استخراج اطلاعات نامه‌های وارده تأمین‌کنندگان و مشتریان صنعتی با هوش مصنوعی: شماره سفارش، قطعه و مهلت

هر روز ده‌ها نامه از تأمین‌کنندگان و مشتریان به دبیرخانه یک کارخانه می‌رسد: پیش‌فاکتور، اعلام تأخیر ارسال، درخواست تمدید قرارداد، شکایت کیفی، اعلام تغییر قیمت، صورت‌حساب و درخواست مستندات فنی. در هر کدام، چند داده کلیدی پنهان است: شماره سفارش خرید، کد قطعه یا کالا، مقدار، تاریخ تحویل، مبلغ و مهلت پاسخ. وقتی این داده‌ها دستی وارد می‌شوند، هم وقت می‌برد و هم خطا دارد؛ و وقتی وارد نمی‌شوند، نامه فقط یک فایل در بایگانی است که کسی به آن برنمی‌گردد. استخراج اطلاعات نامه با هوش مصنوعی همین شکاف را پر می‌کند.

در این مقاله می‌بینیم کدام فیلدها را باید از نامه‌های وارده صنعتی استخراج کرد، دستیار هوش مصنوعی چطور آن‌ها را پیشنهاد می‌دهد، ماتریس ارجاع چگونه است و چه کنترل‌هایی لازم است. نمای کلی کاربردهای هوش مصنوعی اداری در کارخانه را در هوش مصنوعی در امور اداری کارخانه ببینید.

استخراج اطلاعات نامه چیست و چرا در کارخانه مهم است؟

استخراج اطلاعات یعنی تبدیل متن آزاد نامه به چند فیلد ساختاریافته که قابل جستجو، گزارش‌گیری و پیگیری باشند. در کارخانه، این فیلدها پل بین دبیرخانه و واحدهای تأمین، فروش، کیفیت و مالی‌اند. وقتی شماره سفارش از نامه استخراج شود، می‌توان همه مکاتبات یک سفارش را با یک جستجو دید. وقتی تاریخ تحویل جدید استخراج شود، برنامه‌ریز تولید فوراً می‌فهمد کدام سفارش در خطر است. این همان منطق پردازش هوشمند اسناد است که روی نامه‌های اداری اجرا می‌شود.

فیلدهای کلیدی در نامه‌های وارده صنعتی

ماتریس ارجاع نامه‌های وارده تأمین‌کنندگان و مشتریان

دستیار هوش مصنوعی چطور فیلدها را استخراج می‌کند؟

گام ۱: خواندن متن و پیوست

نامه‌های صنعتی اغلب جدول دارند؛ مثلاً فهرست اقلام تأخیری با مقدار و تاریخ. دستیار متن و جدول را می‌خواند. برای اسکن‌های کم‌کیفیت، کیفیت تبدیل متن مهم است و خطای آن باید در بازبینی دیده شود.

گام ۲: پیشنهاد فیلدها با نشان دادن منبع

برای هر فیلد، دستیار عبارت منبع را هم نشان می‌دهد: «تاریخ تحویل جدید: ۱۵ آبان؛ از جمله دوم بند سوم نامه.» این کار بازبینی را از چند دقیقه به چند ثانیه می‌رساند.

گام ۳: تطبیق با سوابق

اگر شماره سفارش در نامه آمده باشد، دستیار مکاتبات قبلی همان سفارش را پیدا می‌کند. اگر کد قطعه آمده باشد، شکایت‌های قبلی همان قطعه را نشان می‌دهد. اگر شماره‌ای در سوابق پیدا نشود، هشدار می‌دهد که شاید شماره اشتباه نوشته شده است.

گام ۴: تأیید و ارجاع

مسئول دبیرخانه فیلدها را تأیید یا اصلاح می‌کند و نامه با مقصد پیشنهادی ارجاع می‌شود. اصلاح‌ها ثبت می‌شوند تا خطاهای تکراری شناسایی شوند. اصول ارجاع را در انواع ارجاع، مهلت و پیگیری نامه ببینید.

نمونه سناریو: نامه تأخیر با سه قلم کالا

تأمین‌کننده ورق فولادی نامه‌ای می‌فرستد که در آن تحویل سه قلم از سفارش شماره ۲۳۸ را دو هفته عقب می‌اندازد. دستیار هنگام ثبت، طرف نامه، شماره سفارش، سه کد کالا، مقدار هر قلم و تاریخ تحویل جدید را استخراج می‌کند و نامه را به تأمین و برنامه‌ریزی تولید ارجاع می‌دهد. همچنین یادآوری می‌کند که این سومین تأخیر همین تأمین‌کننده در فصل جاری است و دو نامه قبلی را پیوند می‌دهد. مسئول دبیرخانه یک مقدار را که در اسکن ناخوانا بود اصلاح می‌کند و ارجاع را تأیید می‌کند. برنامه‌ریز تولید همان روز می‌بیند کدام سفارش مشتری تحت تأثیر است و مدیر تأمین برای ارزیابی تأمین‌کننده سابقه کامل دارد. پاسخ به تأمین‌کننده را می‌توان با روش نامه به تأمین‌کننده با هوش مصنوعی آماده کرد.

گزارش‌هایی که بعد از استخراج ممکن می‌شود

• همه نامه‌های تأخیر یک تأمین‌کننده در شش ماه اخیر؛
• سفارش‌هایی که تاریخ تحویلشان در نامه‌ها بیش از یک بار تغییر کرده است؛
• نامه‌های افزایش قیمت به تفکیک گروه کالا؛
• شکایت‌های مشتری به تفکیک کد کالا و ماه.

این گزارش‌ها بدون فیلدهای ساختاریافته عملاً ممکن نیستند و معمولاً ارزشی بیشتر از صرفه‌جویی در زمان ورود داده دارند.

استخراج با قاعده یا با مدل زبانی؟

پیش از مدل‌های زبانی، استخراج اطلاعات از نامه معمولاً با قالب‌های ثابت انجام می‌شد: اگر نامه‌های یک تأمین‌کننده همیشه یک شکل بودند، می‌شد جای هر فیلد را تعریف کرد. اما در عمل، نامه‌های تأمین‌کنندگان و مشتریان ایرانی قالب واحدی ندارند؛ یکی شماره سفارش را در موضوع می‌نویسد، دیگری در متن و سومی فقط در جدول پیوست. مدل زبانی این تنوع را بهتر مدیریت می‌کند، چون به معنای جمله توجه دارد نه فقط به جای آن در صفحه.

ترکیب این دو هم ممکن است: قواعد ساده برای کنترل قالب شماره سفارش یا تاریخ، و مدل زبانی برای فهم متن. مثلاً اگر مدل شماره‌ای استخراج کند که با الگوی شماره سفارش کارخانه نمی‌خواند، قاعده هشدار می‌دهد. این ترکیب، خطاهای پرتکرار را پیش از رسیدن به بازبین حذف می‌کند.

کنترل انسانی، سطح دسترسی و ثبت ممیزی

• همه فیلدها پیشنهادی‌اند تا مسئول دبیرخانه تأیید کند؛
• عبارت منبع کنار هر فیلد: بدون منبع، فیلد قابل اعتماد نیست؛
• مبالغ و قیمت‌ها محرمانه: فقط برای تأمین، مالی و مدیران مجاز؛
• ثبت اصلاح‌ها: نرخ خطای هر فیلد ماهانه بررسی شود؛
• عدم ثبت خودکار در سامانه‌های دیگر: داده استخراج‌شده در دبیرخانه می‌ماند و تصمیم انتقال با واحد مربوط است.

خطاهای رایج و چک‌لیست شروع

خطاهای رایج: تعریف فیلدهای زیاد در شروع، استخراج بدون نمایش منبع، و نادیده گرفتن کیفیت اسکن. خطای دیگر این است که فیلدها استخراج می‌شوند اما هیچ گزارشی از آن‌ها ساخته نمی‌شود و ارزش کار دیده نمی‌شود.

1. با پنج تا هفت فیلد کلیدی شروع کنید؛
2. برای پنج نوع نامه پرتکرار مقصد پیش‌فرض تعریف کنید؛
3. کیفیت اسکن را استاندارد کنید؛
4. در ماه اول همه فیلدها را بازبینی کنید و نرخ خطا را بسنجید؛
5. دست‌کم یک گزارش مدیریتی از فیلدها بسازید.

اجرای این سناریو با دستیار هوش مصنوعی آریا آی‌تی

دبیرخانه آریا آی‌تی ثبت وارده، پیوست، ارجاع و جستجو را فراهم می‌کند و راهکار صنایع تولیدی مکاتبات تأمین، کیفیت و فروش را کنار هم نگه می‌دارد. دستیار هوش مصنوعی آریا آی‌تی فقط در پلن سازمانی (Enterprise) است؛ از داده‌های داخلی مجاز و با ارجاع پاسخ می‌دهد، نقش‌ها را رعایت می‌کند، مشاهده‌ها را ثبت می‌کند و روی سرور کارخانه یا سرورهای آریا آی‌تی اجرا می‌شود. پلن‌ها را در صفحه قیمت‌ها ببینید.

پرسش‌های متداول

آیا داده‌های استخراج‌شده خودکار در سیستم‌های دیگر ثبت می‌شوند؟

نه. فیلدها در دبیرخانه پیشنهاد و با تأیید مسئول ثبت می‌شوند و تصمیم استفاده از آن‌ها با واحد مربوط است.

اگر اسکن نامه کیفیت پایینی داشته باشد چه می‌شود؟

خطای تبدیل متن بیشتر می‌شود. به همین دلیل عبارت منبع کنار هر فیلد نمایش داده می‌شود تا بازبین خطا را ببیند.

با چند فیلد باید شروع کرد؟

پنج تا هفت فیلد کلیدی مثل طرف نامه، شماره سفارش، کد کالا، مقدار، تاریخ و مبلغ کافی است.

دستیار هوش مصنوعی آریا آی‌تی در کدام پلن است؟

دستیار فقط در پلن سازمانی است و روی سرور کارخانه یا سرورهای آریا آی‌تی اجرا می‌شود.

جمع‌بندی

نامه وارده بدون فیلدهای ساختاریافته فقط یک فایل است. با استخراج شماره سفارش، کد قطعه، مقدار، تاریخ و مبلغ، دستیار هوش مصنوعی نامه را به داده قابل پیگیری تبدیل می‌کند و ارجاع را دقیق‌تر می‌سازد. تأیید فیلدها با مسئول دبیرخانه است و ارزش واقعی در گزارش‌هایی است که بعد از استخراج ممکن می‌شود.