Intégration de l'IA avec 1C : Améliorer l'ERP avec l'apprentissage automatique

L'intelligence artificielle (IA) n'est plus un concept futuriste mais un outil pratique pour améliorer les processus métier. Cet article explore comment les technologies d'IA peuvent être intégrées dans 1C, un système de planification des ressources d'entreprise (ERP) populaire, pour améliorer l'efficacité et la prise de décision. Nous examinerons diverses applications d'IA pertinentes pour les développeurs et les utilisateurs de 1C, allant au-delà du battage médiatique pour nous concentrer sur les implémentations réelles.

L'IA englobe un éventail de technologies, chacune avec ses capacités uniques. Les domaines clés comprennent l'apprentissage automatique (ML), qui implique des algorithmes qui apprennent à partir de données ; l'apprentissage profond, un sous-ensemble du ML utilisant des réseaux neuronaux avec plusieurs couches ; le traitement du langage naturel (NLP), permettant aux ordinateurs de comprendre et de traiter le langage humain ; et la vision par ordinateur, permettant aux systèmes de « voir » et d'interpréter des images. Comprendre ces distinctions est crucial pour identifier la bonne solution d'IA pour des besoins d'intégration 1C spécifiques. L'apprentissage automatique n'est pas de l'intelligence artificielle, et l'intelligence artificielle n'est pas un réseau neuronal. Les réseaux neuronaux sont un domaine relativement petit et étroit. Par exemple, ils peuvent offrir des recommandations – lorsque vous téléchargez un film/achetez un produit, et que le système vous en propose de similaires en fonction de vos préférences. XGBoost, CatBoost – ce sont aussi des réseaux neuronaux, mais entraînés un peu différemment. Il n'y a pas d'intelligence artificielle, le test de Turing n'a pas encore été réussi. La régression linéaire classique est aussi de l'apprentissage automatique, et dans de nombreux cas, cela suffit amplement.

Plusieurs outils et frameworks facilitent le développement et l'intégration de l'IA. Pour les passionnés de Python, Scikit-learn offre un point d'entrée convivial, tandis que TensorFlow et Keras sont des options puissantes pour des tâches plus complexes comme la reconnaissance d'images. Les développeurs .NET peuvent tirer parti d'Accord.NET. Ces outils peuvent être utilisés pour créer des microservices avec lesquels 1C peut interagir via des requêtes HTTP, permettant une intégration transparente des fonctionnalités d'IA. Scikit-learn est le plus facile, le plus populaire et le plus connu si vous voulez apprendre quelque chose en Python. Vous pouvez y faire quelque chose de classique – disons, entraîner un perceptron. C'est trois lignes de code, et 90 % des tâches seront résolues. Si vous voulez quelque chose de plus lourd – jouer avec des images, apprendre à reconnaître quelque chose, écrire votre propre OCR, alors il y a TensorFlow. De plus, TensorFlow doit le plus souvent être considéré avec Keras, car TensorFlow lui-même est assez difficile à utiliser, et Keras est un wrapper qui simplifie légèrement l'utilisation de TensorFlow, il est beaucoup plus agréable de travailler avec. Accord.NET sera utile pour les développeurs dot-net – une chose assez ancienne, mais elle résout beaucoup de problèmes spécifiquement pour .NET.

La vision par ordinateur permet aux systèmes 1C de traiter et d'analyser des images. OpenCV, une bibliothèque populaire, fournit des outils pour des tâches telles que la reconnaissance optique de caractères (OCR) et la détection d'objets. En intégrant la vision par ordinateur, les applications 1C peuvent automatiser le traitement des documents, extraire des données d'images et améliorer la précision de la saisie des données. Pour les tâches standard, vous pouvez essayer Yandex Vision ou OpenCV. Yandex Vision est une excellente chose, il a une bonne API REST, reconnaît très bien les visages et le texte manuscrit. Cela coûte un centime par document, tout le monde peut l'essayer. Vous vous abonnez, obtenez une clé. Dans l'API REST, il y a une méthode, batchAnalyze. Avec son aide, vous pouvez transférer une image, et Yandex Vision vous renvoie une structure JSON dans laquelle, selon ce que vous voulez, soit les coordonnées des visages, soit des textes contenant tout le texte. De plus, tout cela est écrit littéralement en trois lignes. OpenCV est un peu plus lourd, mais il sait faire beaucoup plus. Ici aussi, le détecteur de caractéristiques et le détecteur de visages sont une histoire complètement séparée, car la plupart des systèmes de vision par ordinateur sont spécifiquement axés sur la mise en évidence de certains objets dans l'image. Et cette chose fonctionne bien. Et si vous voulez classer le texte d'une manière ou d'une autre, alors la vision par ordinateur classique n'aidera pas autant.

La technologie OCR permet à 1C d'extraire automatiquement du texte à partir de documents numérisés et d'images. Bien qu'il existe diverses solutions OCR, Abbyy FlexiCapture est une option robuste pour l'intégration 1C. Tesseract OCR, une bibliothèque gratuite, offre une alternative économique pour les tâches OCR de base. En implémentant l'OCR, les utilisateurs de 1C peuvent rationaliser le traitement des factures, automatiser la saisie des données et réduire le travail manuel. Il y a des gens qui font cela depuis assez longtemps et qui y ont également attaché des connaissances de la langue russe, de la phonétique, de l'orthographe. C'est Abbyy. Et, bien sûr, Abbyy FlexiCapture est toujours meilleur que toutes les startups réunies. De plus, il est assez facile à intégrer à 1C. Et Tesseract est génial parce qu'il est gratuit. Avec son aide, vous pouvez créer un reconnaisseur en une heure. La qualité ne sera pas très bonne, il ne pourra pas reconnaître pleinement tous les documents primaires pour les saisir dans 1C. Mais vous n'avez pas besoin de faire cela, notre avenir est dans la gestion électronique des documents. Mais vous pouvez reconnaître des passeports, vous pouvez reconnaître certains détails dans le document (par exemple, un département), et classer ce document primaire. Je montrerai cela plus loin dans les études de cas.

L'apprentissage profond et le NLP offrent des capacités avancées pour les systèmes 1C. L'apprentissage profond peut être utilisé pour des tâches complexes comme la classification d'images et la modélisation prédictive. Le NLP permet aux applications 1C de comprendre et de répondre aux requêtes en langage naturel, facilitant le développement de chatbots et le service client automatisé. Pour le NLP, je recommanderais deux bibliothèques (maximum, trois). Premièrement, vous pouvez contacter le service Yandex SpeechKit – il est très bien fait, il y a même un bon exemple sur Infostart, qui implémente un appel à celui-ci. Pour la plupart des tâches, comme la reconnaissance des appels téléphoniques, cela suffira. Il y a un métaparser, si vous, par exemple, voulez extraire des données spécifiques de l'objet du paiement, mais vous devrez bricoler avec des grammaires là-bas. Mais ce sera difficile pour ceux qui n'ont pas travaillé directement avec cela. Il existe une bibliothèque ouverte en Python de http://ipavlov.ai – c'est probablement la meilleure solution qui fonctionne avec la langue russe. Ils utilisent le word2vec standard, mais ils l'ont amélioré. C'est simple, pratique. En principe, si vous voulez créer un chatbot basé sur l'IA, pour qu'il soit gratuit, et que vous l'entraîniez vous-même, alors – bienvenue, ipavlov – le meilleur choix pour créer un système de conseil.

L'IA peut considérablement améliorer l'analyse des données et les prévisions au sein de 1C. Les algorithmes d'apprentissage automatique peuvent identifier des modèles dans les données, prédire les tendances futures et améliorer la prise de décision. 1C offre des mécanismes intégrés pour l'analyse des données et les prévisions, permettant aux utilisateurs de créer des modèles prédictifs et d'obtenir des informations précieuses à partir de leurs données. Pour ceux qui sont complètement 1C-shnik, mais qui veulent créer une sorte de modèle prédictif afin que votre 1C recommande certains produits ou fasse un entraînement. Même dès la version 8.0, 1C dispose d'un merveilleux mécanisme « Analyse et prévision des données ». Notez qu'il ne s'agit pas de réseaux neuronaux dans 1C, il s'agit de réseaux à l'intérieur de la plateforme, ils sont écrits en C++. Et vous avez un arbre de décision – il existe un modèle de prévision assez simple, et il fonctionne rapidement, et il apprend aussi rapidement. Mais ce qui est agréable, c'est que vous prenez simplement – ouvrez ITS, regardez l'exemple. Il y a une requête de données régulière. La requête est transférée au modèle d'analyse, où il y a un ensemble de colonnes. Ensuite, AnalizDannyh.Vypolnit() est écrit, et en sortie, vous obtenez un modèle qui peut être enregistré quelque part dans le magasin de valeurs. C'est, en principe, tout ce dont vous avez besoin s'il s'agit d'une classification simple. De plus, 1C dispose également d'une analyse de cluster, d'une analyse prédictive, d'une recherche de séquences et de la construction de chaînes d'événements. La boîte à outils existe depuis longtemps, l'outil fonctionne, mais pour une raison quelconque, il n'est pas utilisé.

L'IA est déjà utilisée dans diverses solutions 1C. Les exemples incluent la prévision des achats dans 1C:ERP, la classification des requêtes dans 1C:ITIL et l'exécution de l'OCR dans 1C:Gestion des documents. 1C:Fresh offre même des capacités OCR avancées pour créer des documents avec des valeurs remplies automatiquement. Ces applications démontrent les avantages pratiques de l'intégration de l'IA dans les systèmes 1C. L'IA dans 1C est utilisée assez activement. Dans 1C:ERP pour la prévision des achats. Je ne l'ai pas vu en direct, je l'ai lu dans l'annonce. Dans 1C:ITIL – dans la classification des requêtes. Dieu lui-même a ordonné que l'IA soit utilisée de cette manière. Je l'ai vu en direct – ça marche super, correctement. C'est écrit en 15 minutes. Il n'y a rien de terrible ici. 1C:Gestion des documents dispose d'un OCR simple. Auparavant, il reconnaissait simplement les PDF, maintenant il reconnaît aussi les images. 1C:Fresh a déjà fait apparaître un OCR non pas simple, qui non seulement reconnaît le texte, mais crée également des documents basés sur celui-ci avec le remplissage automatique des valeurs. De plus, ce service de reconnaissance semble avoir été implémenté par les développeurs de la plateforme. Il existe également le service 1C:Produits, un système de recommandation pour la gestion de l'assortiment. La forme de ce service est montrée ici sur la diapositive. Comment ce service recommande réellement – je ne sais pas, mais d'après la description – une chose cool. Au minimum, il n'a clairement pas fait sans gradient boosting.

Bien qu'il soit possible d'entraîner des réseaux neuronaux au sein de 1C, ce n'est généralement pas recommandé en raison des limitations de performance. Il est plutôt plus efficace de tirer parti des services d'IA externes et de les intégrer à 1C. Cette approche vous permet de profiter des plateformes et des frameworks d'IA spécialisés tout en bénéficiant des capacités de 1C. Est-il possible d'entraîner un réseau neuronal à l'intérieur de 1C ? C'est possible, mais pas nécessaire. Il est préférable de l'entraîner quelque part à l'extérieur, puis de l'appeler simplement depuis 1C. Le problème principal n'est pas la technologie, mais le fait que la plateforme ne convient pas très bien à cela. Il n'y a pas de support GPU normal, pas de support normal pour les opérations vectorielles, pas de support normal pour les calculs parallèles. Par conséquent, si vous voulez entraîner un réseau neuronal, il est préférable de le faire quelque part à l'extérieur, puis de l'appeler simplement depuis 1C.

L'IA offre des opportunités significatives pour améliorer les systèmes 1C, de l'automatisation du traitement des documents à l'amélioration de l'analyse des données et des prévisions. En comprenant les différentes technologies d'IA et en exploitant les outils et frameworks disponibles, les développeurs et les utilisateurs de 1C peuvent libérer tout le potentiel de l'IA et stimuler l'innovation commerciale. La clé est d'identifier des cas d'utilisation spécifiques et de mettre en œuvre des solutions d'IA qui répondent aux défis du monde réel dans l'environnement 1C.