دراسة حالة AWS: مؤسسة القطاع العام في البحرين ومعالجة الوثائق بالذكاء الاصطناعي العام

خلفية المشروع ومشاكل العملاء

تنطوي عملية العميل على عدم السداد لأرباب العمل إلا بعد التأكد من أن الموظفين قد تم دفع رواتبهم. وقد تم إجراء هذا التحقق يدوياً، مما يتطلب من الموظفين التحقق من أسماء الموظفين وأرقام CPR (رقم التعريف الشخصي للمشروع وقضايا العملاء من المواطنين والمقيمين على حد سواء) ومبالغ المدفوعات وفترات الدفع بين كشوف الرواتب التي تم تحميلها وكشوف الحسابات المصرفية المقابلة.

تمثل هذه العملية اليدوية العديد من التحديات التجارية الحرجة,

• عدم الكفاءة التشغيلية: ينطوي كل طلب على استخراج البيانات ومقارنتها عبر العديد من المستندات للعديد من الموظفين بشكل متكرر ويستغرق وقتاً طويلاً، مما يؤدي إلى تأخير المعالجة وارتفاع النفقات الإدارية.
• مخاطر الأخطاء البشرية: يزيد التحقق اليدوي من احتمالية حدوث أخطاء في التحقق اليدوي وأخطاء في إدخال البيانات، مما قد يؤدي إلى سداد مدفوعات غير صحيحة أو تأخر مدفوعات صاحب العمل.
• قابلية التوسع المحدودة: مع تزايد عدد أصحاب العمل والموظفين المشاركين، لا يمكن لعملية التحقق اليدوي أن تتوسع بشكل فعال، مما يتسبب في تراكمات واختناقات محتملة.
• مخاطر الامتثال وقابلية التدقيق: يمكن أن تؤدي الأخطاء أو التأخيرات في التحقق إلى تعريض العميل لمخاطر سوء الإدارة المالية وثغرات الامتثال وتحديات التدقيق، مما يقوض الثقة في برنامج السداد.

مخاطر عدم مواجهة التحدي

إذا لم تتم معالجة هذه المشاكل، فسيكون لها تأثيرات تجارية قابلة للقياس,

• دورات معالجة أطول، مما يقلل من قدرة المنظمة على الوفاء باتفاقيات مستوى الخدمة مع أصحاب العمل.
• زيادة التكاليف التشغيلية، حيث ستكون هناك حاجة إلى المزيد من الموظفين للتعامل مع أعباء العمل المتزايدة يدوياً.
• ارتفاع مخاطر عدم دقة المدفوعات، مما يؤدي إلى خسائر مالية.

أهداف المشروع

يتمثل الهدف الأساسي للعميل في المشروع في الاستفادة من قدرات الذكاء الاصطناعي والأتمتة في AWS لتعزيز دقة وكفاءة وقابلية التوسع في عملية التحقق من صحة السداد. يهدف المشروع إلى تحويل سير العمل اليدوي كثيف المستندات إلى نظام ذكي ومؤتمت يضمن سلامة البيانات والشفافية التشغيلية.

سيؤدي هذا التغيير في العمليات إلى,

• التحقق من صحة أن المستندات التي تم تحميلها هي المستندات المقصودة (قسائم الدفع وكشوف الحسابات البنكية) وإخراج مستوى الثقة لكل مستند.
• الحقول التي سيتم استخراجها ومطابقتها (الأسماء، والـ CPR، والمبالغ – الأساس والشهر والسنوات).
• عرض البيانات التي تم تحميلها مقابل الأشهر السابقة للمساعدة في اكتشاف أي حالات شاذة.

محاذاة الفئات: الخدمات الاستشارية للذكاء الاصطناعي التوليدي

تتماشى دراسة الحالة هذه مع تخصص الخدمات الاستشارية للذكاء الاصطناعي التوليدي في AWS.

يدير العميل أكثر من 200,000 معاملة تجارية سنويًا مع أصحاب العمل، حيث يقدم كل منهم حوالي 6 مستندات شهريًا – أي ما يقرب من 200,000 صفحة تتم معالجتها من خلال OCR كل شهر.

يستفيد الحل الذي تم تنفيذه من Amazon Textract لاستخراج حقول البيانات الرئيسية تلقائيًا مثل الأسماء، وسجلات الحالة المدنية، ومبالغ الدفع، وفترات الدفع. يتم تخزين البيانات المستخرجة بشكل آمن في Amazon DynamoDB، مع سياسات دورة الحياة لنقل المستندات إلى تخزين S3 Glacier كل 3 أشهر لتحسين التكلفة.

للحصول على رؤى متقدمة، ستسمح Amazon Bedrock للمسؤولين باسترداد المعلومات وتلخيصها على الفور. وقد أدت أتمتة الذكاء الاصطناعي المتكاملة هذه إلى تقليل وقت المعالجة اليدوية بنسبة تزيد عن 80%، وتحسين الدقة، وتوفير بنية تحتية قابلة للتطوير لحالات استخدام الامتثال وإعداد التقارير المستقبلية القائمة على الذكاء الاصطناعي.

AWS Services

استخدم هذا المشروع خدمات AWS التالية,

• الربط الشبكي
  • شبكة VPN من موقع إلى موقع AWS
• التخزين
  • أمازون S3
  • أمازون ECR
• الحوسبة
  • AWS Lambda
  • أمازون إي سي إس
  • AWS Fargate
• الذكاء الاصطناعي والتعلم الآلي
  • حجر الأساس الأمازون (التدفقات والوكلاء والنماذج)
• قواعد البيانات
  • أمازون أورورا (PostgreSQL)
• التكامل
  • بوابة Amazon API Gateway