A számlafeldolgozás 3 napról 4 órára csökkent

A kihívás

A cég havonta mintegy 2000 beszállítói számlát dolgozott fel 6 különböző pénznemben. A pénzügyi csapat havonta 3 teljes napot töltött manuális adatrögzítéssel és megrendelés-egyeztetéssel, ami késésekhez, hibákhoz és hónap végi szűk keresztmetszetekhez vezetett.

A megoldás

Egy közép-európai fuvarozó cég havi kb. 2000 beszállítói számlát kapott 6 különböző pénznemben. A csapat 3 teljes napot töltött adatrögzítéssel és egyeztetéssel. Építettünk egy dokumentumfeldolgozó pipeline-t egy finomhangolt Llama modellel, ami kinyeri a tételsorokat, összeveti a megrendelésekkel, és megjelöli az eltéréseket. A rendszer a számlák kb. 85%-át emberi beavatkozás nélkül kezeli. A maradék 15%-ot a problémás mezők kiemelésével továbbítja ellenőrzésre.

Technikai megközelítés

Egy dokumentumfeldolgozó pipeline-t építettünk finomhangolt Llama modellel a tételsor-kinyeréshez és PO-egyeztetéshez. A rendszer Azure AI-t használ OCR előfeldolgozásra és Blue Prism-et az ERP integrációhoz. A modellt 6 hónapnyi historikus számlaadaton tanítottuk be, hogy kezelje a több pénznemben érkező számlákat és a szállítónként eltérő elrendezéseket.

Felhasznált technológiák