• Inicio
  • Novedades
  • Academia SAP
  • FAQ
  • Blog
  • Contacto
S4PCADEMY_Logo
Twitter Linkedin Instagram
S4PCADEMY_Logo
Twitter Linkedin Instagram
#ChatGPT  ·  AI/ML  ·  Architectural Thinking  ·  enterprise architecture  ·  Personal Insights

¿Podemos usar ChatGPT para mejorar la recopilación de datos de proveedores para ESG?

By s4pcademy 


*) Foto por Christian Wiediger en Unsplash

¿Por qué estoy usando una imagen de los circuitos electrónicos cuando hablo de algo tan “nuevo” y “moderno” como la IA?

¡Pues precisamente por eso!

La IA es tan inteligente como la construimos. Una Inteligencia «Artificial» es (todavía), en su esencia, construida por humanos y funciona con algunos «circuitos» electrónicos. Algunos incluso argumentarían: no existe tal cosa como una «inteligencia artificial», solo existe «inteligencia» o «no hay inteligencia»… Pero este artículo no es el debate sobre qué es la IA; este no es el tema que quiero cubrir. . De hecho, considero que la IA es muy útil para muchas aplicaciones y, en este artículo, estoy explorando un posible caso de uso de la IA: usar la IA para respaldar la adquisición de datos ESG y, por lo tanto, la precisión de los informes ESG generales.

Problema a tratar

En el artículo anterior Uso de Ariba para obtener entradas de proveedores para el cálculo de las emisiones de gases de efecto invernadero | Blogs de SAP He elaborado algunos conceptos para obtener entradas de datos de proveedores relevantes para los informes de ESG.

Si nuestros Proveedores proporcionan datos de entrada en los formatos de intercambio electrónico, que podemos integrar con nuestros sistemas, entonces no tenemos problemas. Pero en general, esto todavía no es tan común. Las entradas de proveedores relevantes de ESG (por ejemplo, certificados), ya sea que estemos conectados a través de Business Network o no, muy a menudo vendrían como documentos electrónicos no estructurados (o incluso no electrónicos). Suponiendo que la mayoría del proveedor pueda proporcionar entradas como un documento electrónico (p. ej., PDF), y teniendo en cuenta que incluso los documentos no electrónicos (p. ej., en papel) se pueden escanear, me centraré solo en los documentos de entrada electrónicos no estructurados.

¿De qué tipo de insumos de proveedores estamos hablando?

Podrían ser varias entradas relevantes de ESG, ya sea para informes de GEI o EPR, o varios marcos de ESG, como GRI o similar:

  • % o volumen de la energía renovable entregada;
  • % reciclado relacionado con las materias primas entregadas;
  • Costo de parte del reciclado conectado dentro de las materias primas entregadas;
  • Huella de CO2e de las materias primas;
  • GAP o certificados similares;

¿Cómo encaja ChatGPT?

¿Por qué la IA generativa (ChatGPT) es mejor que el contenido de reconocimiento de ML estándar?

Es necesario entrenar el aprendizaje automático estándar para el reconocimiento de contenido. Si el Proveedor está cambiando el diseño/formato del documento, o si estamos trayendo diferentes proveedores con diferentes formatos de documento, cada vez que el modelo ML tendrá que volver a entrenarse.

Se ha demostrado que el modelo de lenguaje grande (LLM) es muy bueno para proporcionar respuestas con muy poco o ningún aprendizaje (básicamente, aprendizaje no supervisado). ChatGPT, por otro lado, se basa en el Transformador preentrenado generativo (GPT) versión 3.5 (en el momento en que se escribió este artículo). Es «más» que LLM. La optimización se logra mediante el aprendizaje reforzado con retroalimentación humana (RLHF), y esta «retroalimentación humana» significa que se ha entrenado previamente con grandes cantidades de datos escritos por humanos. Esto es lo que lo hace tan convincente para los humanos durante la interacción, ya que suena bastante parecido a un humano.

Para el problema particular de reconocer el contenido de las entradas de los proveedores, la capacidad de crear una interacción similar a la humana es irrelevante. Sin embargo, lo relevante es la capacidad de reconocer el contenido sin necesidad de ser entrenado en los formularios de entrada de datos de los Proveedores.

Concepto de solución

Estoy presentando un concepto de solución: una idea del uso potencial del modelo ChatGPT (o una IA similar) para respaldar la recopilación de información de los proveedores con el fin de generar informes ESG. Esto no implica que ChatGPT sea un producto «listo» para este propósito y que se pueda usar de inmediato. ChatGPT está diseñado principalmente para «chatear», pero el modelo subyacente también es prometedor para otros usos.

Los pasos del proceso:

  1. El proceso comenzaría con la recopilación de información de los proveedores, por ejemplo, a través de Business Network.
  2. Los próximos pasos serán el reconocimiento de texto (OCR), ya que ChatGPT funciona con texto.
  3. Luego, tendríamos que pasar el texto y las preguntas a ChatGPT (por ejemplo, esto podría ser un certificado de la cantidad total de energía renovable entregada por el proveedor de energía eléctrica)
  4. ChatGPT (idealmente) reconocería el contexto y extraería respuestas relevantes del texto (por ejemplo, cuál fue la cantidad, en qué período, etc.)
  5. Finalmente, ChatGPT brinda respuestas, pero esas respuestas deberían asignarse con el contenido empresarial específico (p. ej., asignando «preguntas» con objetos comerciales específicos como cantidad, período, fecha; podemos asignar «respuestas» y asignar valores a los respectivos Business Objects). Objetos).

Nota:
La creación de respuestas similares a las de los humanos por parte de ChatGPT, de hecho, ni siquiera sería beneficiosa para este caso de uso. Solo estamos buscando la capacidad de reconocer el «texto» y extraer la respuesta del texto, donde fue escrito.

Probando ChatGPT

Para probar este concepto de solución, he utilizado un documento PDF «ficticio enriquecido»: ejemplo de certificado de proveedor que indica, entre otros, la cantidad de energía renovable entregada en el período de tiempo específico.

Después de OCR del PDF, comencé un nuevo chat «cargando» el texto. La imagen de abajo muestra solo una parte del texto de 2 páginas.

Luego, hice varias preguntas sobre la cantidad de energía renovable y el período en que se entregó.

La respuesta era correcta y estaba resumida en la primera oración.

La respuesta también fue correcta, aunque las fechas están formateadas para la interacción humana.

El acercamiento con Ariba SLP

Si quisiéramos poner en marcha ChatGPT (o algún LLM con capacidad y rendimiento) para este caso de uso, todavía se necesitaría algo de trabajo de configuración:

  • Adquisición de los documentos electrónicos de los proveedores: las API deben poder obtener los documentos de entrada proporcionados por los proveedores, por ejemplo, certificados. Sin embargo, esto no es un problema si se utiliza Cuestionarios modulares Ariba SLP – ya que la obtención de certificados adjuntos es compatible con API de datos de proveedores con paginación.
  • Puede ser necesaria la clasificación del documento (por ejemplo, si este certificado es para energía renovable o el certificado GAP); esto es necesario para hacer las preguntas «correctas». La clasificación de los documentos ocurriría durante la adquisición de datos, o podría ser necesaria alguna capacitación para que la IA comprenda «de qué trata este documento» y lo clasifique en consecuencia, y solo entonces «haga» las preguntas apropiadas. De nuevo, si se usa Cuestionarios modulares Ariba SLP – Se utilizan diferentes cuestionarios o diferentes preguntas para diferentes certificados, por lo que cada texto de documento entrante ya está etiquetado/clasificado y, por lo tanto, se harían las preguntas apropiadas.
  • Necesitamos que las respuestas se extraigan correctamente del «texto», pero no necesitamos respuestas similares a las humanas. Aquí, la recomendación sería entrenar previamente al modelo para que haga lo que necesitamos.
  • El mapeo comercial de las respuestas con Business Objects específicos necesitaría un motor basado en reglas para construirse sobre la IA. Sin embargo, la creación de mapas empresariales basados ​​en reglas no debería presentar una tarea de configuración importante en el Paquete de integración de SAP (IPC).

Proceso de negocio de alto nivel:

*) para obtener más detalles, visite mi artículo anterior Uso de Ariba para obtener entradas de proveedores para el cálculo de las emisiones de gases de efecto invernadero | Blogs de SAP

Conclusión

En todos los ejemplos probados (5 muestras de prueba en total), ChatGPT entendía correctamente las preguntas y extraía las respuestas – aunque las respuestas tienden a ser demasiado parecidas a las humanas (lo que se espera de ChatGPT). Podemos preguntarnos, si no necesitamos esta interacción similar a la humana, ¿por qué no usamos cualquier otro LLM? La cuestión es que ChatGPT demuestra una calidad superior en la comprensión del contexto de las preguntas, por lo que extrae fácilmente las respuestas correctas del documento de texto grande. Otros modelos basados ​​en LLM, por supuesto, también podrían proporcionar una capacidad similar; sin embargo, esta pequeña muestra está limitada a un solo modelo de IA que se probó, y para esta muestra he seleccionado el modelo de IA «más» mencionado en estos días: ChatGPT…

En general, esta prueba demuestra La IA generativa puede ser útil para mejorar (¿o simplificación general?) documento Reconocimiento de contenido empresarial. Esto es inesperado: esperamos que la IA sea «inteligente». Sin embargo, el principal beneficio de usar IA «inteligente» como ChatGPT provendría de los siguientes hechos:

  1. excelente comprensión de la semántica dentro del «texto»: ser capaz de comprender la pregunta y extraer la respuesta correcta;
  2. no se necesita un aprendizaje real para reconocer formas de «texto» específicas.

Otra característica interesante que vale la pena mencionar: he cargado algunos «certificados» en diferentes idiomas (por ejemplo, alemán) y ChatGPT los estaba procesando sin ningún problema.

Ahora, la pregunta es: ¿queremos usar ChatGPT para este caso de uso, o preferimos «construir» modelos de IA más específicos (por ejemplo, LLM o algo así)?

Manténganse al tanto…

Te invito a que sigas siguiendo blogs y recursos comunitariospublicar y responder preguntasy leer otras publicaciones sobre el tema de la sustentabilidad.

Y por supuesto, comparte tu opinión y comentarios sobre mi artículo, en la sección de comentarios.

Reconocimiento

Este artículo utiliza Diagramas e iconos de la solución SAP Business Technology Platform segúnTérminos de uso de SAP que rigen el uso de estos Materiales de SAP (tenga en cuenta que, después de la publicación de este artículo, es posible que exista una versión más reciente de los Diagramas e íconos de la solución, así como los Términos de uso).

Se pueden encontrar más pautas sobre diagramas e íconos de soluciones en este artículo por Bertram Ganz.




ChatGPTdatosESGmejorarparaPodemosproveedoresRecopilaciónusar

Artículos relacionados


Product Information  ·  SAP Customer Engagement Initiative  ·  SAP Influencing
Ha llegado el momento de volver a participar en los Proyectos de la Iniciativa de Compromiso del Cliente para la Gestión del Gasto
Embedded Launch Activities  ·  sap value maps  ·  User Experience Insights
Nuevas actividades de lanzamiento integradas para SAP Customer Data Cloud
Product Information
Punto de recogida EWM para palés completos y parciales
7 Mejores Prácticas para Ejecutar una Sesión Exitosa de Descubrimiento de Procesos
Previo
Por qué debería implementar controles regulatorios de reexportación de EE. UU. en SAP Global Trade Services, edición para SAP HANA
Siguiente

Madrid

Calle Eloy Gonzalo, 27
Madrid, Madrid.
Código Postal 28010

México

Paseo de la Reforma 26
Colonia Juárez,  Cuauhtémoc
Ciudad de México 06600

Costa Rica

Real Cariari
Autopista General Cañas, 
San José, SJ 40104

Perú

Av. Jorge Basadre 349
San Isidro
Lima, LIM 15073

Twitter Linkedin Instagram
Copyright 2022 | All Right Reserved.