Сводка

Получить данные о счетах за коммунальные услуги сложно. Основные разочарования сохраняются, в том числе непоследовательный доступ к данным в Интернете и обилие бумажных счетов, которые составляют почти половину отправляемых! Компания WattzOn создала передовую программную систему машинного обучения (ML), которая позволяет быстрее, качественнее и дешевле получать данные о счетах за коммунальные услуги.

Как и в других отраслях и приложениях, машинное обучение гиперэффективно в определенных задачах. Это создает новый набор отраслевых экономических показателей, в котором затраты на извлечение служебных данных из сканов, изображений и PDF-файлов составляют лишь часть затрат, связанных с текущей отраслевой практикой.

Результатом является технологический прогресс, который кардинально меняет отрасль и позволяет устанавливать новые деловые партнерства в разных отраслях.

Этот пост содержит довольно смелые заявления. Но их легко проверить. Просто выполните простой поиск в Интернете по запросу «ИИ изменит все». Появятся сотни хорошо аргументированных статей, в которых приводятся те же самые экономические аргументы, что и здесь.

Таким образом, центральная тема везде: технология машинного обучения чрезвычайно мощна и нарушает статус-кво. Компания WattzOn рада использовать эту передовую систему машинного обучения для решения задачи быстрого и масштабного получения чистых, структурированных данных о счетах за коммунальные услуги.

#1 машинное обучение отличается высокой точностью

Проще говоря, машинное обучение использует каждую крупицу данных для повышения точности и достижения выдающихся результатов. Обзор недавней прессы показывает, что машинное обучение побеждает людей в широком диапазоне задач:

Распознавание изображений. У людей вероятность ошибок составляет 5 %; ML от Microsoft и Google меньше.

Понимать разговорную речь. У людей 5 % ошибок; Google соответствует этому; Microsoft имеет более низкий уровень ошибок.

Игра в покер. Да, ИИ побеждает людей в техасском холдеме.

Игра в го. Го — сложная игра, и в ней проверяется способность машинного обучения делать автоматические прогнозы и оптимизировать процесс принятия решений. AlphaGo от Google побеждает лучших в мире игроков в го. (Компьютер Илона Маска с открытым ИИ обыграл лучших в мире игроков в «Доту» — еще более сложная игра.)

Усовершенствованная система машинного обучения WattzOn использует аналогичные мощные алгоритмы машинного обучения для извлечения коммунальных данных и, аналогичным образом, обеспечивает уровни точности, превышающие существующие в отрасли полуавтоматические процессы.

#2 машинное обучение самообучается

Самообучающееся программное обеспечение — предмет тревожных заголовков, таких как «роботы захватывают мир». Посмотрите на это забавное видео, в котором фигурка учится ходить. Люди создали полосу препятствий и штрафы за неудачу. Фигурка двинулась к цели и исправилась. Самообучение — это быстро развивающаяся область исследований, в которой недавно появились важные объявления от Google, Intel и академических исследователей.

Самообучение — это функция машинного обучения, имеющая важные последствия для обработки данных счетов за коммунальные услуги. После настройки системы машинного обучения самообучение упрощает добавление новой утилиты. Система машинного обучения уже настроена и откалибрована для множества различных типов счетов.

#3 ML обеспечивает автоматическую аналитику

В ставшей теперь известной статье Почему программное обеспечение пожирает мир Марк Андрисен, ведущий инвестор и предприниматель Кремниевой долины, утверждал, что фондовый рынок не признает способности компаний-разработчиков программного обеспечения изменять устоявшиеся отрасли и способность гибких небольших компаний-разработчиков программного обеспечения вытеснять устоявшихся игроков. Аргументы статьи, написанной в 2011 году, до сих пор звучат правдоподобно.

Рынок обработки данных о счетах за коммунальные услуги находится на пороге именно этой трансформации. В дополнение к высокоэффективному извлечению данных будут автоматизированы уровни бизнес-логики и другие специализированные функции, что свернет текущий стек ценности в сверхэффективную «цифровую систему управления энергопотреблением».

На современном рынке все, что ниже Услуг с добавленной стоимостью, является необходимым расходом на пути к предложению прибыльных Услуг с добавленной стоимостью. Благодаря машинному обучению и его автоматизированному интеллекту эти функции становятся высокоавтоматизированными, а затраты практически исчезают. Это обеспечивает выгодную услугу по предоставлению данных и автоматизированному мониторингу счетов. Предоставление чистых, дешевых, интеллектуальных данных открывает много новых возможностей в услугах с добавленной стоимостью, и запускается новая экосистема. Рынок программного обеспечения для финансовых технологий развивался таким образом: некоторые компании очень сосредоточены на предоставлении данных, а другие компании используют потоки данных для создания высокоавтоматизированных и настраиваемых банковских операций.

#4 ML создает барьер для входа

Перенесемся на три-четыре года вперед. Один из игроков отрасли развернул систему машинного обучения и Automated Intelligence. Как новый участник может конкурировать?

Не на точность, так как система машинного обучения будет оптимизирована для извлечения данных о счетах за коммунальные услуги посредством самообучения.

Не на затратах, так как система машинного обучения продвинется по кривой обучения и станет сверхэффективной.

Не по охвату коммунальных услуг, так как система машинного обучения будет настолько широко обучена, что добавит новую утилиту практически без затрат.

Не на новообретенном интеллекте, потому что абитуриент не будет контролировать поток данных. Он должен покупать данные по рыночным ценам. Те, у кого есть данные, добавят интеллектуальные функции.

Конечно, отрасль будет меняться. Но участникам придется соревноваться в разных измерениях. Развертывание машинного обучения меняет правила игры e.

#5 ML расширяет рынок данных о счетах за коммунальные услуги

Что происходит, когда счета за коммунальные услуги имеют ликвидность данных, когда данные счетов передаются безопасно, быстро и свободно? Вот три ключевые области, на которые стоит обратить внимание.

Рост спроса. Это базовая экономика: машинное обучение обеспечивает значительно более низкую структуру затрат, что позволяет снизить цену и увеличить прибыль. Более низкая цена расширяет рынок текущих услуг, а также позволяет использовать прибыльную бизнес-модель для предоставления данных компаниям, внедряющим инновации в дополнительные услуги.

Всплеск клиентоориентированных предложений. Счета за коммунальные услуги трудно понять. Программное обеспечение делает данные более доступными, интеллектуальными и персонализированными. Объединение интеллектуальных данных о счетах с энергетическими продуктами создает новые возможности для адаптации предложений, прибыльного управления энергетическими услугами и объединения продуктов для клиента. Как насчет розничной комбинации энергии/солнца/аккумулятора? Как насчет комбинации солнечной батареи/электромобиля/термостата? Клиенты требуют этого энергетического будущего.

Инновационные партнерства для привлечения клиентов. Слишком часто стоимость продаж наносит вред бизнес-моделям в индустрии экологически чистых технологий. Liquid Utility Data открывает партнерские отношения за пределами отрасли. Услуги по управлению счетами за коммунальные услуги могут быть частью бухгалтерского программного обеспечения предприятия. Клиенты малого бизнеса могут подписаться на мониторинг счетов и оповещения через компании по обработке счетов, такие как Quickbooks. Потребителей можно привлечь за счет партнерских отношений с игроками умного дома. Эти партнерские отношения объединяют ценность индивидуальных энергетических предложений с большим количеством потенциальных клиентов.

Жидкие данные для счетов за коммунальные услуги — это заманчивое будущее с обильными данными и приложениями, которые повсеместно приводят к решениям, ориентированным на клиента. Системы на основе машинного обучения устраняют основные трения, открывая новые возможности для бизнеса и инновационные партнерские отношения.

Боковая панель: что не так с одним только распознаванием текста? До недавнего времени лучшей технологией для извлечения текстовых данных из счетов-фактур, счетов и квитанций было оптическое распознавание символов (OCR). Если ваша компания потратила время и деньги на внедрение OCR, вы, вероятно, задаетесь вопросом, зачем нужно переходить на систему на основе машинного обучения. Вот три причины:

Стоимость обслуживания системы OCR.

Независимо от конкретной развернутой технологии оптического распознавания символов (полнотекстовое с поиском или зональное оптическое распознавание), при изменении представления счетов оптическое распознавание прерывается. Необходимо потратить время на обновление программного обеспечения OCR.

Кто выполняет эту работу? Многие системы OCR требуют, чтобы ваша команда, клиент, определила зоны или поля, а когда происходит изменение в представлении счетов за коммунальные услуги, ваша команда должна найти проблему и обновить настройку OCR. Ваши аналитики данных тратят время на рутинные задачи, которые автоматизирует машинное обучение. Это большие скрытые затраты на развертывание OCR. Полностью автоматизированные системы машинного обучения устраняют эти расходы.

Стоимость добавления новой утилиты. Благодаря функциям самообучения машинное обучение снижает стоимость добавления новой утилиты. Затраты на OCR остаются прежними. Очень быстро ML на основе имеет большое преимущество в цене.

WattzOn может включать ваши результаты полнотекстового оптического распознавания символов или предоставлять интегрированную услугу оптического распознавания символов и машинного обучения. В любом случае требуется меньше человеческого вмешательства для обслуживания программного обеспечения и очистки после поломки программного обеспечения путем ввода и проверки данных человеком.

Заключение

Мы в WattzOn в восторге от нашей передовой системы машинного обучения, и в этом техническом документе мы пытались умерить наш энтузиазм и послание. Экономика совершенно ясна, но, возможно, с более мягкими формулировками читатель сможет нас лучше услышать.

Итак, представьте себе наше удивление, когда мы прочитали недавний отчет McKinsey о стратегическом влиянии ИИ и МО на страховую отрасль. Вот несколько фраз из резюме: «Сопротивляться тому, что впереди, бесполезно». «Цифровые технологии разрушают ценность… [они] движут некоторыми компаниями, но для многих других [они] истощают корпоративные доходы». «[компании], не участвующие в игре, могут оказаться заблокированными». Формулировка тревожного звонка!

В официальном документе мы показали улучшения в извлечении служебных данных, обеспечиваемые системой машинного обучения. Но, возможно, ключевой вывод находится на более стратегическом уровне: машинное обучение ведет к жесткой экономике отрасли, в том числе к ситуациям, когда победитель получает все. Но преимущества системы машинного обучения значительны. Мы согласны с аналитиками McKinsey, которые заявляют:

Хотите скачать полную Белую книгу? Перейдите на http://www.wattzon.com/downloads/