Business Context
Die manuelle Verbuchung von Spesen, Rechnungen und Quittungen erfordert derzeit einen erheblichen Zeitaufwand von einigen Stunden pro Woche.
Um diesen Prozess effizienter zu gestalten und die Arbeitszeit zu reduzieren, wäre die Implementierung eines Tools, das künstliche Intelligenz nutzt, äußerst wertvoll. Ein solches Tool könnte Buchungen automatisieren oder zumindest vorbereiten, was nicht nur den Arbeitsaufwand erheblich mindern, sondern auch zu potenziellen jährlichen Einsparungen von über 20’000 CHF führen könnte.
Als Prototyp haben wir an unserem Innovations-Tag ein solches Tool entwickelt und uns dabei auf die grösste technische Herausforderung konzentriert: Die Klassifizierung von Fotos oder PDFS von Belegen mittels künstlicher Intelligenz.
Daten-Beschaffung
Um die Daten zum Training des AI-Modells vorzubereiten wurden Spesenquittungen und Rechnungen aus unserem ERP (Bexio) extrahiert und anschließend auf einem Storage, in diesem Fall auf AWS S3, abgelegt.
Nun wurden für jede Quittung mithilfe der API unseres ERP relevante Informationen wie Belegtyp, Buchungskonto und Bankkonto ausgelesen und gespeichert.
Danach haben wird für alle Quittungen mittels Amazon Textract den Text aus den Bildern extrahiert. Um keine Infrastruktur für diesen Workflow provisionieren zu müssen und den Aufwand tief zu halten wurde für die Steuerung des Workflows AWS Step Functions - eine Art Serverless Low-Code-Lösung von AWS - verwendet.
Am Schluss der Datenvorbereitungen standen für jeden Beleg folgende Daten zur Verfügung:
- Text des Belegs
- Beleg-Typ
- Konto und Gegenkonto für die Buchhaltung
Modell-Training
Mittels Amazon Comprehend wurde ein Text-Klassifizierungsmodell trainiert, um aus Belegtexten die Kategorisierung des Belegs zu ermöglichen.
Das Training des Modells erfolgte durch Scripting in Amazon Sagemaker Studio Notebooks. Nach erfolgreichem Training wurde das Modell in Amazon Comprehend in Betrieb genommen. Damit ist die automatisierte Texterkennung für Belege nach der Validierung gegen ein Testdaten-Set Produktions-bereit.
Operationalisierung
Um die Anfrage für die Klassifizierung eines Beleges zu automatisieren wurde eine AWS Step Function implementiert. Diese erkennt den Text aus dem Beleg-Foto oder PDF und klassifiziert den Beleg. Damit stehen bereits einige wichtige Daten bereit um die Buchung des Beleges zu vereinfachen.
Als Follow-Up nach unserem Innovations-Tag ist nun noch die Erweiterung der Klassifizierung auf weitere Informationen für die Verbuchung notwendig sowie die Entwicklung eines Web-Frontends für die User.
Lohnt sich das ganze?
Aktuell erfordert die manuelle Buchung von Spesen, Rechnungen und Quittungen einen wöchentlichen Aufwand von einigen Stunden, was jährlichen Kosten von über 20,000 CHF entspricht. Eine realistische Annahme ist, dass ein automatisiertes Tool in der Lage ist, 30% dieser Arbeitsbelastung zu reduzieren.
Nach den Erfahrung mit der Entwicklung des Prototyps in einem Tag schätzen wir, dass die Entwicklung dieses Tools voraussichtlich maximal 10 Tage in Anspruch nehmen würde. Eine Eigenentwicklung werden wir wohl trotzdem nicht anstreben da es vergleichbare Produkte bereits am Markt zu kaufen gibt.
Das gute an gewonnenem Wissen im Vergleich zu konkreten Lösungen ist aber die Transferierbarkeit - ich bin sicher wir werden die am Innovationstag gemachten Erfahrungen in anderen Projekten wieder einsetzen können.
Fazit
Mit der Fülle an verfügbaren Cloud-Services für angewandte AI und der Möglichkeit, diese in kurzer Zeit zu kombinieren, ist es mit überschaubarem Aufwand möglich, AI-Unterstützung in Prozesse einzubauen. Serverless-Technologien ermöglichen einen sehr kostengünstigen Betrieb. Dies schafft einen echten, auch finanziell messbaren Mehrwert für Unternehmen.
Ist das auch bei dir ein Anliegen? Dann melde dich gerne ungeniert bei mir für einen Austausch: matthias.fritschi@avega.ch.
Oder buche einfach ein kostenloses Speedcoaching.