Økonomistyrelsens første AI-system skal spare millioner på faktura-håndtering

5 kommentarer.  Hop til debatten
Økonomistyrelsens første AI-system skal spare millioner på faktura-håndtering
Illustration: Vector V, bigstock.
Vi har fået blod på tanden, fortæller kontorchef i Økonomistyrelsen.
21. maj 2021 kl. 12:47
errorÆldre end 30 dage
Manglende links i teksten kan sandsynligvis findes i bunden af artiklen.

​Hvert år skal statslige institutioner manuelt gennemgå omkring 5 millioner faktura for at kontere hver enkelt udgift til den rigtige konto. 

Det er en opgave, som de 200 statslige kunder på det fællesstatslige it-system IndFak estimerer til at koste over otte millioner kroner hvert år. 

Men fremover kan det beløb blive væsentligt mindre, for siden midten af april har de statslige institutioner kunne få en stor del af fakturaen behandlet automatisk med et nyt AI-system udviklet til formålet. 

»Det primære mål har været at frigive tid for medarbejderne, som kan bruges mere værdifuldt,« fortæller Carina Priess Sørensen, der er kontorchef for Økonomisystemer i Økonomistyrelsen, der står for IndFak.  

Artiklen fortsætter efter annoncen

»Økonomistyrelsen er jo sat i verden for at effektivisere. Så vi har et ønske om at understøtte en mere effektiv og korrekt håndtering af de millioner faktura, som i dag primært bliver konteret manuelt.«

Tager hul på en guldgrube

IndFak er en forkortelse for indkøb og fakturering, og det er en it-løsning, som bruges af statslige institutioner til at afgive ordrer og modtage fakturaer. Når regninger kommer ind bruger man løsningen til at notere den rigtige kontering og godkende fakturaen, hvorefter det bliver bogført. 

Alt det er gennem syv år blevet gjort for millioner af faktura - og heri ligger en guldgrube af træningsdata, som Økonomistyrelsen nu har taget hul på.  

Hvor en medarbejder, der åbner en faktura, før kun ville se de mange tomme felter, der skulle udfyldes, kan de nu se felterne fyldt med AI-generede forslag til de rigtige konteringer, som medarbejderen så kan nøjes med at godkende. 

»Og så kan medarbejderen i stedet fokusere på at kontrollere, om det er de rigtige betalingsoplysninger, og om det er den rigtige kreditor, vi er igang med at betale,« siger Carina Priess Sørensen.  

Faktura-sprog

Løsningen er bygget ved først og fremmest at omdanne de store mængder information i fakturaerne til data til de neurale netværk blandt andet ved at transformere tekst til vektor-værdier. 

Fordi sproget i fakturaer ikke minder om de tekster, der er brugt til at udvikle eksisterende åbne sprogmodeller, har det arbejde krævet at træne en tekstmodel specifikt til denne opgave. Da teksten ofte kombinerer tekst og tal - som varenumre eller priser - har udviklerne anvendt segmenterings algoritmen WordPiece for at fange informationen i tallene. 

Den udledte data bruges til at træne flere forskellige neurale netværk - herunder et CNN dedikeret til at håndtere tekst. RNN blev fravalgt, fordi det er for langsomt, og fordi CNN viste sig at være mere resistent overfor overfitting. Netværkene bliver efterfølgende samlet og fintunet til en model for hver enkelt statslige organisation.


Illustration: Økonomistyrelsen

Transfer learning forhindrer performance-dyk

Denne form for transfer learning er kritisk for ikke at opleve store midlertidige performancetab, fortæller Carina Priess Sørensen. 

»Det sker ofte, at en kunde skifter kontoplan omkring nytår, og så har de en ny registreringsramme, de skal arbejde med. Og alt andet lige vil det give et voldsomt dyk i andelen af bilag, som kan behandles, hvis vi ikke prøver at imødegå det.«

Det sker ligeledes ofte, at de statslige organisationer får fakturaer fra en leverandør, de aldrig har handlet med før, eller køber et helt nyt produkt. Her kan modellen altså trække på data fra de andre organisationer, som måske tidligere har anvendt leverandøren eller produktet. 

Forkaster usikre prædiktioner

Før modellens forudsigelser bliver accepteret og dermed præsenteret som et forslag for brugeren, skal der være en 95% sikkerhed for at forudsigelsen er korrekt. 

»Vi gik ind i projektet med en forventning om, at 50 % af alle bilag ville kunne blive behandlet automatisk, hvis vi satte grænsen på 95 %,« fortæller Carina Priess Sørensen.  

I udgangspunkt skulle løsningen kun behandle en faktura automatisk, hvis AI'en kunne udfylde samtlige felter i fakturaen med en sikkerhed på 95 procent. Men pilotprojektet viste, at det for en udvalgt kunde i så fald kun var omkring 30 procent af regninger, der blev klaret automatisk. 

»Men hvis jeg bare er interesseret i, at den behandler alle de fakturalinjer, den kan, så kan den for den samme kunde behandle 53 procent af alle linjer. Og hvis jeg siger, at modellen ikke skal forsøge at gætte på projekt-koder, som kan være notorisk vanskelige, så kan AI'en for den kunde komme op på 88 procent,«

Piloten viste, at der var brug for at gøre systemet fleksibelt, så hver enkelt IndFak-kunde selv kan vælge, hvornår AI'en træder til, siger Carina Priess Sørensen. 

»Det afhænger af kunden, hvad der giver mening,« påpeger hun. 

Organisationer kan nu vælge at sætte beløbsgrænser på, som f.eks siger, at AI'en ikke skal blande sig i faktura, som er større end en halv million. Eller indstille den til kun at behandle faktura fra bestemte kreditorer.

»Men vi kommer til at anbefale, at man sætter den til at behandle så meget som muligt,« siger Carina Priess Sørensen.

Budgetafvigelser og svindel

Projektet er økonomistyrelsens første AI-projekt, men bliver ikke det sidste, siger kontorchefen. 

»Vi har helt klart fået blod på tanden,« siger Carina Priess Sørensen. 

»Vi ser store perspektiver i det på tværs af vores systemportefølje, særlig når vi taler automatisering og datavisualisering.«

En use case kunne f.eks. være at forsøge at forudsige budgetafvigelser baseret på historisk data. Eller at regne på risiko for, at en debitor ikke betaler til tiden. En tredje mulighed er fraud detection ved at prædiktere risiko for svinde i udbetalinger.

»Så der er flere forskellige steder på tværs af porteføljen, hvor det kunne give rigtig god mening at udbygge med ny AI-funktionalitet. Det betyder også at det vil blive en naturlig del, når vi laver genudbud af vores løsninger.«

Datatech-boks:

5 kommentarer.  Hop til debatten
Debatten
Log ind for at deltage i debatten.
settingsDebatindstillinger
5
22. maj 2021 kl. 13:05

Det er da også en slags penge. Det er nok til at dække udgifterne til undersøgelse af Frank Jensens krænkelser.

4
21. maj 2021 kl. 20:43

Det er udgifterne til den manuelle kontering, der estimeres til 8 mill., ikke udgifterne til den automatiserede softwareløsning.

3
21. maj 2021 kl. 20:23

Lad os sige at en regnskabs medarbejder får 240 kr i timen, det tager denne medarbejder 10 min i gennemsnit at behandle en faktura, der med koster en faktura 40 kr at få gennem en medarbejders hændrer. 40 kr pr faktura ved 5 mil fakturare bliver 200 millioner kr, så jeg køber gerne en besparelse på 66 mil kr for 8 mil hvis jeg kan få mine medarbejdere til at lave noget andet i 1/3 del af tiden. så 8 mil om året lyder ikke af meget.

Pil selv på tallene for at se hvor langt ned du skal for at få 8 mil til at være urentablet.

2
21. maj 2021 kl. 20:12

Betyder det noget om det er mange eller få penge sparet? Penge sparet er penge som kan bruges på andet. Tænk hvis alle offentlige instanser var så nidkære og sparede hvor teknikken gør det oplagt at spare.

1
21. maj 2021 kl. 14:23

Hvis det koster 8 mill kr per år at ekspedere 5 mill. fakturaer, er der næppe en guldgube i at rationalisere dette. Er der en uklarhed i teksten? eller en faktor 1000-fejl?