Bij Ixor geloven we dat het bouwen van een vertrouwd AI-systeem niet begint met code, maar met een rol brown paper. De weg naar een mature AI-oplossing begint bij het begrijpen van de menselijke workflow. Op die manier kunnen we workflows verbeteren vooraleer we ze automatiseren. De agents kunnen de verbeterde processen ook bewaken.
Een eindeloze stroom van nepfacturen genereren die er wel echt uitzien, om ons model voor factuurherkenning te perfectioneren.
Ongeveer twee jaar geleden begonnen we met de ontwikkeling van een machine learning-model voor named entity recognition (NER) op facturen. Nu er meer data beschikbaar is, geloven we dat we een grote sprong voorwaarts kunnen maken op vlak van performantie door ons AI-modelarchitectuur aan te passen. Om state-of-the-art prestaties te behalen, is het nodig om informatie uit inhoud én lay-out te combineren. Om dit aan te pakken, gebruiken we een artificieel neuraal netwerk getraind op onze facturendataset.
Om het vertrouwen van eindgebruikers te vergroten, gebruikt Ixor de informatie uit tussentijdse resultaten (feature maps) van het model om meer context te geven aan een voorspelling. Het uitgangspunt: gelijkaardige inputs genereren gelijkaardige feature maps. Die gelijkenis kan berekend en opgeslagen worden, waardoor we een database krijgen van hoe gelijkaardig inputs onderling zijn.
Bij IxorThink is een eenvoudig framework voorgesteld voor het gebruik van active learning bij objectdetectie, om aanzienlijk tijd en middelen te besparen op de labeling-inspanningen die nodig zijn om een objectdetectiemodel te trainen. Daarnaast bleek de voorgestelde aanpak ook effectief om de prestaties van het model te verbeteren nadat het in productie ging.
Drie praktische lessen van Ixor-CEO Roel Verbeeck voor bedrijven die met AI willen starten zonder te mislukken.
