Menos 50% de verificações manuais de faturas com uma solução de IA
Fokker Services Group
Implementação de IA: da ideia a uma solução funcional em produção
Integramos a IA nos seus processos, com ligações a sistemas, testes com utilizadores e passagem de conhecimento, como na verificação de faturas com IA para Fokker Services Group.
O nosso modelo de IA prevê o valor esperado das faturas para a Fokker Services Group e assinala discrepâncias
Os valores das faturas nem sempre estavam corretos, pelo que cada fatura era verificada manualmente. Com base no trabalho realizado, o nosso modelo prevê o valor esperado e compara-o com o valor real. As discrepâncias significativas aparecem num dashboard, para que os colaboradores verifiquem apenas as exceções.
O nosso protótipo de IA funciona; como fazer com que os colegas o usem todos os dias?
É rápido criar um modelo num notebook ou uma demonstração com um modelo de linguagem. A implementação vem depois: ligá-lo aos sistemas onde o trabalho é feito, testá-lo com as pessoas que o vão utilizar e definir quem ficará responsável pela sua gestão.
Uma implementação de IA abrange os dados, o modelo ou agente, a integração e a transferência de responsabilidades
Dados fiáveis em produção
Os dados que o modelo irá receber diariamente, não apenas uma exportação pontual. Com verificações de dados de entrada em falta ou anómalos.
Modelo, modelo de linguagem ou agente
A tecnologia adequada à tarefa: um modelo preditivo, um modelo de classificação ou um assistente baseado num modelo de linguagem. Para a NFZ, criámos um assistente virtual.
Integrado no trabalho
Os resultados aparecem onde o trabalho acontece: num dashboard, numa aplicação ou num sistema existente, com uma pessoa a analisar as exceções.
Utilizadores e transferência de responsabilidades
Os utilizadores participam nos testes e sabem quando não devem seguir o resultado. Depois, a sua equipa assume a gestão, ou tratamos nós dela.
Ciclos curtos de desenvolvimento com as pessoas que vão utilizar a solução, até esta se integrar no seu trabalho
-
Validar a tarefa e os dados
Um processo, um objetivo mensurável e a verificação de que os dados necessários também estarão disponíveis em produção.
-
Desenvolver e integrar
Desenvolver o modelo ou agente, ligá-lo aos sistemas e testá-lo com os utilizadores no trabalho do dia a dia.
-
Colocar em produção e fazer a passagem
Colocar em produção com monitorização, orientações para os utilizadores e acordos sobre gestão e melhoria contínua.
É o momento de implementar uma aplicação de IA, ou é preciso fazer outra coisa primeiro?
É adequado se
Há uma tarefa ou decisão recorrente, os dados necessários existem e há uma equipa que quer utilizar a aplicação e ficará responsável por ela.
Não é adequado se
Ainda não sabe onde a IA pode criar valor, ou ninguém é responsável pelo processo. Comece por escolher um caso de uso; desenvolver sem essa escolha continua a ser uma experiência.
O que determina o âmbito
O número de sistemas a que a aplicação se liga, a qualidade dos dados, a utilização de um modelo próprio ou de um modelo de linguagem, os requisitos de privacidade e quem fica responsável pela gestão.
E se o modelo cometer erros?
Todos os modelos cometem erros por vezes. Por isso, mantemos uma pessoa no processo onde é importante, medimos a qualidade em produção e acordamos quando o modelo deve ser ajustado.
Um produto existente, construir por conta própria ou construir em conjunto: que opção se adequa à sua aplicação?
Um produto existente
Opte por esta via se a tarefa for comum, como o processamento de faturas ou a disponibilização de um assistente interno. Comece por consultar as nossas soluções já disponíveis.
Construir por conta própria
Opte por esta via se tiver a sua própria equipa de dados e desenvolvimento, com experiência em modelos em produção. Podemos acompanhar o trabalho ou reforçar temporariamente a equipa.
Construir em conjunto
Opte por esta via se a aplicação estiver estreitamente ligada aos seus processos e dados. O nosso conselho: comece por um processo e leve-o até ao fim, incluindo a gestão.
Desde 2016, levamos a IA dos modelos à utilização no dia a dia
A Data Science Lab trabalha com dados e IA desde 2016. Para o LUMC, criámos a infraestrutura que permitiu implementar modelos de machine learning na prática. Somos parceiros da Databricks e da Microsoft.
Um processo e os respetivos dados são suficientes para uma primeira conversa
Stef Stoelwinder
Desenvolvimento de NegócioStef é o seu primeiro ponto de contacto. Na primeira conversa, falamos sobre o seu processo, os seus dados e sistemas, e o que a implementação exige nesse contexto.
E-mail info@datasciencelab.nl
Telefone +31 (0)20 3636 724
Em que processo deve a IA ajudar a sua equipa primeiro?
Indique que processo pretende melhorar e o que já existe. Responderemos por e-mail ou agendaremos uma primeira conversa.
Mensagem enviada
Obrigado pela sua mensagem. Entraremos em contacto consigo o mais rapidamente possível.
Perguntas frequentes
Desenvolve e coloca a aplicação em funcionamento: dados, modelo ou agente, integrações, testes com utilizadores, entrada em produção e passagem de conhecimento. É o trabalho que vem depois da consultoria e do plano.
Se procura primeiro ajuda para escolher casos de uso, leia sobre consultoria de IA. Se pretende um plano para vários anos, um roadmap de IA pode ser mais adequado. Encontra todos os serviços na página de serviços.
Comece por uma tarefa recorrente cujo resultado possa medir. Confirme que os dados também estão disponíveis em produção, e não apenas numa exportação. Desenvolva o modelo ou agente e ligue-o ao sistema onde o trabalho é realizado.
Teste-o com os utilizadores no trabalho diário, defina quem é responsável pela aplicação e ative a monitorização antes de alargar a sua utilização.
Uma prova de conceito mostra que algo é possível, geralmente com um conjunto de dados fixo. Uma implementação funciona com dados em tempo real, está ligada aos seus sistemas, tem utilizadores que trabalham com ela e alguém responsável pela sua gestão.
Muitos projetos ficam pelo caminho entre estas duas fases. A diferença raramente está no modelo; está mais frequentemente nos dados, nas integrações e na definição de responsabilidades.
É necessário manter versões dos dados, do código e do modelo, monitorizar a qualidade das previsões e as alterações nos dados de entrada, e definir quando voltar a treinar o modelo. No caso de um modelo de linguagem, é também necessário testar as respostas.
A isto chama-se MLOps. Saiba mais na página de MLOps.
Aprendem o que a aplicação faz e não faz, como interpretar um resultado, quando é melhor não o seguir e a quem comunicar um erro. Aprendem-no melhor ao testar a aplicação no seu próprio trabalho.
Para uma formação mais abrangente, temos cursos para equipas de gestão e outras equipas. Leia sobre formação e adoção.
Ambos, consoante a tarefa. Fazer uma previsão com dados estruturados, como o valor de uma fatura, exige geralmente um modelo próprio. Responder a perguntas com base em documentos ou executar um workflow com várias etapas exige mais provavelmente um modelo de linguagem ou um agente.
Para a NFZ, desenvolvemos um assistente virtual que dá aos farmacêuticos acesso a informações atualizadas sobre contratos e condições das apólices.
Definimos isso antecipadamente. A sua equipa pode assumir a gestão, com documentação e uma passagem de conhecimento, ou podemos manter a aplicação em funcionamento e continuar a desenvolvê-la.
Leia sobre gestão e melhoria contínua. O importante é que haja alguém do seu lado responsável pela aplicação e pelas decisões sobre alterações.
Quando uma regra fixa já resolve bem a tarefa, quando a tarefa é pouco frequente ou quando os dados não existem e não podem ser recolhidos. Sem alguém que assuma a responsabilidade pela aplicação e a utilize, a implementação também fica bloqueada.
Nesses casos, dizemo-lo e avaliamos se uma solução mais simples ou, primeiro, melhores dados trariam mais valor.