Automatisierung unserer Spesen-Verbuchungen mit AI und Serverless auf AWS

13.11.2023 | Matthias

Business Context

Die manuelle Verbuchung von Spesen, Rechnungen und Quittungen erfordert derzeit einen erheblichen Zeitaufwand von einigen Stunden pro Woche.

Um diesen Prozess effizienter zu gestalten und die Arbeitszeit zu reduzieren, w├Ąre die Implementierung eines Tools, das k├╝nstliche Intelligenz nutzt, ├Ąu├čerst wertvoll. Ein solches Tool k├Ânnte Buchungen automatisieren oder zumindest vorbereiten, was nicht nur den Arbeitsaufwand erheblich mindern, sondern auch zu potenziellen j├Ąhrlichen Einsparungen von ├╝ber 20ÔÇÖ000 CHF f├╝hren k├Ânnte.

Als Prototyp haben wir an unserem Innovations-Tag ein solches Tool entwickelt und uns dabei auf die gr├Âsste technische Herausforderung konzentriert: Die Klassifizierung von Fotos oder PDFS von Belegen mittels k├╝nstlicher Intelligenz.

Daten-Beschaffung

Flow

Um die Daten zum Training des AI-Modells vorzubereiten wurden Spesenquittungen und Rechnungen aus unserem ERP (Bexio) extrahiert und anschlie├čend auf einem Storage, in diesem Fall auf AWS S3, abgelegt.

Nun wurden f├╝r jede Quittung mithilfe der API unseres ERP relevante Informationen wie Belegtyp, Buchungskonto und Bankkonto ausgelesen und gespeichert.

Danach haben wird f├╝r alle Quittungen mittels Amazon Textract den Text aus den Bildern extrahiert. Um keine Infrastruktur f├╝r diesen Workflow provisionieren zu m├╝ssen und den Aufwand tief zu halten wurde f├╝r die Steuerung des Workflows AWS Step Functions - eine Art Serverless Low-Code-L├Âsung von AWS - verwendet.

Am Schluss der Datenvorbereitungen standen f├╝r jeden Beleg folgende Daten zur Verf├╝gung:

  • Text des Belegs
  • Beleg-Typ
  • Konto und Gegenkonto f├╝r die Buchhaltung

Modell-Training

Mittels Amazon Comprehend wurde ein Text-Klassifizierungsmodell trainiert, um aus Belegtexten die Kategorisierung des Belegs zu erm├Âglichen.

Das Training des Modells erfolgte durch Scripting in Amazon Sagemaker Studio Notebooks. Nach erfolgreichem Training wurde das Modell in Amazon Comprehend in Betrieb genommen. Damit ist die automatisierte Texterkennung f├╝r Belege nach der Validierung gegen ein Testdaten-Set Produktions-bereit.

Operationalisierung

Um die Anfrage f├╝r die Klassifizierung eines Beleges zu automatisieren wurde eine AWS Step Function implementiert. Diese erkennt den Text aus dem Beleg-Foto oder PDF und klassifiziert den Beleg. Damit stehen bereits einige wichtige Daten bereit um die Buchung des Beleges zu vereinfachen.

Flow

Als Follow-Up nach unserem Innovations-Tag ist nun noch die Erweiterung der Klassifizierung auf weitere Informationen f├╝r die Verbuchung notwendig sowie die Entwicklung eines Web-Frontends f├╝r die User.

Lohnt sich das ganze?

Aktuell erfordert die manuelle Buchung von Spesen, Rechnungen und Quittungen einen w├Âchentlichen Aufwand von einigen Stunden, was j├Ąhrlichen Kosten von ├╝ber 20,000 CHF entspricht. Eine realistische Annahme ist, dass ein automatisiertes Tool in der Lage ist, 30% dieser Arbeitsbelastung zu reduzieren.

Flow

Nach den Erfahrung mit der Entwicklung des Prototyps in einem Tag sch├Ątzen wir, dass die Entwicklung dieses Tools voraussichtlich maximal 10 Tage in Anspruch nehmen wird. Das heisst, wir rechnen mit Entwicklungskosten von 12,000 CHF. Durch die Verwendung von Serverless-Technologien lassen sich die monatlichen Betriebskosten tief halten, wir rechnen mit 100 CHF pro Monat. Basierend auf diesen Parametern wird der Return on Investment (ROI) bereits nach 6 Monaten erreicht, indem die Effizienzsteigerung und Kosteneinsparungen des Tools greifen.

Fazit

Mit der F├╝lle an verf├╝gbaren Cloud-Services f├╝r angewandte AI und der M├Âglichkeit, diese in kurzer Zeit zu kombinieren, ist es mit ├╝berschaubarem Aufwand m├Âglich, AI-Unterst├╝tzung in Prozesse einzubauen. Serverless-Technologien erm├Âglichen einen sehr kosteng├╝nstigen Betrieb. Dies schafft einen echten, auch finanziell messbaren Mehrwert f├╝r Unternehmen.

Ist das auch bei dir ein Anliegen? Dann melde dich gerne ungeniert bei mir f├╝r einen Austausch: matthias.fritschi@avega.ch.

Oder buche einfach ein kostenloses Speedcoaching.