自然語言處理

這些程式的基礎是語言模型，即以大量文字訓練、能理解句子內容並撰寫回覆的程式。模型並不認識貴公司，因此我們會提供貴公司的文件、貴公司的術語表，以及界限：哪些事可以自行處理，哪些必須交給人。

文件識別是把掃描影像轉為文字，並從中擷取系統所需的欄位：發票編號和日期、金額、合約當事方、信函中的期限。識別出的欄位會傳送到您的結算系統（ERP）或文件流轉系統，每個欄位都附有程式的把握程度評分。

郵件分類與分派。程式閱讀電郵或申報，按與各部門議定的類別清單為它分類，再轉交合適的人。同時符合兩個類別或不符合任何類別的郵件，會交由人處理。

根據公司文件作答。員工以日常語句提問，程式搜尋規章、合約和程序，答覆會註明文件、版本和條款。如文件中沒有答案，程式會直接說明。以此為基礎在流程中準備決定建議的代理，屬另一服務範圍。

摘要。冗長的信函或對方提交的合約會濃縮為要點清單：對方提出甚麼、有甚麼改動、哪些事項需要決定，並附原文出處。

各項功能共用一個待覆核個案佇列：結果低於與您議定的把握門檻時，由員工覆核，其修改會記入日誌，用於改進程式。

在程式接觸真實文件前，我們會以貴公司的樣本量度其質素：涵蓋不同文件類型、不同供應商、質素欠佳的掃描檔，以及貴公司文件使用的所有語言。您的員工會為樣本準備標準答案。我們逐個欄位比較程式結果與標準答案：哪裏吻合、哪裏出錯、哪裏由程式自行標記為沒有把握。據此，我們與您議定把握門檻和部署次序。

1. 我們收集樣本。與您選定文件和郵件類型，抽取最近幾個月的樣本，並由您的員工準備標準答案。成果：用於量度質素的樣本和標準答案。
2. 我們量度質素。在樣本上運行程式，與標準答案比較，並與現時負責閱讀這些文件的同事一起檢視錯誤。成果：樣本報告，以及部署哪些類型的決定。
3. 我們把程式連接到系統。先由一種文件類型或一個郵箱開始；結果傳送到您的系統，沒有把握的個案進入佇列。成果：程式投入一個部門的日常工作。
4. 我們把程式交給您的團隊。教導負責人如何查看佇列和日誌，以及如何新增類別和規章新版本。成果：程式由您的團隊管理；上線後的質素量度屬另一服務範圍。

1. 部署前會用我們哪些文件樣本量度識別質素，由誰準備標準答案？
2. 程式沒有把握的文件會如何處理：誰會看到，修改會否回饋給程式？
3. 每個給員工的答覆是否都註明文件和條款，文件中沒有答案時程式會怎樣回應？
4. 我們的文件和個人資料在哪裏處理：歐盟境內、我們內部，還是外部語言模型供應商，該供應商會否用我們的資料訓練模型？
5. 程式如何處理新版面的發票，以及用樣本中未出現過的語言撰寫的信函？
6. 我們這邊由誰在無需承辦商參與的情況下，新增郵件類別或規章新版本？

貴公司的答案取決於公司處理哪些文件和郵件，因此第一步是流程分析，從中定出部署範圍和次序。