项目展示

首页
使用 Amazon Bedrock 简化和自动化账单处理架构博客

使用 Amazon Bedrock 简化和自动化账单处理架构博客

用 Amazon Bedrock 简化和自动化账单处理

关键要点

多地点运营的企业在处理公用事业账单时面临复杂性。自动化账单处理可以有效提高效率，减少人工错误，实现合规性。使用 Amazon Bedrock 提供灵活的账单格式处理、数据标准化和集成现有系统的功能。

这篇文章提出了一种解决方案，利用 Amazon Bedrock 来简化和自动化账单处理。这一方案不仅可以提高处理的效率，还能够确保数据的准确性和合规性。

运营于多个地点的企业，如零售和电信行业，通常需要处理多种公用事业账单。在进行付款之前，必须验证这些账单是否存在差异。这些业务流程通常由团队手动处理多种格式的发票。

此外，企业往往需要满足环境、社会和治理ESG法规要求，而公用事业账单在报告电力、水和天然气使用情况方面占据重要地位，这一部分的潜力往往被忽视。

公用事业供应商生成的发票格式多样，如 PDF、XLS 和 EML，布局各异，且通常以电子邮件的形式发送。这使得标准化数据的采集变得困难，包括处理季节性使用模式的异常、比较合同和账单费率，最后进行付款。

由于缺乏使用数据的标准化，将这些数据导入中央 ESG 数据湖也面临挑战。

在本文中，我们将展示如何利用 Amazon Bedrock 来有效应对上述挑战，解决方案具备以下功能：

功能描述格式灵活支持多种格式和布局的公用事业账单的采集数据标准化将账单标准化为单一格式，并施加数据质量控制系统集成通过事件与现有系统集成自动化重复任务减少人工错误，提高效率预测分析利用生成式人工智能进行数据分析，促进明智决策数据集成集成现有数据湖、数据仓库、支付系统和 ESG 报告系统

解决方案概述

这个解决方案使用 Amazon Bedrock 来自动化发票处理、费率提取、验证和报告，具体流程如下图所示：

处理工作流包括以下步骤：

利用 SFTP 连接器和 AWS Transfer Family，将发票上传到 Amazon S3 桶中。一些公用事业供应商会直接将发票发送到启用了 Amazon SES 的电子邮箱，将 PDF 附件提取并上传到 Amazon S3 桶中。上传时会生成 S3 事件，该事件触发 Amazon EventBridge 规则，调用 AWS Step Functions 工作流进行发票提取和验证。Step Functions 工作流会验证发票，使用 Amazon Textract 进行文本提取有关教程，请参见通过 AWS Lambda 函数检测文本，并调用 Amazon Titan Text V1 Express 模型生成嵌入向量，存储在 Amazon Aurora PostgreSQL 兼容版中，并利用 pgvector 进行处理，还将提取的发票存储在 DynamoDB 表中。无法验证的发票会通过 Amazon Simple Notification Service (Amazon SNS) 标记，供人工处理。由 Amazon EventBridge 调度规则触发的 Lambda 函数会从外部 SFTP 存储库获取费率数据，并存储在 S3 桶中。基于 S3 事件调用的公用事业数据提取 Step Functions 处理不同格式和单位的数据提取，以便无缝集成业务逻辑。然后将费率数据存储在 Amazon DynamoDB 表中，供业务逻辑 Step Functions 工作流使用。主要的业务逻辑在业务逻辑 Step Functions 中检测发票使用异常并检查批准的费率。该 Step Functions 使用 Amazon Bedrock、嵌入向量、提取的发票和费率数据来检查异常、发票准确性并更新报告数据库。报告数据存储在 Amazon Aurora 数据库中，通过 Amazon QuickSight 进行可视化以生成支付验证报告。利用 Amazon QuickSight Q 进行基于生成式商业智能的增强和快速决策。

以下截图展示了 Amazon QuickSight 可视化示例：

解决方案的好处

这一解决方案带来如下好处：

上下文理解：借助 Amazon Bedrock 上的 Anthropic Claude 3 Sonnet 模型，该解决方案有能力理解、分析和解释数据的上下文，超越单纯的文本识别。灵活性和适应性：此方案具有灵活性，能够学习和适应新格式，因为 Amazon Bedrock 可以理解发票中包含的数据，并适应数据表达方式的各种变化。事件驱动架构：这是一个基于事件的无服务器架构，支持模块化和与特定于组织的外部工作流集成。自动化工作流：该解决方案减少了数据质量过程中的人工干预，如数据分析、清理和验证。这加快了处理速度，并减少了人为错误。成本节约：自动化减少了对人工团队的依赖，为组织带来了成本节省。合规与风险缓解：自动化的数据质量过程帮助组织保持 ESG 合规性，满足法规和行业标准。数据治理：自动化促进了数据治理政策和程序的实施。通过自动化数据质量监控和报告，组织能够更有效地实施数据治理标准，遵循数据质量指南。