كيف يمكن للذكاء الاصطناعي توفير الوقت ، أو كيف أدخلنا الذكاء الاصطناعي في العملية التجارية لفتح حساب

مرحبا!



أنا وفريقي نمثل اتجاه تطوير الأعمال مع شركاء Rosbank. نريد اليوم أن نتحدث عن التجربة الناجحة لأتمتة عملية الأعمال المصرفية باستخدام التكامل المباشر بين الأنظمة والذكاء الاصطناعي من حيث التعرف على الصور والنص بناءً على GreenOCR وتشريعات RF وإعداد العينات للتدريب.







لذا ، لنبدأ. لدى Rosbank عملية تجارية لفتح حساب لمقترض يمثله بنك شريك. العملية الحالية ، وفقًا لجميع المتطلبات التنظيمية ومتطلبات مجموعة Societe Generale ، قبل أن تستغرق الأتمتة ما يصل إلى 20 دقيقة من وقت التشغيل لكل عميل. تتضمن العملية تلقي عمليات مسح ضوئي للمستندات من قبل المكتب الخلفي ، والتحقق من صحة ملء كل مستند ونشر حقول المستند عبر أنظمة معلومات البنك ، وعدد من الشيكات الأخرى ، وفقط في النهاية - فتح حساب. هذه هي بالضبط العملية التي تتم خلف زر "فتح حساب".



الحقول الرئيسية للوثيقة - اسم العائلة ، الاسم الأول ، اسم العائلة ، تاريخ ميلاد العميل ، إلخ - موجودة في جميع أنواع المستندات المستلمة تقريبًا ويتم نسخها عند إدخالها في أنظمة مختلفة للبنك. المستند الأكثر تعقيدًا - استبيان KYC (من اعرف عميلك - اعرف عميلك) - عبارة عن تنسيق A4 قابل للطباعة ومليء بخط 8 نقاط ويحتوي على حوالي 170 حقلاً نصيًا ومربعات اختيار ، بالإضافة إلى طرق عرض جدولية.

ماذا كنا لنفعل؟

كان هدفنا الرئيسي هو تقليل وقت فتح الحساب إلى الحد الأدنى.

أظهر تحليل العملية أنه من الضروري:

1. تقليل عدد عمليات التحقق اليدوية لكل مستند ؛
2. أتمتة تعبئة الحقول نفسها في أنظمة مصرفية مختلفة ؛
3. تقليل حركة عمليات مسح المستندات بين الأنظمة ؛

لحل المشكلتين (1) و (2) ، تقرر استخدام حل التعرف على الصور والنص المستند إلى GreenOCR والمطبق بالفعل في البنك (اسم العمل هو "أداة التعرف"). إن تنسيقات المستندات المستخدمة في عملية الأعمال ليست قياسية ، لذلك واجه الفريق مهمة تطوير متطلبات "أداة التعرف" وإعداد أمثلة لتدريب الشبكة العصبية (عينات).

لحل المسائل (2) و (3) ، كان من الضروري صقل الأنظمة والتكامل بين الأنظمة.

فريقنا بقيادة جوليا ألكساشينا

• الكسندر باشكوف - تطوير الأنظمة الداخلية (.Net)
• فالنتينا سيفولينا - تحليل الأعمال والاختبار
• Grigory Proskurin - التكامل بين الأنظمة (.Net)
• إيكاترينا بانتيليفا - تحليل الأعمال والاختبار
• سيرجي فرولوف - إدارة المشاريع ، تحليل جودة النموذج
• المشاركون من بائع خارجي ( Smart Engines بالاشتراك مع Philosophy.it )

تدريب التعرف

تضمنت مجموعة مستندات العميل المستخدمة في عملية الأعمال ما يلي:

• جواز سفر؛
• الموافقة - نموذج مطبوع A4 ، 1 لتر ؛
• التوكيل - مطبوع A4 ، 2 لتر ؛
• استبيان KYC - مطبوع على شكل A4 ، 1 لتر ؛

بادئ ذي بدء ، تمت دراسة المستندات بدقة وتم تطوير المتطلبات ، والتي لم تتضمن فقط عمل أداة التعرف مع الحقول الديناميكية ، ولكن أيضًا العمل مع نص ثابت ، وحقول مع بيانات مكتوبة بخط اليد ، بشكل عام ، التعرف على المستندات على طول المحيط والتحسينات الأخرى.



تم تضمين التعرف على جواز السفر في وظيفة الصندوق لنظام GreenOCR ولم يتطلب تعديلات.

بالنسبة لبقية أنواع المستندات ، نتيجة للتحليل ، تم تحديد السمات والعلامات الضرورية التي يجب أن تعود "أداة التعرف". في الوقت نفسه ، كان لابد من مراعاة النقاط التالية ، مما أدى إلى تعقيد عملية التعرف وتطلب تعقيدًا ملحوظًا للخوارزميات المستخدمة:

• , . , «» ;
• 8- . , ;
• ( ) ;
• ;
• , , ;
• ;

في البداية ، بدت لنا المهمة غير معقدة للغاية وبدت معيارية إلى حد ما:



المتطلبات -> البائع -> النموذج -> اختبار النموذج -> بدء العملية



في حالة الاختبارات غير الناجحة ، يتم إرجاع النموذج إلى البائع لإعادة التدريب.



نتلقى كل يوم عددًا كبيرًا من عمليات المسح الضوئي للوثائق ، ولا ينبغي أن يكون إعداد عينة للتدريب على النموذج مشكلة. يجب أن تتوافق جميع عمليات معالجة البيانات الشخصية مع متطلبات القانون الفيدرالي "بشأن البيانات الشخصية" N152-FZ. موافقة العملاء على معالجة البيانات الشخصية للعملاء متاحة فقط داخل Rosbank. لا يمكننا نقل مستندات العميل إلى البائع لتدريب النموذج.



تم النظر في ثلاث طرق لحل المشكلة:

1. , , , , ;
2. . , – () , ;
3. () . , , , , , ;

بعد تحليل الخيارات المقترحة مع الفريق ، فيما يتعلق بسرعة تنفيذها والمخاطر المحتملة ، اخترنا الخيار الثالث - مسار تقليد المستندات لتدريب النموذج. الميزة الرئيسية لهذه العملية هي القدرة على تغطية أوسع نطاق ممكن من أجهزة المسح لتقليل عدد التكرارات للمعايرة وصقل النموذج.



تم تنفيذ قوالب المستندات بتنسيق html. تم إعداد مجموعة من بيانات الاختبار والماكرو بسرعة وكفاءة ، وملء النماذج بالبيانات المركبة وأتمتة الطباعة. بعد ذلك ، أنشأنا نماذج قابلة للطباعة بتنسيق pdf وقمنا بتعيين معرف فريد لكل ملف للتحقق من الردود الواردة من "وحدة فك التشفير".



تم تدريب الشبكة العصبية ، وتمييز المناطق وتكوين النماذج من جانب البائع.







بسبب الإطار الزمني المحدود ، تم تقسيم تدريب النموذج إلى مرحلتين.



في المرحلة الأولى ، تم تدريب النموذج على التعرف على أنواع المستندات والاعتراف "التقريبي" بمحتويات المستندات نفسها:



المتطلبات -> البائع -> إعداد بيانات الاختبار -> جمع البيانات -> تدريب النموذج للتعرف على النماذج -> نماذج الاختبار -> إعداد النموذج



في المرحلة الثانية كان هناك تدريب مفصل للنموذج للتعرف على محتوى كل نوع من المستندات. يمكن وصف التدريب وتنفيذ النموذج في المرحلة الثانية من خلال المخطط التالي ، وهو نفسه لجميع أنواع المستندات:



إعداد بيانات الاختبار بدقة مختلفة -> جمع البيانات ونقلها إلى البائع -> تدريب النموذج -> اختبار النموذج -> معايرة النموذج -> تنفيذ النموذج -> التحقق من النتائج في المعركة -> تحديد حالات المشكلة -> محاكاة حالات المشكلات ونقلها إلى البائع -> تكرار الخطوات من الاختبار



وتجدر الإشارة إلى أنه على الرغم من التغطية الواسعة جدًا لمجموعة الماسحات الضوئية المستخدمة ، لم يتم تقديم عدد من الأجهزة في الأمثلة الخاصة بتدريب النموذج. لذلك ، تم إدخال النموذج في المعركة في وضع تجريبي ، ولم يتم استخدام النتائج للأتمتة. تم تسجيل البيانات التي تم الحصول عليها أثناء العمل في الوضع التجريبي فقط في قاعدة البيانات لمزيد من التحليل والتحليل.

اختبارات

نظرًا لأن حلقة التدريب النموذجية كانت في جانب البائع ولم تكن متصلة بأنظمة البنك ، فقد تم نقل النموذج من قبل البائع بعد كل دورة تدريبية إلى البنك ، حيث تم اختباره في بيئة اختبار. في حالة التحقق الناجح ، تم نقل النموذج إلى بيئة إصدار الشهادات ، حيث تم اختبار الانحدار ، ثم إلى البيئة الصناعية ، من أجل تحديد الحالات الخاصة التي لم يتم أخذها في الاعتبار عند تدريب النموذج.

في محيط البنك ، تم تقديم البيانات إلى النموذج ، وتم تسجيل النتائج في قاعدة البيانات. تم إجراء تحليل جودة البيانات باستخدام برنامج Excel القدير - باستخدام الجداول المحورية والمنطق مع الصيغ ومجموعاتها مثل مقارنة سلسلة البحث والتطابق والفهرس واللين والمطابقة وحرف بحرف من خلال دالة if.



سمح لنا الاختبار باستخدام مستندات محاكاة بتشغيل أكبر عدد ممكن من سيناريوهات الاختبار وأتمتة العملية قدر الإمكان.



في البداية ، في الوضع اليدوي ، قمنا بفحص إرجاع جميع الحقول للتأكد من توافقها مع المتطلبات الأصلية لكل نوع من المستندات. بعد ذلك ، قمنا بفحص استجابات النموذج عند ملء كتل نصية ذات أطوال مختلفة ديناميكيًا. كان الهدف هو اختبار جودة الردود عندما ينتقل النص من سطر إلى آخر ومن صفحة إلى أخرى. في النهاية ، قمنا بفحص جودة الإجابات في الحقول اعتمادًا على جودة المستند الممسوح ضوئيًا. لمعايرة النموذج بأعلى جودة ، تم استخدام مسح ضوئي منخفض الدقة للوثائق.



كان ينبغي إيلاء اهتمام خاص لأكثر المستندات تعقيدًا التي تحتوي على أكبر عدد من الحقول وخانات الاختيار - استبيان "اعرف عميلك". بالنسبة له ، تم إعداد نصوص خاصة لملء المستند مسبقًا وتم كتابة وحدات الماكرو الآلية ، مما جعل من الممكن تسريع عملية الاختبار ، والتحقق من جميع مجموعات البيانات الممكنة ، وتقديم الملاحظات على الفور إلى البائع لمعايرة النموذج.

التكامل والتنمية الداخلية

تم إجراء المراجعة اللازمة لأنظمة البنك والتكامل بين الأنظمة مسبقًا وعرضها على بيئات الاختبار الخاصة بالبنك.



يتكون السيناريو المحقق من المراحل التالية:

• قبول عمليات المسح الواردة للوثائق ؛
• إرسال عمليات المسح المستلمة إلى "أداة التعرف". يمكن الإرسال في الوضع المتزامن وغير المتزامن مع ما يصل إلى 10 خيوط ؛
• تلقي رد من "أداة التعرف" ، والتحقق من صحة البيانات الواردة ؛
• حفظ النسخة الأصلية من المستند في المكتبة الإلكترونية للبنك ؛
• الشروع في أنظمة البنك لمعالجة البيانات الواردة من "أداة التعرف" والتحقق اللاحق من قبل الموظف ؛

النتيجة

في الوقت الحالي ، تم الانتهاء من تدريب النموذج ، وتم إجراء اختبار وتنفيذ ناجحين لعملية الأعمال في بيئة الإنتاج في البنك. سمحت الأتمتة المنفذة بتقليل متوسط ​​وقت فتح الحساب من 20 دقيقة إلى 5 دقائق. تمت أتمتة مرحلة كثيفة العمالة من عملية الأعمال للتعرف على بيانات المستند وإدخالها ، والتي تم إجراؤها يدويًا في السابق. في الوقت نفسه ، يتم تقليل احتمالية الأخطاء التي يسببها العامل البشري بشكل حاد. بالإضافة إلى ذلك ، يتم ضمان هوية البيانات المأخوذة من نفس المستند في أنظمة مصرفية مختلفة.