Хотя различные аспекты ИИ могут решить или уменьшить проблему классификации расходов, сегодня большинство программных решений включают ту или иную форму контролируемого машинного обучения. Давайте рассмотрим конкретный пример классификации расходов на основе машинного обучения. Аналитика расходов Sievo имеет ряд конкретных вариантов использования машинного обучения:
В качестве отправной точки алгоритмы машинного обучения могут автоматически классифицировать новые данные о расходах по таксономиям закупок.
Программное обеспечение также может предоставлять предложения экспертам по категориям с помощью инструмента классификации (см. снимок экрана ниже).
Кроме того, классификатор AI на основе машинного обучения может давать уровень достоверности от 0 до 1 для каждого предложения классификации. Низкая достоверность ближе к нулю, в то время как большее число соответствует более высокой достоверности.
Машинное обучение также может выйти за рамки новой классификации расходов. Он может обнаруживать ошибки, допущенные в предыдущих классификациях, основанных на правилах, экспертами по категориям.
Эксперт по категориям может просматривать или проверять данные, классифицированные ИИ, и предоставлять ценные обучающие данные для будущих классификаций.
