KI PoC mit dem ITZBund für die Bundesfinanzverwaltung
Einen Überblick über Rechnungen und Finanztransaktionen zu haben, schaffen nur die erfahrensten Expertinnen und Experten. Mit Datenanalyse, Künstlicher Intelligenz und dem Know-How der Beschäftigten entwickelte ein Team der sovanta AG, zusammen mit dem ITZBund und einem größeren Team von Data Scientists, zwei Proof of Concepts, die zeigen sollen, wie die Arbeit im Bereich der Haushaltsverfahren des Bundes unterstützt werden kann. Larissa Haas, Senior Data Scientist bei sovanta, hat die Success Story für uns zusammengefasst:
Die Entwicklungsumgebung: SAP BTP, SAP DI, SAP HANA Cloud & SAP AI Core
Die Use Cases wurden dabei innerhalb von 6 Monaten auf der SAP Business Technology Platform umgesetzt. Auf der SAP Data Intelligence wurden Daten aufbereitet, Experimente durchgeführt, Machine Learning Modelle trainiert und zum Testen bereitgestellt. Die SAP HANA Cloud unterstützte das Team mit Speicherkapazität für unzählige Datensätze sowie Rechenleistung, um Features vorauszuberechnen. Zusätzlich wurde auch der SAP AI Core getestet, um zu erproben, wie die perspektivische Nutzung des ML Modells im Produktiveinsatz aussehen könnte. Letztendlich setzten wir die Cloud Foundry Instanz der SAP BTP ein, um die Tools, die die ML Ergebnisse nutzten, zu hosten und für die Fachexperten zum Testen freizugegeben.
Use Case 1: Zuordnung von e-Rechnungen zum richtigen Empfänger
Einer der Use Cases beschäftigte sich mit Rechnungen. Wenn diese gestellt werden, ist oft nicht klar, an welche Stelle beziehungsweise an welchen Empfänger die Rechnungen zugestellt werden sollen. Auch die Mitarbeitenden der sogenannten “Clearing-Stelle“, die diese unklaren Fälle betrachten, müssen oft aufwendige Recherchen durchführen. Hier kann KI in Zukunft helfen. Basierend auf vergangenen, richtigen Zuordnungen, lernt die KI, welche Rechnungen zu welcher Rechnungsstelle gehören. Für die Mitarbeitenden wird eine Liste der Top fünf Möglichkeiten angezeigt, aus der dann die richtige Rechnungsstelle ausgewählt werden kann. Perspektivisch ist auch eine komplette Automatisierung mithilfe von Künstlicher Intelligenz möglich.
Use Case 2: Erkennung von Anomalien in Finanztransaktionsdaten
Der zweite Use Case drehte sich rund um Finanztransaktionsdaten. Aufgrund der sehr großen Menge an Daten und verschiedenen Leveln ist es für einen Mitarbeitenden oft sehr schwierig, einen Überblick über die Daten zu gewinnen. Primäres Ziel war es zunächst, die Daten von mehreren Jahren statistisch auszuwerten und für die Kassenprüfung anschaulich darzustellen. Ein weiteres Ziel war das markieren von auffälligen Transaktionen, die einer weiteren Untersuchung bedürfen. Innerhalb verschiedener Bereiche gibt es in den Vorsystemen natürlich viele Checks, ob Buchungen korrekt sind, ob sie freigegeben wurden, oder ob sie den rechtlichen Vorgaben entsprechen. Zusätzlich dazu sollten auf den letztendlich ausgeführten Buchungen auch noch einmal nach auffälligen Transaktionen gesucht werden.
Ergebnis: Zwei lauffähige PoCs
Innerhalb von 5 Sprints und mehreren Workshops sowie einem Hackathon wurden die Arbeitspakete vom Team abgeliefert, zur größten Zufrieden des Auftraggebers. Ergebnisse des 6-monatigen Projekts sind zwei lauffähige PoCs, die gezeigt haben, was Künstliche Intelligenz kann, sowie ein Architekturplan, wie die verschiedenen SAP Technologien, die im Einsatz waren, mit dem größtmöglichen Nutzen in Zukunft einzusetzen wären.
Branche
Finanzen
User
Alle Mitarbeiter im Finanzsektor
Go Live
PoC
Noch Fragen offen?
Wir sprechen mit Ihnen gerne über Projekte, die nicht nur spannend sind, sondern auch erfolgreich umgesetzt werden können.
