

 

LES MER: Så lett er det å ta i bruk SEMINE

 

Vil du vite mer?

Book en uforpliktende demo av SEMINE.

Book en demo her