Как сократить обработку инвойсов в 1С с помощью ИИ

В этом материале разбираем, как ИИ помогает автоматизировать процесс от распознавания документа до сопоставления товарных позиций с данными в 1С.

Показываем архитектуру решения на базе GigaChat и RAG, реальные результаты внедрения, ограничения технологии и стоимость использования.

Статья будет интересна руководителям IT-отделов, 1С-специалистам и владельцам бизнеса, которые регулярно обрабатывают входящие данные нетиповых форматов, с которыми не справляются существующие сервисы распознавания.

Распознавание данных с использованием ИИ

Современные нейросети уже давно не просто «отвечают на вопросы». Они умеют анализировать документы, извлекать структурированные данные и сопоставлять их с учётной системой. Сегодня это доступно не только корпорациям с собственными ML-командами, но и любому бизнесу через облачные сервисы.

Один из таких сервисов — «GigaChat» от Сбера. Он позволяет отправлять на распознавание PDF/XLSX/PNG и файлы получать структурированную информацию для последующей обработки и занесения в базу.

Кейс: распознавание входящих инвойсов

Компания получает десятки инвойсов от поставщиков. Каждый инвойс может содержать до 100 позиций. Форматы документов не унифицированы — поставщики из Европы, Азии и России присылают PDF в разных стилях.

Раньше оператор вручную переносил каждую позицию: находил в справочнике 1С нужную номенклатуру, сверял артикул, цену и количество. На один инвойс уходило от 10 минут до часу — в зависимости от объёма.

Данные о номенклатуре в самом инвойсе тоже не совпадают с информацией в базе. Частный случай: в инвойсе написано «American Walnut 20х600х2500 mm», а в 1С этот же товар называется «Орех американский 20х600х2500 мм». Даже для ручного распознавания таких документов нужен опыт работы с подобными документами.

В целях уменьшения временных трудозатрат на процесс внесение информации инвойса в базу было принято решение автоматизировать процесс с использованием умного распознавания и сопоставления с помощью ИИ.

Архитектура решения

Система строилась в три этапа:

1. Инвойс отправляется в GigaChat, который анализирует документ и возвращает JSON с полями: наименование, артикул, количество, цена, сумма. Помимо табличной части документа из источника извлекается информация о контрагенте, дате документа, валюте и ставке НДС.

2. Распознанные товарные позиции сверяются с данными в регистре сведений сопоставления товаров поставщиков с товарами базы. Если товар уже встречался раньше — поиск происходит мгновенно силами 1С. Если встречается впервые — строка отправляется в GigaChat для умного сопоставления с полным справочником.

3. Каждый раз, когда оператор подтверждает правильное сопоставление, данные записываются в регистр сведений. При повторном появлении той же позиции система находит её уже без участия GigaChat.

Тарифы GigaChat

Для распознавания и сопоставления использовались тарифы GigaChat. Модель «Max» показала наилучшие результаты для анализа PDF-документов и сравнения наименований.

Стоимость одного запроса к GigaChat составляет от 0,5 до 2 копеек в зависимости от объёма инвойса. В рассмотренном примере на один инвойс с 20 позициями уходит в среднем 2-5 рублей. Для компании с объёмом 100 инвойсов в месяц — это несколько сотен рублей.

Плюсы, минусы и ограничения

Плюсы:

• Поддержка различных форматов — Информацию можно «Вытаскивать» из источников любых форматов и типов.
• Не нужно покупать серверы — всё работает через облачные API.
• Точность распознавания сложных инвойсов достигает 80%.

Минусы и ограничения

Статистика по итогам внедрения

• GigaChat с точностью до 80% распознаёт сложные инвойсы с нетиповой структурой.
• Время обработки одного инвойса сократилось с 20-60 до 5-15 минут.
• Повторный поиск по уже встречавшимся товарам занимает секунды — данные берутся из регистра сведений.

RAG-поиск: следующий уровень

Рассмотренная выше схема «GigaChat → регистр 1С» работает, но имеет один узкий момент: когда товар встречается впервые, GigaChat ищет его по всему справочнику номенклатуры. Если в справочнике 50 000 позиций, каждое сравнение отправляет весь массив данных в GigaChat — долго и неточно.

Здесь на помощь приходит RAG (Retrieval-Augmented Generation). RAG — это технология, которая заранее индексирует все позиции справочника в векторную базу данных и при поиске находит несколько самых похожих кандидатов.

Вместо того чтобы каждый раз показывать нейросети весь каталог и просить «найди подходящий», мы заранее раскладываем товары по полочкам. Теперь на поиск нужной позиции уходит не минута, а пара секунд.

Для RAG-надстройки отлично подходит сервис Cloud.ru Evolution Managed RAG. Он находится в той же экосистеме, что и GigaChat, — данные не уходят к сторонним провайдерам. Это важно для компаний, которые заботятся о конфиденциальности информации.

Тарифы RAG: сколько это стоит

Хранение 50 000 проиндексированных позиций стоит около 9 рублей в день. Поиск одного наименования — копейки. Эффект — сокращение времени поиска в 4-5 раз.

Результаты RAG-надстройки

Добавление RAG-поиска в архитектуру дало следующие результаты:

1. Поиск по RAG занимает 200-500 миллисекунд на одну строку товара против 2-5 секунд при прямом обращении к GigaChat. Разница в 4-5 раз.
2. Правильное сопоставление достигает 90-95%, так как RAG находит семантически близкие варианты, а пост-фильтр отсеивает несовпадения по характеристикам, которые не отличить семантически.
3. Уменьшив количество обращений в GigaChat также уменьшается и стоимость распознавания одного инвойса. Тарификация каждого документа заменяется оплатой хранения проиндексированных данных. При распознавании более чем 3 инвойсов в день уже достигается экономическая окупаемость RAG в сравнении с GigaChat.

Универсальность метода

Описанная методика не привязана к конкретному типу данных. Номенклатура мебельного производства, строительные материалы, запасные части — RAG+GigaChat одинаково эффективны для любых справочников. Достаточно один раз проиндексировать базу, и система готова к работе.

Важно, что вся архитектура построена на облачных сервисах:

• «GigaChat» — распознавание и семантическое сопоставление
• «Cloud.ru Managed RAG» — Хранение данных и эмбеддингов, екторный поиск и индексация

Это значит, что для внедрения не требуется покупка серверов, настройка GPU-кластеров или привлечение ML-специалистов. Всё работает через HTTP-запросы из 1С. Инфраструктура компании никак не влияет на производительность — масштабированием занимается облачный провайдер.