KI-Integration mit 1C: ERP mit maschinellem Lernen verbessern

Künstliche Intelligenz (KI) ist kein futuristisches Konzept mehr, sondern ein praktisches Werkzeug zur Verbesserung von Geschäftsprozessen. Dieser Artikel untersucht, wie KI-Technologien in 1C, ein beliebtes ERP-System (Enterprise Resource Planning), integriert werden können, um Effizienz und Entscheidungsfindung zu verbessern. Wir werden uns mit verschiedenen KI-Anwendungen befassen, die für 1C-Entwickler und -Benutzer relevant sind, und über den Hype hinausgehen, um uns auf reale Implementierungen zu konzentrieren.

KI umfasst eine Reihe von Technologien mit jeweils einzigartigen Fähigkeiten. Zu den wichtigsten Bereichen gehören maschinelles Lernen (ML), bei dem Algorithmen aus Daten lernen; Deep Learning, eine Untermenge von ML, die neuronale Netze mit mehreren Schichten verwendet; Natural Language Processing (NLP), das es Computern ermöglicht, menschliche Sprache zu verstehen und zu verarbeiten; und Computer Vision, das es Systemen ermöglicht, Bilder zu 'sehen' und zu interpretieren. Das Verständnis dieser Unterschiede ist entscheidend für die Identifizierung der richtigen KI-Lösung für spezifische 1C-Integrationsanforderungen. Maschinelles Lernen ist keine künstliche Intelligenz, und künstliche Intelligenz ist kein neuronales Netz. Neuronale Netze sind ein relativ kleines und enges Feld. Sie können beispielsweise Empfehlungen geben – wenn Sie einen Film herunterladen/ein Produkt kaufen und das System Ihnen ähnliche basierend auf Ihren Vorlieben anbietet. XGBoost, CatBoost – das sind auch neuronale Netze, aber etwas anders trainiert. Es gibt keine künstliche Intelligenz, der Turing-Test wurde noch nicht bestanden. Klassische lineare Regression ist ebenfalls maschinelles Lernen, und in vielen Fällen reicht dies völlig aus.

Mehrere Tools und Frameworks erleichtern die KI-Entwicklung und -Integration. Für Python-Enthusiasten bietet Scikit-learn einen benutzerfreundlichen Einstieg, während TensorFlow und Keras leistungsstarke Optionen für komplexere Aufgaben wie die Bilderkennung sind. .NET-Entwickler können Accord.NET nutzen. Diese Tools können verwendet werden, um Microservices zu erstellen, mit denen 1C über HTTP-Anfragen interagieren kann, was eine nahtlose Integration von KI-Funktionalitäten ermöglicht. Scikit-learn ist am einfachsten, am beliebtesten und bekanntesten, wenn Sie etwas in Python lernen möchten. Damit können Sie etwas Klassisches machen – sagen wir, ein Perzeptron trainieren. Das sind drei Codezeilen, und 90 % der Aufgaben werden gelöst. Wenn Sie etwas Anspruchsvolleres möchten – mit Bildern spielen, etwas erkennen lernen, Ihr eigenes OCR schreiben – dann gibt es TensorFlow. Darüber hinaus sollte TensorFlow meist zusammen mit Keras betrachtet werden, da TensorFlow selbst recht schwierig zu handhaben ist und Keras ein Wrapper ist, der die Arbeit mit TensorFlow etwas vereinfacht, es ist viel angenehmer damit zu arbeiten. Accord.NET ist nützlich für dot-net-Entwickler – eine ziemlich alte Sache, aber sie löst viele Probleme speziell für .NET.

Computer Vision ermöglicht es 1C-Systemen, Bilder zu verarbeiten und zu analysieren. OpenCV, eine beliebte Bibliothek, bietet Werkzeuge für Aufgaben wie Optical Character Recognition (OCR) und Objekterkennung. Durch die Integration von Computer Vision können 1C-Anwendungen die Dokumentenverarbeitung automatisieren, Daten aus Bildern extrahieren und die Genauigkeit der Dateneingabe verbessern. Für Standardaufgaben können Sie Yandex Vision oder OpenCV ausprobieren. Yandex Vision ist eine großartige Sache, es hat eine gute REST-API, erkennt Gesichter und handschriftlichen Text sehr gut. Es kostet einen Cent pro Dokument, jeder kann es ausprobieren. Sie abonnieren, erhalten einen Schlüssel. In der REST-API gibt es eine Methode, batchAnalyze. Damit können Sie ein Bild übertragen, und Yandex Vision gibt Ihnen eine JSON-Struktur zurück, in der je nachdem, was Sie möchten, entweder die Koordinaten von Gesichtern oder Texte, in denen der gesamte Text enthalten ist. Darüber hinaus ist all dies buchstäblich in drei Zeilen geschrieben. OpenCV ist etwas schwerer, kann aber viel mehr. Auch hier sind der Feature-Detektor und der Gesichtsdetektor eine völlig separate Geschichte, da die meisten Computer-Vision-Systeme speziell darauf ausgerichtet sind, bestimmte Objekte im Bild hervorzuheben. Und diese Sache funktioniert gut. Und wenn Sie den Text irgendwie klassifizieren möchten, dann hilft klassisches Computer Vision nicht so sehr.

OCR-Technologie ermöglicht es 1C, Text automatisch aus gescannten Dokumenten und Bildern zu extrahieren. Während verschiedene OCR-Lösungen existieren, ist Abbyy FlexiCapture eine robuste Option für die 1C-Integration. Tesseract OCR, eine kostenlose Bibliothek, bietet eine kostengünstige Alternative für grundlegende OCR-Aufgaben. Durch die Implementierung von OCR können 1C-Benutzer die Rechnungsverarbeitung optimieren, die Dateneingabe automatisieren und manuelle Arbeit reduzieren. Es gibt Leute, die das schon seit geraumer Zeit tun und die auch Kenntnisse der russischen Sprache, Phonetik und Rechtschreibung hinzugefügt haben. Das ist Abbyy. Und natürlich ist Abbyy FlexiCapture immer noch besser als alle Startups zusammen. Darüber hinaus ist es recht einfach, es in 1C zu integrieren. Und Tesseract ist großartig, weil es kostenlos ist. Damit können Sie in einer Stunde einen Erkennungsdienst erstellen. Die Qualität wird nicht sehr gut sein, es wird nicht möglich sein, alle Primärdokumente für die Eingabe in 1C vollständig zu erkennen. Aber das muss man nicht tun, unsere Zukunft liegt im elektronischen Dokumentenmanagement. Aber Sie können Pässe erkennen, Sie können bestimmte Details im Dokument erkennen (z. B. eine Abteilung) und dieses Primärdokument klassifizieren. Das werde ich weiter in den Fallstudien zeigen.

Deep Learning und NLP bieten erweiterte Funktionen für 1C-Systeme. Deep Learning kann für komplexe Aufgaben wie Bildklassifizierung und prädiktive Modellierung verwendet werden. NLP ermöglicht es 1C-Anwendungen, natürliche Sprachabfragen zu verstehen und darauf zu reagieren, was die Entwicklung von Chatbots und den automatisierten Kundenservice erleichtert. Für NLP würde ich zwei (maximal drei) Bibliotheken empfehlen. Erstens können Sie sich an den Yandex SpeechKit-Dienst wenden – er ist recht gut gemacht, es gibt sogar ein gutes Beispiel auf Infostart, das eine Anbindung daran implementiert. Für die meisten Aufgaben, wie die Erkennung von Anrufen, wird dies ausreichen. Es gibt einen Metaparser, wenn Sie beispielsweise bestimmte Daten aus dem Verwendungszweck extrahieren möchten, aber Sie müssen sich mit Grammatiken herumschlagen. Aber das wird für diejenigen schwierig sein, die damit nicht direkt gearbeitet haben. Es gibt eine Open-Source-Bibliothek in Python von http://ipavlov.ai – das ist wahrscheinlich die beste Lösung, die mit der russischen Sprache arbeitet. Sie verwenden das Standard-Word2Vec, haben es aber verbessert. Es ist einfach und bequem. Im Grunde, wenn Sie einen KI-basierten Chatbot erstellen möchten, der kostenlos ist und den Sie selbst trainieren, dann – willkommen, ipavlov – die beste Wahl, um ein Beratungssystem zu erstellen.

KI kann die Datenanalyse und Prognose innerhalb von 1C erheblich verbessern. Algorithmen des maschinellen Lernens können Muster in Daten erkennen, zukünftige Trends vorhersagen und die Entscheidungsfindung verbessern. 1C bietet integrierte Mechanismen für Datenanalyse und Prognose, die es Benutzern ermöglichen, prädiktive Modelle zu erstellen und wertvolle Erkenntnisse aus ihren Daten zu gewinnen. Für diejenigen, die komplett 1C-Entwickler sind, aber ein prädiktives Modell erstellen möchten, damit Ihr 1C Produkte empfiehlt oder Schulungen durchführt. Bereits ab Version 8.0 gibt es in 1C einen wunderbaren Mechanismus „Datenanalyse und Prognose“. Beachten Sie, dass dies keine neuronalen Netze in 1C sind, sondern Netzwerke innerhalb der Plattform, die in C++ geschrieben sind. Und Sie haben einen Entscheidungsbaum – ein ziemlich einfaches Prognosemodell, das schnell arbeitet und sich auch schnell lernt. Aber das Angenehme ist, dass Sie es einfach nehmen – ITS öffnen, das Beispiel ansehen. Es gibt eine reguläre Datenanfrage. Die Anfrage wird an das Analysemodell übergeben, wo eine Reihe von Spalten vorhanden ist. Dann wird AnalizDannyh.Vypolnit() geschrieben, und am Ausgang erhalten Sie ein Modell, das irgendwo im Wertspeicher gespeichert werden kann. Das ist im Grunde alles, was Sie brauchen, wenn Sie eine einfache Klassifizierung haben. Darüber hinaus verfügt 1C auch über Clusteranalyse, prädiktive Analysen, Sequenzsuche und den Aufbau von Ereignisketten. Das Toolkit gibt es schon lange, das Werkzeug funktioniert, aber aus irgendeinem Grund wird es nicht genutzt.

KI wird bereits in verschiedenen 1C-Lösungen eingesetzt. Beispiele hierfür sind die Prognose von Einkäufen in 1C:ERP, die Klassifizierung von Anfragen in 1C:ITIL und die Durchführung von OCR in 1C:Dokumentenverwaltung. 1C:Fresh bietet sogar erweiterte OCR-Funktionen zur Erstellung von Dokumenten mit automatisch ausgefüllten Werten. Diese Anwendungen demonstrieren die praktischen Vorteile der Integration von KI in 1C-Systeme. KI in 1C wird recht aktiv genutzt. In 1C:ERP zur Prognose von Einkäufen. Ich habe es noch nicht live gesehen, ich habe es in der Ankündigung gelesen. In 1C:ITIL – bei der Klassifizierung von Anfragen. Gott selbst hat befohlen, KI auf diese Weise zu nutzen. Ich habe es live gesehen – es funktioniert großartig, korrekt. Es ist in 15 Minuten geschrieben. Hier gibt es nichts Schreckliches. 1C:Dokumentenverwaltung hat eine einfache OCR. Früher erkannte es einfach PDFs, jetzt erkennt es auch Bilder. 1C:Fresh hat bereits eine nicht einfache OCR, die nicht nur Text erkennt, sondern auch Dokumente basierend darauf mit automatischer Wertausfüllung erstellt. Darüber hinaus scheint dieser Erkennungsdienst von den Plattformentwicklern implementiert worden zu sein. Es gibt auch den 1C:Produkte-Dienst, ein Empfehlungssystem für das Sortimentsmanagement. Die Formularansicht dieses Dienstes ist hier auf der Folie zu sehen. Wie dieser Dienst tatsächlich empfiehlt, weiß ich nicht, aber laut Beschreibung – eine coole Sache. Zumindest hat es eindeutig nicht ohne Gradient Boosting darin funktioniert.

Obwohl es möglich ist, neuronale Netze innerhalb von 1C zu trainieren, wird dies aufgrund von Leistungseinschränkungen im Allgemeinen nicht empfohlen. Stattdessen ist es effizienter, externe KI-Dienste zu nutzen und diese mit 1C zu integrieren. Dieser Ansatz ermöglicht es Ihnen, spezialisierte KI-Plattformen und Frameworks zu nutzen und gleichzeitig von den Fähigkeiten von 1C zu profitieren. Ist es möglich, ein neuronales Netz innerhalb von 1C zu trainieren? Es ist möglich, aber nicht notwendig. Es ist besser, es irgendwo extern zu trainieren und es dann einfach von 1C aufzurufen. Das Hauptproblem ist nicht die Technologie, sondern die Tatsache, dass die Plattform dafür nicht sehr gut geeignet ist. Es gibt keine normale GPU-Unterstützung, keine normale Unterstützung für Vektoroperationen, keine normale Unterstützung für parallele Berechnungen. Wenn Sie also ein neuronales Netz trainieren möchten, ist es besser, dies irgendwo extern zu tun und es dann einfach von 1C aufzurufen.

KI bietet erhebliche Möglichkeiten zur Verbesserung von 1C-Systemen, von der Automatisierung der Dokumentenverarbeitung bis zur Verbesserung der Datenanalyse und Prognose. Durch das Verständnis der verschiedenen KI-Technologien und die Nutzung verfügbarer Tools und Frameworks können 1C-Entwickler und -Benutzer das volle Potenzial von KI erschließen und Geschäftsinnovationen vorantreiben. Der Schlüssel liegt darin, spezifische Anwendungsfälle zu identifizieren und KI-Lösungen zu implementieren, die reale Herausforderungen innerhalb der 1C-Umgebung lösen.