☯️ Кейс: как провалился ИИ-подбор номенклатуры
Две БД 1С: БП + УТ. Сильно доработанные и не обновляются. Справочники номенклатуры живут разрозненную жизнь. Склад оформляет поступления по уже существующим карточкам номенклатуры, а бухгалтерия создаёт новые, если наименование отличается хотя бы одним символом.
Номенклатура постоянно меняется: корректируются названия и появляются новые поставщики. В результате одна и та же позиция может существовать в системе под несколькими разными названиями. Например:
▪️Молоко 3,2% РБ, 1 л vs Молоко 1л 3,2% РБ
▪️Кабель UTP cat. 5e vs Витая пара 5e UTP
▪️Пакет полиэтиленовый 30×40 vs П/э пакет 30х40
▪️Саморез 3,5×35 vs Шуруп 3.5*35
▪️Ноутбук Lenovo IdeaPad 3 15IRH10 vs Lenovo IdeaPad 3
▪️Лампа светодиодная E27 10 Вт vs LED лампа E27 10W
▪️Перчатки нитриловые M vs Нитриловые перчатки разм.M
Заказчик выбрал модный подход: поручить ИИ подбор и сопоставление номенклатуры. Логика такая: при синхронизации передавать по API названия карточек из складской и бухгалтерской баз, а модель должна определить, относятся ли они к одному товару. Для упрощения конструкции выбор пал на Qwen и DeepSeek. Выполнялась пакетная проверка нескольких пар.
Обмен выполняется ночью, скорость обработки не критична: даже при длительном времени ответа синхронизация успевала завершиться за несколько минут.
На тесте вроде было всё ОК, но в бою эта доработка дала отрицательный результат. Доля ошибок при определении соответствий доходила до 15% за один прогон. Слишком высокий показатель для учётной системы. В итоге вместо полной автоматизации появилась потребность в ручной проверке и корректировке результатов. В итоге разрешили дилемму административным путем и склад теперь вносит данные также как и бухгалтерия)
Не повторяйте моих ошибок! Завтра расскажу про удачный кейс при работе ИИ с пользовательскими данными.
Подписаться: TG | MAX
#Практика1С #ПонедельникДеньТяжёлый
Две БД 1С: БП + УТ. Сильно доработанные и не обновляются. Справочники номенклатуры живут разрозненную жизнь. Склад оформляет поступления по уже существующим карточкам номенклатуры, а бухгалтерия создаёт новые, если наименование отличается хотя бы одним символом.
Номенклатура постоянно меняется: корректируются названия и появляются новые поставщики. В результате одна и та же позиция может существовать в системе под несколькими разными названиями. Например:
▪️Молоко 3,2% РБ, 1 л vs Молоко 1л 3,2% РБ
▪️Кабель UTP cat. 5e vs Витая пара 5e UTP
▪️Пакет полиэтиленовый 30×40 vs П/э пакет 30х40
▪️Саморез 3,5×35 vs Шуруп 3.5*35
▪️Ноутбук Lenovo IdeaPad 3 15IRH10 vs Lenovo IdeaPad 3
▪️Лампа светодиодная E27 10 Вт vs LED лампа E27 10W
▪️Перчатки нитриловые M vs Нитриловые перчатки разм.M
Заказчик выбрал модный подход: поручить ИИ подбор и сопоставление номенклатуры. Логика такая: при синхронизации передавать по API названия карточек из складской и бухгалтерской баз, а модель должна определить, относятся ли они к одному товару. Для упрощения конструкции выбор пал на Qwen и DeepSeek. Выполнялась пакетная проверка нескольких пар.
curl -s https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen-plus",
"temperature": 0,
"max_tokens": 800,
"messages": [
{"role": "system", "content": "Для каждой пары верни JSON-массив: [{\"id\":1,\"same\":true,\"score\":0.98}]"},
{"role": "user", "content": "1. Пакет полиэтиленовый 30×40 || П/э пакет 30х40\n2. Саморез 3,5×35 || Шуруп 3.5*35\n3. Лампа светодиодная E27 10 Вт || LED лампа E27 10W"}
]
}'
Обмен выполняется ночью, скорость обработки не критична: даже при длительном времени ответа синхронизация успевала завершиться за несколько минут.
На тесте вроде было всё ОК, но в бою эта доработка дала отрицательный результат. Доля ошибок при определении соответствий доходила до 15% за один прогон. Слишком высокий показатель для учётной системы. В итоге вместо полной автоматизации появилась потребность в ручной проверке и корректировке результатов. В итоге разрешили дилемму административным путем и склад теперь вносит данные также как и бухгалтерия)
Не повторяйте моих ошибок! Завтра расскажу про удачный кейс при работе ИИ с пользовательскими данными.
Подписаться: TG | MAX
#Практика1С #ПонедельникДеньТяжёлый