Решение НОРБИТ для работы с нормативно-справочной информацией
Компания НОРБИТ (входит в группу ЛАНИТ) представила прикладное решение AI MasterData для автоматизации процесса нормализации нормативно-справочной информации (НСИ). Новый продукт ускорить распределение номенклатуры по категориям, обогатить записи атрибутами, устранить дубликаты и ошибки, а также сократить совокупные расходы на обработку НСИ в сравнении с инструментами без ИИ.
Решение, созданное командой дата-сайентистов и LLM-специалистов НОРБИТ, дает возможность использовать как качественные данные, так и неструктурированную информацию. Высокая точность извлечения значений атрибутов достигается за счет комбинации подходов: классического машинного обучения и больших языковых моделей, в том числе собственной LLM-платформы Norbit GPT.
AI MasterData использует специализированные алгоритмы для различных ситуаций обработки данных, включая самые сложные задачи: некатегоризированные записи, НСИ с большим количеством ошибок. Внутренняя база знаний помогает обогащать значения атрибутов, получать требуемые характеристики номенклатурных записей из внутреннего хранилища. Платформа определяет значение класса НСИ по общероссийским классификаторам, категориям и справочникам организации, убирает дублирующиеся позиции, формирует чистое наименование.
Решение интегрируется с уже существующими информационными системами, при необходимости кастомизируется под методологию конкретной компании в зависимости от отраслевой специфики. AI MasterData можно развернуть как в варианте оn-premise, так и в облаке. Для быстрого старта достаточно загрузить категорийный справочник, указать требуемые модули и приступить к обработке записей НСИ. С настройкой справится сотрудник без навыков программирования.
AI MasterData рассчитано на средний и крупный бизнес, работающий с обширной номенклатурой товаров: промышленность, строительство, добывающие предприятия, розница, FMCG (потребительские товары). Новинка позволит обрабатывать большие объемы НСИ без дорогостоящих вложений, поможет сократить риски, связанные с низким качеством данных: минимизировать штрафы, лишние закупки, неоптимальное использование складских запасов.