La solution vient de la bonne formulation du problème

Sway Finance offre une solution efficace pour gérer tous vos comptes bancaires dans une seule application. En bref, il s’agit d’une solution intelligente qui traite vos données bancaires et vos factures, afin de mettre en place des fonctions de gestion de trésorerie et des automatismes comptables.

Mon premier projet avec eux consistait à intégrer de l’IA dans l’application pour faire correspondre automatiquement les factures et les transactions correspondantes.

Vous vous demandez pourquoi ?

Je ne suis pas expert comptable, mais lorsque vous gérez votre entreprise, vous devez suivre et justifier chaque transaction pour des raisons juridiques. Plus important encore, en tant qu’entrepreneur, vous devez savoir combien d’argent vous devez à vos fournisseurs et combien vos clients vous doivent. Les frais de téléphone, le loyer, les dépenses, d’un côté, et toutes les factures de services ou de produits envoyées, de l’autre. La meilleure façon de répondre à ces deux besoins est d’examiner chaque transaction et de rechercher les factures correspondantes. Si vous n’en avez que quelques dizaines par an, ça passe encore. Lorsque vous en avez des centaines ou des milliers, c’est une autre histoire.

Voici #Sway Finance AI !

Résolution à l’aide de l’IA

Formulation du problème

La mise en correspondance des données, appelée matching, intervient dans de nombreux contextes. D’un point de vue générique, l’objectif est de faire correspondre des paires d’éléments dans une base de données lorsque les deux éléments représentent la même entité du monde réel.

Dans le contexte de Sway Finance, l’objectif est de faire correspondre les transactions financières avec les factures correspondantes. L’entité réelle est le paiement d’un débiteur à un créancier, la transaction étant la trace réelle du paiement dans le système bancaire, et la facture étant la raison pour laquelle un tel paiement a eu lieu.

Notez que la facture est généralement un pdf et, dans certains cas, une image de mauvaise qualité. Une étape de prétraitement est nécessaire pour obtenir des données tabulaires avec lesquelles travailler. Nous approfondirons ce sujet dans un autre article.

Espace de dimension commune

Une approche intuitive consisterait à rassembler les données de ces deux espaces dimensionnels distincts dans un espace commun et à trouver des paires en rapprochant les points les plus proches.

Mais quel espace commun choisir ? Comment projeter les points de données dans ce nouvel espace ? Une fois que c’est fait, comment mesurer la distance entre les points ? C’est assez facile en deux dimensions, mais il ne faut pas oublier que dans les espaces de haute dimension, tous les points apparaissent équidistants.

Toutes ces questions auxquelles il n’est pas facile de répondre nous poussent à aller voir ailleurs.

Les LLM peuvent-ils tout résoudre ?

QUESTION : “Tu es un fidèle assistant administratif. On te donne cet ensemble de factures, représenté par une liste de fichiers .json. On te donne également un ensemble de transactions bancaires dans ce fichier .csv. Trouve-moi trouver des correspondances.”

Si vous êtes familier des LLMs, il pourrait s’agir d’une version simplifiée de votre demande adressée à votre outil GenAI habituel, tel que ChatGPT ou Gemini.

REPONSE : “Avec les données que vous avez fournies, je pense que la facture n°3 correspond à la transaction A, la facture n°7 à la transaction B, […]”

Et maintenant, sommes-nous réellement avancés ?

Comment savoir quel type de caractéristiques a été utilisé pour effectuer le matching ? Comment contrôler le nombre de faux positifs ? Comment gérer les coûts d’opération d’un LLM à grande échelle ?

Les LLM peuvent nous aider et obtenir d’excellents résultats. Mais ils ne sont pas bien adaptés lorsque vous souhaitez comprendre et contrôler votre modèle d’IA et offrir des garanties de qualité à vos clients, telles que des niveaux stricts de précision et de sensibilité.

La solution : transposer l’énoncé vers un problème bien connu

L’approche que j’ai adoptée consiste à s’assurer que nous pouvons reformuler l’énoncé en un problème d’apprentissage automatique, appelé machine learning, classique. Cela permet d’appliquer des algorithmes standard dont l’efficacité a été prouvée.

Couplage – pairing

La première étape consiste à créer un ensemble de toutes les paires théoriques significatives. Nous devons être prudents car si nous calculons aveuglément ces paires pour 1’000 factures et 1’000 transactions, nous nous retrouvons avec un million d’éléments.

Pour réduire la complexité, nous pouvons utiliser les dates de facture et de transaction pour créer des sous-groupes, vérifier le sens de la facture (entrante ou sortante) par rapport aux transactions de débit ou de crédit, etc.

Caractéristiques – feature computation

Tout bon algorithme de machine learning est épaulé par un ensemble de features pertinentes. Le montant est-il proche ? Les noms des bénéficiaires sont-ils semblables ? Pouvons-nous utiliser la référence du paiement ? Il existe de nombreuses features qui faciliteront grandement le travail de l’algorithme de classification. Nous approfondirons la question des caractéristiques dans un autre article.

Classificateur binaire – binary classification

Grâce aux deux étapes précédentes, nous pouvons maintenant alimenter un classificateur binaire dont l’objectif est de déterminer si la facture et la transaction correspondent. Cela nous permet d’utiliser les outils traditionnels d’optimisation et de contrôler chaque aspect de l’algorithme. Nous pouvons fixer le seuil pour atteindre le régime que nous souhaitons, c’est-à-dire avoir un taux de faux positifs ou un taux de vrais positifs dédié, selon quelle métrique nous importe.

Comment cela se passe-t-il dans la pratique ?

Après un projet réussi, l’application mobile Sway Finance utilise maintenant la première version de l’algorithme de matching  des factures. Les premiers résultats montrent un taux de vrais positifs de >98% pour moins de 1% de faux positifs. N’hésitez pas à télécharger l’application Sway pour l’essayer et commencer à comparer vos factures et transactions sans effort grâce à l’IA !