Integração de IA com 1C: Aprimorando o ERP com Machine Learning

A Inteligência Artificial (IA) não é mais um conceito futurista, mas uma ferramenta prática para aprimorar processos de negócios. Este artigo explora como as tecnologias de IA podem ser integradas ao 1C, um popular sistema de planejamento de recursos empresariais (ERP), para melhorar a eficiência e a tomada de decisões. Vamos nos aprofundar em várias aplicações de IA relevantes para desenvolvedores e usuários de 1C, indo além do hype para focar em implementações do mundo real.

A IA abrange uma gama de tecnologias, cada uma com suas capacidades únicas. As áreas-chave incluem Machine Learning (ML), que envolve algoritmos que aprendem com dados; Deep Learning, um subconjunto de ML que usa redes neurais com múltiplas camadas; Processamento de Linguagem Natural (PLN), permitindo que computadores entendam e processem a linguagem humana; e Visão Computacional, permitindo que os sistemas 'vejam' e interpretem imagens. Compreender essas distinções é crucial para identificar a solução de IA certa para necessidades específicas de integração 1C. Machine learning não é inteligência artificial, e inteligência artificial não é uma rede neural. Redes neurais são um campo relativamente pequeno e restrito. Por exemplo, elas podem oferecer recomendações – quando você baixa um filme/compra um produto, e o sistema oferece outros semelhantes com base em suas preferências. XGBoost, CatBoost – estas também são redes neurais, mas treinadas de forma um pouco diferente. Não existe inteligência artificial, o teste de Turing ainda não foi superado. A regressão linear clássica também é machine learning, e em muitos casos isso é suficiente.

Várias ferramentas e frameworks facilitam o desenvolvimento e a integração de IA. Para entusiastas de Python, Scikit-learn oferece um ponto de entrada amigável, enquanto TensorFlow e Keras são opções poderosas para tarefas mais complexas, como reconhecimento de imagem. Desenvolvedores .NET podem aproveitar Accord.NET. Essas ferramentas podem ser usadas para criar microsserviços com os quais o 1C pode interagir via requisições HTTP, permitindo a integração perfeita de funcionalidades de IA. Scikit-learn é o mais fácil, popular e conhecido se você quiser aprender algo em Python. Nele você pode fazer algo clássico – digamos, treinar um perceptron. São três linhas de código, e 90% das tarefas serão resolvidas. Se você quer algo mais pesado – brincar com imagens, aprender a reconhecer algo, escrever seu próprio OCR, então existe o TensorFlow. Além disso, o TensorFlow deve ser considerado na maioria das vezes em conjunto com o Keras, pois o TensorFlow em si é bastante difícil de trabalhar, e o Keras é um wrapper que simplifica um pouco o trabalho com o TensorFlow, é muito mais agradável trabalhar com ele. Accord.NET será útil para desenvolvedores .NET – uma coisa bastante antiga, mas resolve muitas questões especificamente para .NET.

Visão Computacional permite que sistemas 1C processem e analisem imagens. OpenCV, uma biblioteca popular, fornece ferramentas para tarefas como Reconhecimento Óptico de Caracteres (OCR) e detecção de objetos. Ao integrar Visão Computacional, aplicações 1C podem automatizar o processamento de documentos, extrair dados de imagens e melhorar a precisão da entrada de dados. Para tarefas padrão, você pode experimentar Yandex Vision ou OpenCV. Yandex Vision é uma ótima ferramenta, tem uma boa API REST, reconhece rostos e reconhece texto manuscrito muito bem. Custa um centavo por documento, qualquer um pode experimentar. Você se inscreve, obtém uma chave. Na API REST há um método, batchAnalyze. Com sua ajuda, você pode enviar uma imagem, e o Yandex Vision retorna uma estrutura JSON, na qual, dependendo do que você quer, as coordenadas de rostos ou textos com todo o texto. Além disso, tudo isso é escrito literalmente em três linhas. OpenCV é um pouco mais pesado, mas sabe fazer muito mais. Aqui também, o detector de recursos e o detector de rostos são uma história completamente separada, porque a maioria dos sistemas de Visão Computacional são focados especificamente em destacar alguns objetos específicos na imagem. E essa coisa funciona bem. E se você quiser classificar o texto de alguma forma, a Visão Computacional clássica não ajudará tanto.

A tecnologia OCR permite que o 1C extraia automaticamente texto de documentos digitalizados e imagens. Embora existam várias soluções de OCR, Abbyy FlexiCapture é uma opção robusta para integração 1C. Tesseract OCR, uma biblioteca gratuita, oferece uma alternativa econômica para tarefas básicas de OCR. Ao implementar OCR, usuários 1C podem otimizar o processamento de faturas, automatizar a entrada de dados e reduzir o trabalho manual. Existem pessoas que já fazem isso há bastante tempo e que também agregaram conhecimento da língua russa, fonética, ortografia a isso. Isso é Abbyy. E, claro, Abbyy FlexiCapture ainda é melhor do que todas as startups juntas. Além disso, é bastante fácil de anexar ao 1C. E Tesseract é ótimo porque é gratuito. Com sua ajuda, você pode fazer um reconhecedor em uma hora. Não será de muito boa qualidade, não conseguirá reconhecer totalmente todos os documentos primários para entrada no 1C. Mas você não precisa fazer isso, nosso futuro está na gestão eletrônica de documentos. Mas você pode reconhecer passaportes, pode reconhecer certos detalhes no documento (por exemplo, um departamento) e classificar este documento primário. Mostrarei isso mais adiante nos estudos de caso.

Deep Learning e PLN oferecem capacidades avançadas para sistemas 1C. Deep Learning pode ser usado para tarefas complexas como classificação de imagens e modelagem preditiva. PLN permite que aplicações 1C entendam e respondam a consultas em linguagem natural, facilitando o desenvolvimento de chatbots e o atendimento automatizado ao cliente. Para PLN, eu recomendaria duas bibliotecas (no máximo, três). Primeiro, você pode entrar em contato com o serviço Yandex SpeechKit – ele é feito muito bem, há até um bom exemplo no Infostart, que implementa uma chamada a ele. Para a maioria das tarefas, como reconhecimento de chamadas telefônicas, isso será suficiente. Existe um metaparser, se você, por exemplo, quiser extrair alguns dados específicos do propósito do pagamento, mas terá que mexer com gramáticas lá. Mas será difícil para quem não trabalhou diretamente com isso. Existe uma biblioteca aberta em Python de http://ipavlov.ai – agora esta é provavelmente a melhor solução que funciona com a língua russa. Eles usam o word2vec padrão, mas o aprimoraram. É simples, conveniente. Em princípio, se você quiser fazer um chatbot baseado em IA, para que seja gratuito e você o treine sozinho, então – seja bem-vindo, ipavlov – a melhor escolha para fazer um sistema de consultoria.

A IA pode aprimorar significativamente a análise de dados e a previsão dentro do 1C. Algoritmos de machine learning podem identificar padrões em dados, prever tendências futuras e melhorar a tomada de decisões. O 1C oferece mecanismos integrados para análise de dados e previsão, permitindo que os usuários criem modelos preditivos e obtenham insights valiosos de seus dados. Para aqueles que são totalmente 1C-shnik, mas querem fazer algum tipo de modelo preditivo para que seu 1C recomende alguns produtos ou faça algum treinamento. Mesmo a partir da versão 8.0 no 1C existe um maravilhoso mecanismo 'Análise de dados e previsão'. Observe que estas não são redes neurais em 1C, são redes dentro da plataforma, escritas em C++. E você tem uma árvore de decisão – há um modelo de previsão bastante simples, e funciona rapidamente, e também aprende rapidamente. Mas o agradável é que você simplesmente pega – abre o ITS, olha o exemplo. Há uma solicitação de dados regular. A solicitação é transferida para o modelo de análise, onde há um conjunto de colunas. Então AnalizDannyh.Vypolnit() é escrito, e na saída você obtém um modelo que pode ser salvo em algum lugar no armazenamento de valores. Isso é, em princípio, tudo o que você precisa se tiver alguma classificação simples. Além disso, o 1C também tem análise de cluster, análise preditiva, busca de sequências e construção de cadeias de eventos. O conjunto de ferramentas existe há muito tempo, a ferramenta está funcionando, mas por algum motivo não é utilizada.

A IA já está sendo usada em várias soluções 1C. Exemplos incluem previsão de compras em 1C:ERP, classificação de solicitações em 1C:ITIL e realização de OCR em 1C:Document Management. O 1C:Fresh oferece até mesmo recursos avançados de OCR para criar documentos com valores preenchidos automaticamente. Essas aplicações demonstram os benefícios práticos da integração de IA em sistemas 1C. IA em 1C é usada de forma bastante ativa. Em 1C:ERP para previsão de compras. Não vi ao vivo, li no anúncio. Em 1C:ITIL – na classificação de solicitações. Deus mesmo ordenou que a IA fosse usada dessa forma. Vi ao vivo – funciona legal, corretamente. Foi escrito em 15 minutos. Não há nada de terrível aqui. 1C:Document Management tem um OCR simples. Anteriormente, ele simplesmente reconhecia PDF, agora também reconhece imagens. 1C:Fresh já apareceu não um OCR simples, que não só reconhece texto, mas também cria documentos com base nele com preenchimento automático de valores. Além disso, este serviço de reconhecimento parece ter sido implementado pelos desenvolvedores da plataforma. Existe também o serviço 1C:Products, um sistema de recomendação para gestão de sortimento. A forma deste serviço é mostrada aqui no slide. Como este serviço realmente recomenda – eu não sei, mas de acordo com a descrição – uma coisa legal. No mínimo, claramente não ficou sem gradient boosting nele.

Embora seja possível treinar redes neurais dentro do 1C, geralmente não é recomendado devido a limitações de desempenho. Em vez disso, é mais eficiente aproveitar serviços externos de IA e integrá-los ao 1C. Essa abordagem permite que você aproveite plataformas e frameworks de IA especializados, ao mesmo tempo em que se beneficia das capacidades do 1C. É possível treinar uma rede neural dentro do 1C? É possível, mas não necessário. É melhor treiná-la em algum lugar fora e depois simplesmente chamá-la do 1C. O principal problema não é a tecnologia, mas o fato de que a plataforma não é muito adequada para isso. Não há suporte normal para GPU, não há suporte normal para operações vetoriais, não há suporte normal para cálculos paralelos. Portanto, se você quiser treinar uma rede neural, é melhor fazê-lo em algum lugar fora e depois simplesmente chamá-la do 1C.

A IA oferece oportunidades significativas para aprimorar sistemas 1C, desde a automação do processamento de documentos até a melhoria da análise de dados e previsão. Ao compreender as diferentes tecnologias de IA e alavancar as ferramentas e frameworks disponíveis, desenvolvedores e usuários 1C podem desbloquear todo o potencial da IA e impulsionar a inovação nos negócios. A chave é identificar casos de uso específicos e implementar soluções de IA que abordem desafios do mundo real dentro do ambiente 1C.