.svg)
1. Hur började du bygga AI-integrationer?
” Strax efter lanseringen av ChatGPT började jag experimentera med att integrera AI med hjälp av Alumio integrationsplattform (iPaaS). Resultaten med de tidiga GPT-modellerna var inte bra, men när jag såg framtida potential använde jag det initialt för att stödja min process för att skapa arbetsflöden inom Alumio.
Mitt första projekt med att bygga en AI-integration kom när jag rådde en kund att inte använda ett översättningsverktyg för sin e-handelswebbplats, vilket var för tekniskt och problematiskt på lång sikt. Istället föreslog jag ett AI-drivet alternativ med Alumio iPaaS, som vi redan använde för att hjälpa dem att integrera Akeneo, deras PIM-system (Product Information Management).
Efter att ha utforskat flera AI-lösningar hamnade jag på Googles Vertex AI-plattform och valde deras Gemini-modeller för integrationsprojektet. Att översätta produkterna från engelska eller nederländska till andra språk med Gemini var enkelt och snabbt. Att använda Alumio iPaas för att integrera AI med klientens Akeneo PIM-system var också relativt enkelt och okomplicerat.
Integrationsflödet vi byggt upp inom Alumio innebär:
a) Hämta produktdata (på engelska eller nederländska) från Akeneo PIM till Alumio.
b) Kartläggning av data inom Alumio som ska skickas till Gemini AI-lösningen.
c) Skicka attributen för produkter som behöver översättas till Gemini AI-modellen via Alumio.
e) Ta emot översättningarna från Gemini och spara dem på det specifika tillämpningsområdet för det språket.
På ungefär 16 timmar översatte vi 12 000 produkter med denna AI-integration. Vi sparade kunden cirka 500—600 euro i månadsavgifter som den andra översättningsapplikationen skulle ha kostat dem. Avkastningen på investeringen uppnåddes på bara tre månader.
2. Hur hjälper en iPaas med AI-integrationer?
” När man använder en iPaaS som Alumio är det relativt enkelt att lägga till AI i integrationsflödet och stämmer faktiskt väl överens med hur iPaaS redan fungerar. Vanligtvis hämtar iPaaS data från ett system, omvandlar det till ett strukturerat format och skickar det till ett annat system. När du introducerar AI är processen nästan identisk: du hämtar data, strukturerar och kartlägger dessa data på ett sätt som AI förväntar sig, skickar dem till AI-modellen/svarta rutan, får ett svar och bearbetar eller dirigerar sedan svaret därefter.
Det finns två sätt som AI effektivt kan användas i kombination med en iPaaS: det första är mer utmanande från och med nu, och det handlar om att använda AI för att förbättra integrationsutvecklingen själv inom iPaaS, och det andra handlar om att integrera AI för att förbättra produktkapaciteten.
- Förbättra integrationsutvecklingen med AI: När det gäller det första användningsfallet matar jag AI-verktyget med mina strategier och mallar för hur jag bygger integrationer med Alumio. Som svar hjälper AI till att generera en grundläggande implementering av dessa strategier, där den inte kommer att bygga hela kartläggningen eller tillämpa affärslogik, men det kommer att ge mig den grundläggande inställningen. Till exempel kommer det att ge mig den inkommande konfigurationen för att hämta data från Akeneo och inkludera logik för att lagra tidsstämplar. På så sätt hämtar varje körning endast nya eller uppdaterade data. Med andra ord hjälper det snabbt att skapa ett skelett för Routes och detta kan påskynda de tidiga stadierna av integrationsinställningen.
- Integrera AI med andra verktyg eller appar: På produktsidan kan integrering av AI via Alumio iPaaS hjälpa till att automatisera komplexa uppgifter som att översätta produktdata (som utforskats i föregående exempel). AI är särskilt effektivt för att strukturera ostrukturerad data. Till exempel innebär en proof-of-concept som vi för närvarande kör att automatisera behandlingen av inköpsorder som tas emot som PDF-filer via e-post. Kunden vill automatiskt importera dessa inköpsorder till sitt affärssystem. Medan vissa av deras leverantörer skickar strukturerad EDI-data som enkelt integreras med deras ERP, skickar många helt enkelt PDF-filer via e-post efter en muntlig beställning. Traditionella OCR-verktyg som kan användas för att läsa PDF-filer kräver en unik mall för varje leverantör, vilket ständigt bryter med layoutändringar. För att lösa detta skapar vi ett system där leverantörer skickar PDF-filer till en dedikerad inkorg. Vi byggde sedan en integration för Alumio iPaaS för att hämta PDF-beställningarna från denna inkorg och skicka den till Gemini AI-verktyget, samtidigt som vi berikade förfrågan med kontextuella data från ERP (till exempel hela leverantörskatalogen). Gemini korsrefererar till dessa ERP-data och extraherar sedan specifika data från PDF-filen, som leverantörsnamn eller orderdetaljer, så att vi kan skapa strukturerade inköpsorder automatiskt.
Sammantaget, medan Alumio redan snabbar upp hur vi bygger integrationer och automatiserar processer för våra kunder, hjälper tillägg av AI definitivt till att öka effektiviteten på båda fronterna.”
3. Vad är felmarginalen när man bygger AI-integrationer?
”De flesta generativa AI-fel beror på hur mycket kontextuell information AI får. I föregående exempel, där vi använde Alumio för att bygga en integration för att skicka leverantörs-PDF-filer till Gemini för berikning, ändrade vi också datautbytet för att inkludera kontextuella data från ERP (fullständig leverantörskatalog). Detta gör det möjligt för AI att skapa smarta associationer när leverantörens PDF-filer förvandlas till inköpsorder. Till exempel, om en PDF listar ”BR Green” som leverantör, kan AI förstå att det sannolikt hänvisar till ”Brothers Green” i ERP. Så att lägga till mer kontextuell information minskar definitivt risken för fel.
För att minska felmarginalen med generativ AI kombinerar vi vanligtvis våra AI-integrationer med ett användargränssnitt som visar vilket innehåll AI genererar och gör det möjligt för användare att granska det innan det går live. Vi konfigurerar också Alumio för att utföra kontroller i bakgrunden, till exempel flagga avvikelser om priset på ordern inte överensstämmer med vad affärssystemet förväntar sig. Tillsynsnivån beror på användningsfallet, och vissa företag är okej med att skicka AI-översatta produktdata direkt till sin webbshop utan att granska den. Andra insisterar på manuellt godkännande innan de publiceras. Men för kritiska processer som inköpsorder, där fel kan ha ekonomisk inverkan, är det viktigt att validera vad AI genererar.”
4. Vad är De största utmaningarna när det gäller att integrera AI?
— Den största utmaningen just nu är att de flesta AI-modeller fortfarande i grunden bygger på stora språkmodeller (LLM). Även på API-sidan är de främst utformade för chatbot-liknande interaktioner, vilket inte är hur vi vanligtvis använder dem i integrationer. Funktioner som funktionssamtal eller strukturerade utgångar finns (som till exempel Googles Gemini stöder). Ändå får vi ofta fortfarande vanliga textsvar som innehåller ett JSON-objekt, snarare än att ta emot korrekt strukturerad JSON direkt. Detta återspeglar hur dessa modeller fortfarande är rotade i konversationsdesign, även när de används för backend-processer.
Detta har orsakat en rättvis andel problem för oss, särskilt när det gäller att deserialisera svar. Modellerna kan förstå kod ganska bra, men de genererar den fortfarande som rå text. Det betyder att de kan glömma ett komma, missa en krökt parentes eller göra andra små syntaxfel som kan bryta en process. Att hantera dessa inkonsekvenser kräver lite arbete tidigt, men modellerna förbättras snabbt och är redan mycket mer tillförlitliga än de var för ett år sedan.
.svg)
.svg)
.svg)
.svg)
.svg)
.svg)
