SAP Inside Track Tokyo 2022 Deep Learning版Cash Applicationをやってみた
•
0 gostou•249 visualizações
2022年2～3月にかけて開催されたSAP Inside Track Tokyo 2022 INTトラックで発表されたセッション資料です。
Recomendados
Mais conteúdo relacionado
Mais procurados
Mais procurados (20)
Semelhante a SAP Inside Track Tokyo 2022 Deep Learning版Cash Applicationをやってみた
Semelhante a SAP Inside Track Tokyo 2022 Deep Learning版Cash Applicationをやってみた (20)
Último
Último (8)
SAP Inside Track Tokyo 2022 Deep Learning版Cash Applicationをやってみた
- 1. Dive into the Cash Application Deep Learning Version 2022-03-10: Week 6 – AI Business Services TOKYO SAP Inside Track 2022
- 2. 2 名前： 小栗俊太郎 会社： SAP 部門： Customer Success 役割： Principal Consultant SAP Machine Learning Practice Lead SAP Innovation Service Team Lead 参加目的：情報収集、ネットワーキング（AI/MLな人とつながりたい） 小栗俊太郎 SAP Community のプロファイルを 画像コピー
- 3. 2022年3月10日 お名前 小栗 俊太郎 会社名 SAP Deep Learning版Cash Applicationをやってみた SAP Inside Track 2022 TOKYO
- 4. 6 1. Cash Application概要 2. 既存アルゴリズム 3. Deep Learningの新しいアルゴリズム 4. 実証結果 Deep Learning版Cash Applicationをやってみた
- 5. 7 ⚫ 新しいSAP Cash Application（ Deep Learning Version）アルゴリズム検証のプロジェクト経 験を元に「どのような点が良くなっているか？どう変わっているのか？」を理解して頂くこと を目的としてます。 最初に
- 6. 8 Intelligent Enterprise テクノロジー ANALYTICS APPLICATION DEVELOPMENT & INTEGRATION DATABASE & DATA MANAGEMENT INTELLIGENT TECHNOLOGIES BUSINESS TECHNOLOGY PLATFORM ビジネスプロセス BUSINESS NETWORK ACROSS ALL FUNCTIONS BUSINESS PROCESS INTELLIGENCE アプリケーション SUSTAINABILITY MANAGEMENT EXPERIENCE MANAGEMENT INTELLIGENT SUITE INDUSTRY CLOUD SAP DATA CENTER HYPERSCALER インフラ
- 7. 9 SAP Cash Applicationの導入メリット 会社コードAの10年 分の過去データ全て 学習しました。 某企業事例：（Link） SAP Cash Applicationによる未処理銀行入金情報の 照合・消し込みの自動化で年間3万6,000時間を削減 ⇒1日8時間、月20営業日で計算すると225人月 年換算すると、18.75人年 大量の入金消込が終 わらない。。 会社コードBの10年分 の過去データ全て学 習しました。
- 8. 10 新規銀行報告書 （入金データ） + 債権 マッチング提案 Fioriアプリを通し自動消込結果や 提案を確認 トレーニン グプロセス 推論 / 消 込プロセス SAP S/4HANA と SAP Cash Applicationの統合 トレーニング＆推論プロセスの概要 請求書マッチングサービスの 実行 機械学習トレーニング 消込の履歴 ECC 6.0 SAP Cash Application
- 9. トレーニングプロセス
- 10. 12 従来のトレーニングプロセス Tr-cd:SE38 分割実行プログラム 実行(InProgress) ML_CASH_APP_JOB_ STATUS_DP Tr-cd:SE38 トレーニング プログラム実行 ML_CASH_APP_DATA _POST Tr-cd:SE38 分割実行プログラム 実行（Complete) ML_CASH_APP_JOB_ STATUS_DP S/4HANA Tr-cd:SM37 ジョブ実行結果確認 UUID*が発行された事 を確認 例）receivables- matching： 000d3a51-ff35-1eec- 8cde-289db9c16346 *UUID：Universally Unique Identifierの略。ソフトウェア上でオブジェクトを一意に識別するための識別子。 生成したUUIDを OSSでチケット登録し、 学習結果およびベンチ マーク結果取得 Component : CA-ML-CA (help.sap.com URL) トレーニングJOB実行 ※自動実行 Local PC OSSで受領したベンチ マーク結果確認 設定するべきTarget Accuracyを決定する。 S/4HANA Tr-cd: SPRO 自動消込閾値 （Auto Clear Accuracy） 予測閾値 （ Target Accuracy ） の設定 を会社コード別に変更 SAP BTP 機械学習 予測モデル生成 Tr-cd:SE38 トレーニング プログラム実行 ML_CASH_APP_DATA _POST Tr-cd:SE38 トレーニング プログラム実行 ML_CASH_APP_DATA _POST
- 11. 13 新しいトレーニングプロセス Tr-cd:SE38 分割実行プログラム 実行(InProgress) ML_CASH_APP_JOB_ STATUS_DP Tr-cd:SE38 トレーニング プログラム実行 ML_CASH_APP_DATA _POST Tr-cd:SE38 分割実行プログラム 実行（Complete) ML_CASH_APP_JOB_ STATUS_DP S/4HANA Tr-cd:SM37 ジョブ実行結果確認 UUID*1が発行された 事を確認 例）receivables- matching： 000d3a51-ff35-1eec- 8cde-289db9c16346 *1 UUID：Universally Unique Identifierの略。ソフトウェア上でオブジェクトを一意に識別するための識別子。 *2 UUID：予測モデルVersion7.10以降から利用可能 Model Manager for Cash Application： Training Runs Page でトレーニングジョブ ステータスを確認 トレーニングJOB実行 ※自動実行 Model Manager for Cash Application： Statistics Page ベンチマーク結果一覧 から設定するべき Target Accuracyを決 定する。 S/4HANA Tr-cd: SPRO 自動消込閾値 （Auto Clear Accuracy） 予測閾値 （ Target Accuracy ） の設定 を会社コード別に変更 SAP BTP 機械学習 予測モデル生成 Model Manager for Cash Application： Machine Learning Models Page 生成した予測モデルを 有効化する。 SAP BTP（Model Manager*2) NEW Tr-cd:SE38 トレーニング プログラム実行 ML_CASH_APP_DATA _POST Tr-cd:SE38 トレーニング プログラム実行 ML_CASH_APP_DATA _POST
- 12. 14 Model Manager for SAP Cash Application Training Runs Page NEW https://help.sap.com/viewer/9668f05979b644cd960f0d83ae4ed0aa/Latest/en-US/a3fd584d0d664f4b854ef7aa1264ac67.html
- 13. 15 Model Manager for SAP Cash Application Statistics Page NEW https://help.sap.com/viewer/9668f05979b644cd960f0d83ae4ed0aa/Latest/en-US/dda16a97217c4b2d9f227d50a9769857.html
- 14. 16 Model Manager for SAP Cash Application Machine Learning Models Page NEW https://help.sap.com/viewer/9668f05979b644cd960f0d83ae4ed0aa/Latest/en-US/106b17e7374d4d60b57418d1f0209cd1.html
- 15. 推論 / 消込プロセス
- 16. 18 推論 / 消込プロセス Tr-cd:SE38 債権データ送信 プログラム実行 ML_CASH_APP_DATA_P OST 又は Fiori: Schedule Accounts Receivable Jobs : F2366 Tr-cd: FEBAN 又は FEB_BSPROC又は Fiori: Reprocess Bank Statement Items :F1520 プログラム実行し、 消込処理を行う。 S/4HANA *UUID：Universally Unique Identifierの略。ソフトウェア上でオブジェクトを一意に識別するための識別子。 推論API SAP BTP 機械学習 予測モデル S/4HANA Tr-cd:FF_5 or FF67 電子銀行報告書 （EBS）取込 標準の消込ルールの実行
- 17. 19 SAP Cash Application 入金消込プロセスについて 1 銀行報告書処理 自動トランザクションFF_5 もしくはマニュアルトランザクションFF67 2 標準のSAP S/4HANA消込ルールの実行 3 SAP Cash Application ジョブのスケジュール化 新規の銀行報告書と未消込債権をSAP Machine learningサービスに送信 4 SAP Cash Application Machine Learning による推論 SAP S/4HANAにマッチング提案を再送信 5 SAP Cash Applicationによる自動消込 信頼基準を満たす提案は自動的に消し込まれる 6 銀行報告書後続処理 トランザクションFEBA / FEBAN処理 1 銀行報告書処理 自動トランザクションFF_5 もしくはマニュアルトランザクションFF67 2 標準の消込ルールの実行 3 銀行報告書後続処理 トランザクションFEBA / FEBAN処理 現在の入金消込プロセス SAP Cash Applicationを利用した入金消込プロセス
- 18. 20 説明可能なAIは、どの機 能が提案に影響を与えた かを示し、提案を実行可 能にし、自動クリアを監 査可能にします。 Explainability for SAP Cash Application
- 19. 21 1. Cash Application概要 2. 既存アルゴリズム 3. Deep Learningの新しいアルゴリズム 4. 実証結果 Deep Learning版Cash Applicationをやってみた
- 20. 22 機械学習はどのように請求書を見つけるか？ 履歴データからの学習 ▪ 電子銀行報告書 ▪ 会計伝票 ▪ 支払通知 ▪ 顧客マスタデータ ▪ 銀行マスタデータ ▪ 取引銀行 ▪ 支払人の銀行マスタ情報 ▪ 電子銀行報告書明細の消込データ 入金の期限 < 71 days >= 71 days メモに正確に参照番号が 含まれるか yes no 最適化モデル 判断基準や値を自動的に選択し整理 現在は50のマッチング基準をサポートし 今後も追加予定 トレーニング 履歴情報をインプット
- 21. 23 1. Cash Application概要 2. 既存アルゴリズム 3. Deep Learningの新しいアルゴリズム 4. 実証結果 Deep Learning版Cash Applicationをやってみた
- 23. 25 Cash Applicationが解決するべき課題 bank statement fields: numeric, categorical, string invoice fields: numeric, categorical, string ASSIGNMENTREFERENCE BUSINESSPARTNERNAME DEBITCREDITCODE DOCUMENTREFERENCEID MEMOLINE PAYMENTADVICEACCOUNT PAYMENTREFERENCE TRANSACTIONCURRENCY AMOUNTINTRANSACTIONCURRENCY ............ ACCOUNTINGDOCUMENT_IV ASSIGNMENTREFERENCE_IV BILLINGDOCUMENT_IV COMPANYCODECURRENCY_IV DEBITCREDITCODE_IV DEBTOR_IV DOCUMENTITEMTEXT_IV DOCUMENTREFERENCEID_IV ORGANIZATIONBPNAME1_IV ORGANIZATIONBPNAME2_IV PAYMENTREFERENCE_IV TRANSACTIONCURRENCY_IV AMOUNTINCOMPANYCODECURRENCY_IV ............ bank statement invoice single match multi match Single Match Multi Match
- 24. 26 学習データの構造 Query Key Amount Posting Date Company Code Currency Note Reference ID Target Key Amount Posting Date Company Code Currency Customer Name Reference ID 1 Reference ID 2 Query Document (QD) Target Document (TD) Numeric Fields Categorical Fields Text Fields Matching Relation (R) Query Key Target Key Key Fields
- 25. 27 Single Match と Multi Match QD TD Q1 Q2 QM T1 T2 T3 TN R1 R2 R3 RN R Single Match Multi Match . . . . . . . . .
- 26. 28 ネガティブマッチの生成（深層学習による新しいアプローチ） QD TD Q1 Q2 QM T1 T2 T3 TN R1 R2 R3 RN R Single Match Multi Match No Match . . . . . . . . . We learn a pairwise classification function: yij = f( qi , dj ) where yij ∈ {single match, multi match and no match}
- 27. 29 学習マッチングラベルマップ Query Key Target Key Match Type Q1 T1 Match Q1 T2 None Q1 T3 None Q2 T1 None Q2 T2 Match Q2 T3 None : : Qm Tn-1 None Qm Tn Match Numeric Fields Categorical Fields Text Fields Key Fields
- 28. 30 深層学習アーキテクチャ概要 Numeric Fields Categorical Fields Text Fields Character Level Decomposable Attention Categorical Embedding (Trainable) Feed Forward Network (1 Residual Connection) QD TD QD TD QD TD Feed Forward Classifier Single Match Multi Match No Match In Feedforward Neural Network, data flows in one direction (from the input layer to the output layer) between the layers. Returns the result of a match of a numeric field. Neural architecture for natural language inference adding sentence attention that is a method for focusing on important points in the past (=Attention) when dealing with continuous data. Returns the result of a match of a Text Fields. Translate large sparse vectors into a lower-dimensional space that preserves semantic relationships. Returns the result of a match of a Categorical Fields. Numeric Fields Categorical Fields Text Fields Key Fields
- 29. 31 Entity Embeddings of Categorical Variables 参照: https://arxiv.org/abs/1604.06737
- 30. 32 A Decomposable Attention Model for Natural Language Inference 参照: https://arxiv.org/abs/1606.01933
- 31. 33 ◼ Papers With CodeからDecomposable Attention Modelの処理をローカルでも実行し てみた。（一部Python2.X系からPython3.Xの コード変換必要） ◼ Stanford Natural Language Inference (SNLI)の10万件データで学習。バッチサイズ 1000でGPU環境が無いと50 Epoch回すだけで も15時間程度かかる。。 ◼ Cash application はBTP上の大規模GPU環境を 使う事でプロジェクトでは約半日から1日程度 でモデル生成される。 （データボリュームに依存） 一部の深層学習処理をやってみた
- 33. 35 1. Cash Application概要 2. 既存アルゴリズム 3. Deep Learningの新しいアルゴリズム 4. 実証結果 Deep Learning版Cash Applicationをやってみた
- 34. 36 ◼ ネガティブサンプリングを含む深層学習を行った結果、 Single Matchの精度90～95%台と 大きく変わらないが、Multi Matchの精度が飛躍的に向上した。 ◼ 例 : (会社コードのデータに依存） ◼ Multi Match Proposal rate : 24% -> 38% ◼ Multi Match Accuracy Rate :60% ->87.5% ◼ Multi Match Proposal rate : 0% -> 61.54% ◼ Multi Match Accuracy Rate :0% ->95.83% 検証結果
- 35. 37 ディープラーニングモデルを有効にするには、お客様が学習データを再送する必 要があります。また、RFC宛先（SM59）のエンドポイントを/api/v1から /api/v2に変更する必要があります。 この変更後、お客様は通常通りトレーニングを開始すると、自動的にディープ ラーニングモデルのトレーニングが開始されます。 なお、新しいモデルがトレーニングされるまでは、エンドポイントが変更され ているため、お客様はディープラーニングモデルのInferenceを実行することが できません。そのため、この点を考慮して計画する必要があります。 注：お客様が「ディープラーニング」モデルのトレーニング中に旧バージョンの 推論を実行したい場合は、先ずはトレーニング用のエンドポイントのみを /api/v2に変更します。 その後、トレーニングを開始し、トレーニングが完了したら、残りの推論用の RFC宛先エンドポイントを/api/v2に変更します。 ◼ S4ML_CASHAPP_INFERENCE_JOB ◼ S4ML_CASHAPP_INFERENCE_RESULTS ◼ S4ML_CASHAPP_OPEN_ITEMS ◼ S4ML_CASHAPP_TRAINING ◼ S4ML_CASHAPP_TRAINING_STATUS ◼ S4ML_CASHAPP_TRAINING_TRIGGER 参照： Switch to Deep Learning Line-Item Matching ▪ https://help.sap.com/viewer/60e4f6eb9b6a427db1963afb7e9791b5/Latest/en- US/5eaba15e12044f299efc95d8aa236154.html Deep Learningへの切り替え
- 36. 38 ⚫ 機械学習アルゴリズムは日々進化しています。 ⚫ SAP BTP（クラウド)上で最新化されます。 ⚫ Deep Learningへの切り替えはRFC宛先を変更し、学習するだけ。 ⚫ 使ってみましょう！ メッセージ
- 37. 39 参照1： Model Manager for SAP Cash Application ▪ https://help.sap.com/viewer/9668f05979b644cd960f0d83ae4ed0aa/Latest/en-US/73fd86f7258b46bf84ef47f415af18fa.html 参照2： Entity Embeddings of Categorical Variables ▪ https://arxiv.org/abs/1604.06737 参照3： A Decomposable Attention Model for Natural Language Inference ▪ https://arxiv.org/abs/1606.01933 参照4： Papers With Code: The latest in Machine Learning ▪ https://paperswithcode.com/ 参照5： Switch to Deep Learning Line-Item Matching ▪ https://help.sap.com/viewer/60e4f6eb9b6a427db1963afb7e9791b5/Latest/en- US/5eaba15e12044f299efc95d8aa236154.html 引用、参考、参照、転載の一覧