Smart Suggestions: Slimme suggesties bij het coderen van facturen

Smart Suggestions: Slimme suggesties bij het coderen van facturen

Binnen de Spend Cloud wordt al enkele jaren met Autosuggest boekingsvoorstellen gedaan bij het coderen van facturen. Door de recente ontwikkelingen van Artificial Intelligence (AI) hebben wij deze techniek doorontwikkeld en introduceren: Smart Suggestions.

Info
Smart Suggestions wordt gefaseerd uitgerold, wanneer dit in jou Spend Cloud omgeving wordt ingeschakeld wordt je hiervan op de hoogte gesteld.

Wat is Smart Suggestions?

Smart Suggestions maakt gebruik van kunstmatige intelligentie (AI) en historische factuurgegevens om suggesties te bieden en automatisch vooraf in te vullen voor het coderen van facturen. Smart Suggestions ondersteunt hiermee het factuurverwerkingsproces door codeervelden vooraf in te vullen of door voorstellen te doen. Smart Suggestions maakt gebruik van historische data om suggesties te maken bij het invullen van codeervelden. Hierbij wordt gekeken naar geëxporteerde facturen. Daarnaast wordt er gebruik gemaakt van de techniek van Autosuggest om codeervelden vooraf in te vullen. Smart Suggestions vult door middel van kunstmatige intelligentie codeervelden automatisch in, deze techniek wordt in Spend Cloud al enkele jaren gebruikt en is recentelijk verbeterd door het aanpassen van de manier hoe wij de informatie vanuit de AI ophalen en hoe deze wordt getraind.

Hoe werkt dat in de praktijk?

Wanneer een factuur is toegevoegd start er een proces om zoveel mogelijk velden in te vullen, denk hierbij aan de tekstherkenning van Smartscan
 om o.a. de crediteur en factuurdatum uit te lezen, en indien van toepassing standaardwaarden, zoals een sjabloon, of standaard grootboekrekening bij een crediteur. Velden die tijdens dit proces niet zijn ingevuld, daarbij zal Smart Suggestions een poging doen om deze codeervelden alsnog voor jou in te vullen of een voorstel te doen. Je herkent de door Smart Suggestions ingevulde velden door de gele markering. Wanneer je in deze velden al een waarde ziet, dan kan Smart Suggestions met een zekerheid van 95% de correcte waarde invullen. Indien er geen waarde is ingevuld, kan je de keuzelijst openklappen. Hier zie je in het geel gearceerde voorstellen op basis van historische data. Hierbij wordt een percentage getoond van hoe vaak deze waarde eerder werd toegepast. Bijvoorbeeld in combinatie met de gekozen crediteur. Vanzelfsprekend heb je de vrijheid om van de voorstellen af te wijken en iets anders in te vullen. Smart Suggestions zal alleen de initiële codering invullen, wanneer je de codering wordt aangepast zullen er geen nieuwe suggesties gedaan worden.

Suggesties op basis van historische data

Info
Wil je een uitgebreidere toelichting over waarom Smart Suggestions iets invult of suggesties doet? Lees dan de laatste sectie van dit artikel.

Wat zijn de spelregels?

Er zijn een aantal voorwaarden die gelden bij het invullen van de codeervelden of het tonen van de suggesties door Smart Suggestions. Deze voorwaarden zullen we hieronder toelichten. Een belangrijk detail is dat het automatisch invullen van een codeerveld andere voorwaarden heeft dan het geven van suggesties. Bij het doen van suggesties wordt enkel gekeken naar jullie historische data. Het automatisch invullen wordt uitgevoerd door AI. Deze kijkt ook naar jullie historische data, maar ontdekt eigen patronen in jullie data om zo de optimale waarde te bepalen. 
Nogmaals de tip: Lees meer over wanneer en waarom Smart Suggestions waarden invult in de laatste alinea van dit artikel.

Voorwaarden automatisch invullen door AI
  1. Er wordt alleen iets ingevuld als het veld leeg is. Als het veld al is ingevuld, bijvoorbeeld omdat het een standaardwaarde van de crediteur betreft zal AI dit nooit overschrijven.
  2. Het vertrouwen om een veld automatisch in te vullen is minimaal 95%. Dat betekent dat de AI alleen een veld automatisch zal invullen wanneer er een zekerheid van ten minste 95% dat de ingevulde waarde correct is. Bij een lagere zekerheid zal er niets automatisch worden ingevuld.
  3. Automatisch ingevulde velden zijn geel gearceerd.
  4. De beste resultaten kunnen worden behaald zodra er ongeveer honderd unieke factuurregels zijn gecodeerd.
Voorwaarden suggesties op basis van historische data
  1. Suggesties worden geel gearceerd in het uitklapmenu van het veld getoond. Er wordt naast de suggestie een percentage getoond van hoevaak de waarde eerder is gebruikt.
  2. Voor de suggesties kijken we altijd naar een aantal combinaties. Bijvoorbeeld hoe vaak deze waarde is gebruikt in combinatie met de herkende crediteur. Onderaan dit artikel gaan we dieper in op de mogelijke combinaties.
  3. Voor de historische data kijkt Smart Suggestions naar geëxporteerde facturen in de afgelopen zes maanden. Suggesties worden ook getoond wanneer er slechts één factuur in deze periode is geëxporteerd.

Toelichting werkwijze Smart Suggestions

In dit deel van het artikel gaan we dieper in op de techniek achter Smart Suggestions. Houd er rekening mee dat de uitleg in bepaalde gevallen erg technisch kan zijn.
Voor het automatisch invullen van de velden wordt gebruik gemaakt van AI. De techniek achter AI is groots, en enorm complex. In essentie creëert AI, met name door middel van machine learning-technieken, patronen door te leren van de structuur van de gegevens. Met behulp van probleemoplossende processen zullen deze relaties worden vastgelegd op een manier die kan worden toegepast op vergelijkbare datasets. Hierdoor kan AI nieuwe gevallen herkennen, voorspellen of classificeren op basis van de geleerde patronen.

Gegevensinvoer
Het AI-systeem wordt gevoed met een grote hoeveelheid gegevens die de velden vertegenwoordigen waarvoor we suggesties willen ontvangen. Voor Smart Suggestions betreft dit de volgende velden:
  1. Grootboekrekening
  2. Kostenplaats
  3. Organisatorische eenheid
  4. Medewerker
  5. Contract (indien er gebruik gemaakt wordt van de Contractbeheer module)
  6. Verplichting (indien er gebruik gemaakt wordt van de Verplichtingen module)
  7. Kostendrager
  8. Extra (vrije) velden
Leerproces
Tijdens de training gebruikt het AI-systeem algoritmen om de invoergegevens te verwerken. De gegevens worden opgehaald uit alle administraties van één Spend Cloud omgeving en uitsluitend van facturen met de status geëxporteerd of betaald. Om waarden te kunnen invoeren in bovengenoemde velden moet het AI-systeem patronen gaan herkennen. De volgende gegevens worden hiervoor gebruikt.
  1. Naam van de crediteur
  2. Stad waar de crediteur is gevestigd
  3. Het bedrag van een factuur
  4. Het bedrag van de factuurregel
  5. De omschrijving van een factuur
  6. Administratie
  7. Valuta
  8. Betalingsreferentie
  9. Onze betalingsreferentie
  10. Opmerking
  11. Betaalmethode
  12. Betalingsconditie (indien van toepassing)
  13. Gekoppelde verplichting (indien er gebruik wordt gemaakt van de Verplichtingen module)
  14. Gekoppeld contract aan factuurregel (indien er gebruik wordt gemaakt van de Contractbeheer module)
Het model evalueert de gevonden patronen, ook wel voorspellingen genoemd,ten opzichte van bekende uitkomsten. Zodra het AI-systeem een patroon herkent, bijvoorbeeld dat een bepaalde grootboekrekening altijd voor een specifieke crediteur wordt gebruikt, zal deze waarde worden ingevuld. 

Patroonherkenning: Het leeralgoritme past de parameters van het model aan om het verschil tussen de voorspellingen en de werkelijke uitkomsten te minimaliseren. Door herhaalde aanpassingen leert het model patronen in de gegevens te herkennen door relaties te vinden tussen ingevoerde gegevens en de uitkomst.
Modelrepresentatie: Zodra het model is getraind, vertegenwoordigt het deze patronen, zodat ze kunnen worden toegepast op de factuur. De bevindingen worden ‘opgeslagen’ als een groot neuraal netwerk, zodat de AI deze patronen kan gebruiken om nieuwe gegevens te valideren en nieuwe verbindingen te maken in dit neurale netwerk.
Generalisatie: Het uiteindelijke doel is dat het model kan generaliseren van de trainingsgegevens om patronen in nieuwe, ongeziene gegevens nauwkeurig te voorspellen of te herkennen.

Als de AI een patroon niet herkent omdat het nieuw en afwijkend is, zal het systeem geen hoge mate van ‘vertrouwen’ meegeven(voor Smart Suggestions is de basis een zekerheid van 95%). Dit betekent dat wanneer het AI-systeem met een waarde komt, we deze niet gebruiken, tenzij het model aangeeft er ten minste 19 van de 20 keer zeker van te zijn geweest. Een scenario waarin een automatische invulling onjuist kan zijn, is wanneer een factuur die normaal op een bepaalde manier wordt gecodeerd, vanwege een specifiek detail eenmalig anders moet worden verwerkt. Over tijd kan het AI-systeem leren van deze afwijken en alsnog  de juiste (afwijkende) waarden presenteren.

We gebruiken AI omdat het in staat is om nieuwe waarden te voorspellen op basis van gegevens die het nog nooit eerder heeft gezien. Dit is een enorm innovatieve manier om gegevens te gebruiken. Dit betekent echter ook dat we niet altijd precies weten hoe AI tot een voorgestelde waarde komt.

Suggesties op basis van historische data

De Spend Cloud analyseert statische gegevens van facturen die zijn geëxporteerd of de status "betaald" hebben, met gebruik van een periode van zes maanden. Suggesties kunnen nog steeds verschijnen, zelfs als er binnen deze periode slechts één geëxporteerde of betaalde factuur is. Er zijn verschillende mogelijke combinaties die worden gebruikt voor het tonen van historische suggesties. Hieronder lees je de mogelijke combinaties:
  1. Organisatorische eenheid: Combinatie van relatie, kostenplaats en grootboek
  2. Grootboekrekening: Combinatie van relatie en administratie (indien er meerdere administraties zijn)
  3. Kostenplaats: Combinatie van relatie en grootboek
  4. Kostendrager: Combinatie van relatie, grootboek, kostenplaats en organisatorische eenheid
  5. Vrije velden: Combinatie van relatie, grootboek, kostenplaats en organisatorische eenheid
  6. Medewerker: Combinatie van relatie, grootboek, kostenplaats, organisatorische eenheid eb actie


Veelgestelde vragen

Wat is het verschil tussen suggesties door AI en Historische gegevens?
AI traint door meerdere keren over een grote dataset te kijken naar conclusies zoals: "als dit, dan dat". Vervolgens controleert het of de uitkomst correct is. Dit is het moment waarop "de patronen" worden gevonden: de regels zijn duidelijk en getest tegen verschillende onderdelen van alle data. Deze machine learning-aanpak is zeer krachtig in vergelijking met de statistische gegevens die wij gebruiken voor de suggesties op basis van historische data. Bij de Historische data hebben wij zelf een set aan regels geschreven. Dit is niet alleen onderhoudsintensief, maar leert ook niet van nieuwe patronen. Deze manier van suggereren geeft snel suggesties, maar is niet houdbaar na verloop van tijd.

Opzet historische gegevens
  1. We bekijken statische gegevens op basis van facturen die zijn geëxporteerd of de status "betaald" hebben.
  2. De gegeven suggesties zijn gebaseerd op een periode van zes maanden.
  3. Historische gegevens worden gebruikt om alle mogelijke suggesties voor het specifieke veld te geven. Deze suggesties worden georganiseerd van meest nauwkeurig naar minst nauwkeurig.
  4. Bij het openen van een dropdown zie je deze suggesties in kleur, samen met een percentage dat het vertrouwensniveau aangeeft.
  5. Suggesties op basis van historische gegevens kunnen direct worden gebruikt.

Opzet - Ingevulde waarden door AI
  1. AI wordt gebruikt voor het vooraf invullen van velden (dit is een suggestie met een hoge waarschijnlijkheid van minimaal 95%).
  2. Gebaseerd op eerder herkende patronen.
  3. Kan nieuwe waarden voorstellen op basis van deze eerdere patronen.
  4. Geeft waarden na een periode van drie maanden tot een jaar (afhankelijk van het aantal verwerkte unieke factuurregels).
  5. Verwerkt gegevens per administratie én over alle administraties in een omgeving heen.

Hoe weet ik of ik een suggestie door AI of historische gegevens zie in een veld?
Historische gegevens worden alleen gebruikt om suggesties te geven voor specifieke velden. Wanneer de AI een waarde toont met een vertrouwensniveau van boven de 95%, vullen we deze waarde automatisch in.


Wanneer begint AI met het doen van suggesties?
Het vooraf invullen door AI werkt bij een absoluut minimum van 50 uniek gecodeerde factuurregels. Meer dan 100 factuurregels levert echter aanzienlijk betere resultaten op. Afhankelijk van het aantal facturen dat er wordt verwerkt, kan het drie maanden tot een jaar duren voordat AI waardevolle suggesties biedt.

    • Related Articles

    • Autosuggest: facturen coderen met automatische suggesties

      In plaats van diverse velden handmatig te moeten invullen, kun je handelingen besparen met de Autosuggest voor het coderen van facturen. Deze geavanceerde techniek maakt gebruik van kunstmatige intelligentie om repetitieve taken te verminderen. ...

    • Autosuggest Statistieken

      Via Applicatiebeheer> Factuurverwerking > Autosuggest Statistieken, vind je terug hoe Autosuggest jouw organisatie kan helpen om sneller en zorgvuldiger facturen te coderen met behulp van automatische suggesties. Autosuggest doet met kunstmatige ...

    • Hoe kan ik facturen automatisch verwerken?

      In de Spend Cloud kun je het proces van factuurverwerking op meerdere plekken optimaliseren. Door dit proces te optimaliseren en waar mogelijk te automatiseren, zullen facturen sneller worden verwerkt. Een belangrijke functie die je daarbij kunt ...

    • Facturen beoordelen en coderen

      Als bij jouw organisatie is ingeschakeld dat je naast het beoordelen ook facturen mag coderen, kun je alle facturen die je moet beoordelen en coderen terugvinden via Factuurverwerking / Beoordelen. Deze pagina kun je ook bereiken vanuit de acties op ...

    • Een factuur coderen

      In het menu Coderen staan alle facturen die verwerkt (gecodeerd) kunnen worden. Door vanuit het overzicht op de regel of op het potlood-icoon te klikken, kom je op de pagina waar je de gegevens van de factuur kunt coderen. Facturen coderen Coderen ...