Разработка подсистем интеллектуальной обработки информации и роботизации пользовательской активности для закупок

Заказчик
АО «ТВЭЛ»
Руководитель проекта со стороны заказчика
ИТ-поставщик
АО «Промышленные инновации» - генеральный подрядчик. ООО «Преферентум» – вендор, субподрядчик. ООО «АйТи. Бизнес решения» - вендор платформы "ROBIN".
Сроки выполнения проекта
Октябрь, 2018 - Ноябрь, 2019
Масштаб проекта
20000 человеко-часов
250 автоматизированных рабочих мест
Цели

  1. Снижение трудозатрат и времени выполнения типовых операций в рамках процессов закупок МТО
  2. Повышение качества экспертизы документов, снижение количества претензий.

Уникальность проекта

В проекте были использованы самые передовые решения (отечественные разработки) по технологиям искусственного интеллекта (AI), машинного обучения (ML), роботизации пользовательской деятельности (RPA), которое обеспечили решение таких задач как:

 - создание инструмента эффективной обработки больших объёмов неструктурированных данных;

 - использование накопленного массива документов и правил в качестве интеллектуальной базы знаний;

 - автоматизация процесса анализа и обработки информации при проведении закупочных процедур;

 - автоматизация процессов обмена электронными документами и результатами их анализа между системами;

 - роботизация формализованных рутинных операций.

Уникальность проекта заключается именно в сочетании этих решений в рамках одной системы – роботизация пользовательских операций совместно с извлечением из неструктурированных текстов необходимых сущностей (данных ТКП), а так же проверки документов (ТЗ на закупку МТО) по заданным правилам.
Проект решает задачи импортозамещения
Нет
Использованное ПО

Платформа «Robin» для роботизации пользовательской активности.
Платформа «Preferentum» для интеллектуального анализа неформализованных данных;
Платформа «Abby» для распознавания графических документов;
IIS
Tomcat 9
Java 9
.Net  Core 2.1.4 и выше
RabbitMQ 3.7.4 и выше
СУБД Postgres Pro
Standard v.10.4.1

Сложность реализации

Для определения перечня правил проверки документов проводилось обследование, задачей которого являлся сбор информации о работе экспертов закупщиков, каким образом они проверяют закупочные документы и какие текстовые сущности им требуется выделить из документов с ценовой информацией.

Изначально заказчик предполагал, что будет огромное количество таких правил, но в результате обследования в реализацию пошло не более 200 шт. Дело в том, что не все правила возможно формализовать, т.к. проверка осуществлялась на интуитивном уровне.

С каждым этапом проекта двигались итерационно, наращивалась функциональность и проводились корректировки уже выполненного функционала.
Описание проекта

В процессе материально-технического обеспечения Топливной компании «ТВЭЛ» участвуют более 250 человек. Около 90 тысяч позиций детализированной потребности, которые ежегодно группируются в 5 тысяч лотов, по которым осуществляются тендерные закупки.

На момент старта проекта проверка технических заданий и процесс формирования начальной цены договора для закупки осуществлялся вручную.

Система интеллектуальной обработки информации, распознавания и роботизации пользовательской активности, разработанная в рамках проекта, обеспечила:

  1. Автоматизацию проверки Технического задания на закупку МТО.
  2. Автоматизированный поиск ценовой информации в открытых источниках сети интернет и БДЦ (База данных цен ГК «Росатом»).
  3. Рассылку адресных запросов ТКП средствами робота.
  4. Получение адресных ТКП. Распознавание графического документа в текст. Автоматическое извлечение данных из ТКП. Проверка полученных данных на предмет соответствия с заданными в действующей учетной системе (SAP ERP ТК).
  5. Автоматическое формирование ценового анализа на основе ранее полученных данных.
  6. Интеграцию системы интеллектуальной обработки информации, распознавания и роботизации пользовательской активности с действующей учетной системой.

Внедрение системы привело к следующим результатам:

  • сокращение трудозатрат профильных экспертов при проверке Технического задания:
  • сокращение сроков протекания процесса МТО;
  • упрощение процесса сбора источников цен и формирования на их основе ценового анализа и расчета НМЦД;
  • сокращение трудозатрат по процессу формирования начальной максимальной цены договора.

География проекта

В организационные рамки проекта вошла головная организация АО «ТВЭЛ» (г. Москва), а также одно из крупнейших предприятий дивизиона АО «УЭХК» (г. Новоуральск).

В данный момент проводится тиражирование текущего функционала на остальные крупные предприятия Топливной компании, расположенные в различных субъектах Российской Федерации.

Дополнительные презентации:
Ссылки на ролики о проекте.pdf
Коментарии: 4
  • 07.11.2019 22:11

    Очень необычная функциональность закрыта! На сколько сократились сроки? Как все шло организационно, потому что можно предположить бооольшие сложности. И интересно, какой процент документов удается обработать автоматически?

  • Антон Холло
    Рейтинг: 48
    ООО "Робин"
    Директор проектов
    12.11.2019 12:17

    Здравствуйте Ольга!
    Отвечаю от имени исполнителей на Ваши вопросы:

    @ На сколько сократились сроки (как понимаем, сроки выполнения операций)?
    Представьте разницу в скорости выполнения операций вручную и автоматически на некоторых функциях системы:
    1. Выборка атрибутов (показателей) технико-коммерческого предложения (ТКП) и ввод их в сводную таблицу. К атрибутам ТКП относится несколько десятков показателей – наименование и реквизиты продавца, стоимость и характеристики товара, условия поставки и пр. Вручную это требует пройтись по всему тексту ТКП и выписать необходимые атрибуты в таблицу. Времени на это требуется от 10 до 30 минут на одно ТКП. Система это делает в течение 1 минуты, после чего пользователю остаются проверить (верифицировать) атрибуты внесенные в таблицу автоматически, на что уйдет максимум 5 минут. То есть можно с уверенностью сказать, что данная функция увеличивает скорость обработки одного ТКП не менее чем в 2 раза.
    2. Для проверки ТЗ, необходимо не просто его прочитать но и выписать в качестве комментариев замечания к его оформлению (соответствие структуры типовой форме, наличие повторов, правильность указанных ссылок, ошибки в указании диапазонов и единиц измерения в характеристиках продукции, правильность описания товара, орфография и многое другое – всего более сотни правил). На полноценную проверку документа по этим правилам и написания комментариев с замечаниями, у человека уйдет от 2 часов до рабочего дня. Система выдает проверенный документ в Word с замечаниями в комментариях за 2-5 минут. Сотруднику остается только проверить эти замечания. В данном случае скорость обработки документа увеличивается на порядок.
    3. Поиск информации по лотам из web-источников и корпоративной БД, с переносом ее в сводную форму. Роботизация этого процесса не только ускоряет саму операцию в разы, но и позволяет запустить процесс по перечню лотов и не отвлекаться на него до его полного исполнения.

    @ Как все шло организационно, потому что можно предположить бооольшие сложности?
    По поводу организационных сложностей внедрения – основные из них указаны в описании, это аналитика при формализации правил проверки документов. Таких распространенных сложностей, как неприятие системы пользователями не было, потому что она реально помогает им выполнять процессы быстрее и качественнее.

    @ Какой процент документов удается обработать автоматически?
    Автоматическую обработку проходят 100% документов. Вопрос только в качестве их обработки, которое зависит от качества оригинала документа и соответственно распознавания его содержимого (текста) средствами OCR.

  • 13.12.2019 12:14

    Спасибо большое. Ну а средствами OCR сколько распознается? То есть вопрос то в том, какую часть документов можно реально обрабатывать автоматически полностью?

  • Антон Холло
    Рейтинг: 48
    ООО "Робин"
    Директор проектов
    19.12.2019 12:12

    Средствами OCR распознается не менее 80% документа, даже плохого качества. Это означает, что большая часть атрибутов автоматически определится, единственная задача оператора останется поправить часть символов в тексте, распознанных неверно (если документ совсем плохой для распознавания). Это в любом случае быстрее, чем набивать атрибуты вручную.

Год
Предметная область
Отрасль
Управление
Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.