ການເຮັດໃຫ້ການບໍລິຫານຈັດການໜີ້ສິນການຄ້າ ແລະ ວຽກງານການທວງຖາມການຊຳລະເງິນໃນລາວເປັນລະບົບອັດຕະໂນມັດດ້ວຍ AI ແມ່ນຄວາມພະຍາຍາມໃນການປ່ຽນວຽກງານບັນຊີ ແລະ ການບໍລິຫານການຂາຍ ເຊັ່ນ: ການກວດສອບການຮັບເງິນ, ການສ້າງຂໍ້ຄວາມທວງຖາມ ແລະ ການຕັດສິນໃຈດ້ານສິນເຊື່ອ ໃຫ້ເປັນລະບົບທີ່ບໍ່ຕ້ອງໃຊ້ແຮງງານຄົນ ໂດຍຜ່ານການ ເຊື່ອມຕໍ່ ຫຼື ຊິງຄ໌ຂໍ້ມູນ ລະຫວ່າງ AI, ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ການຊຳລະເງິນໃນທ້ອງຖິ່ນ (BCEL One / LAPNet) ແລະ ລະບົບບັນຊີ. ບົດຄວາມນີ້ຈະນຳສະເໜີແນວທາງໃນການເຮັດໃຫ້ເປັນລະບົບອັດຕະໂນມັດແບບເປັນຂັ້ນຕອນ ໂດຍເລີ່ມຈາກຈຸດນ້ອຍໆ ເພື່ອແກ້ໄຂບັນຫາທີ່ບໍລິສັດຍີ່ປຸ່ນທີ່ເຂົ້າມາລົງທຶນໃນລາວຕ້ອງປະເຊີນ ເຊັ່ນ: ການເກັບໜີ້ທີ່ຍາວນານ, ການຈັດການຫຼາຍສະກຸນເງິນ (LAK ແລະ USD) ແລະ ການທີ່ວຽກງານຂຶ້ນກັບບຸກຄົນໃດໜຶ່ງໃນທີມບັນຊີທີ່ມີຈຳນວນໜ້ອຍ.

ໃນບົດຄວາມນີ້, ພວກເຮົາຈະອະທິບາຍຢ່າງລະອຽດຕັ້ງແຕ່ການຈັດລະບຽບບັນຫາ, ຂອບເຂດວຽກງານທີ່ສາມາດທົດແທນດ້ວຍ AI, ຮູບແບບການ ເຊື່ອມຕໍ່ ຫຼື ຊິງຄ໌ຂໍ້ມູນ ກັບ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ການຊຳລະເງິນໃນທ້ອງຖິ່ນ, ຂັ້ນຕອນການນຳໃຊ້, ຄວາມສ່ຽງໃນການດຳເນີນງານ ຈົນເຖິງການອອກແບບ KPI ໂດຍມີກຸ່ມເປົ້າໝາຍແມ່ນຫົວໜ້າບັນຊີຂອງບໍລິສັດໃນທ້ອງຖິ່ນ ແລະ ພະແນກບໍລິຫານຂອງສຳນັກງານໃຫຍ່. ຫຼັງຈາກອ່ານຈົບ, ທ່ານຈະມີຂໍ້ມູນທີ່ພຽງພໍໃນການຕັດສິນໃຈວ່າຄວນເລີ່ມຕົ້ນວຽກງານການເກັບໜີ້ຂອງບໍລິສັດທ່ານຈາກຈຸດໃດ.

ວຽກງານການເກັບເງິນ ແລະ ການທວງໜີ້ຂອງບໍລິສັດຍີ່ປຸ່ນໃນລາວ ມັກຈະຖືກປະປ່ອຍໃຫ້ຢູ່ໃນໂຄງສ້າງທີ່ທີມບັນຊີຂະໜາດນ້ອຍຕ້ອງເຮັດວຽກດ້ວຍມື ໂດຍການກວດສອບໃບແຈ້ງໜີ້ທີ່ເປັນເຈ້ຍກັບລາຍການເຄື່ອນໄຫວບັນຊີທະນາຄານ. ການເກັບເງິນກາຍເປັນວຽກທີ່ຂຶ້ນກັບບຸກຄົນ, ເກີດຄວາມຜິດພາດໃນການກວດສອບໄດ້ງ່າຍເນື່ອງຈາກຊື່ຜູ້ໂອນເງິນບໍ່ຊັດເຈນ ຫຼື ການຈັດການຫຼາຍສະກຸນເງິນ, ແລະ ການທວງໜີ້ກໍຂຶ້ນຢູ່ກັບອາລົມຂອງພະນັກງານທີ່ຮັບຜິດຊອບ. ກ່ອນທີ່ຈະນຳໃຊ້ລະບົບ AI ອັດຕະໂນມັດ, ພວກເຮົາຕ້ອງຈັດລະບຽບສິ່ງທີ່ກຳລັງເກີດຂຶ້ນຢູ່ໜ້າວຽກຕົວຈິງເສຍກ່ອນ.

ໃນປະເທດລາວ, ເຖິງແມ່ນວ່າການສົ່ງໃບເກັບເງິນແບບອີເລັກໂທຣນິກຈະເລີ່ມແຜ່ຫຼາຍຂຶ້ນ, ແຕ່ສຳລັບຄູ່ຄ້າບາງລາຍ, ໃບເກັບເງິນແບບເຈ້ຍ ແລະ ໃບຮັບເງິນທີ່ຂຽນດ້ວຍມືກໍຍັງຄົງມີຢູ່. ໄລຍະເວລາການຊຳລະເງິນ (Payment terms) ກໍມີຄວາມແຕກຕ່າງກັນຫຼາຍໃນແຕ່ລະຄູ່ຄ້າ, ເຊິ່ງມີຕັ້ງແຕ່ "ປິດຍອດທ້າຍເດືອນ ແລະ ຊຳລະທ້າຍເດືອນຖັດໄປ" ຈົນເຖິງ "ການຊຳລະທັນທີ", ເຮັດໃຫ້ການເກັບເງິນທີ່ໃຊ້ເວລາເກີນ 60-90 ວັນ ເປັນເລື່ອງທີ່ພົບເຫັນໄດ້ທົ່ວໄປ.

ພະນັກງານບັນຊີຕ້ອງກວດສອບລາຍການເຄື່ອນໄຫວທາງທະນາຄານເທື່ອລະແຖວ ແລະ ນຳໄປທຽບກັບບັນຊີລາຍການເກັບເງິນເພື່ອເຮັດການຕັດຍອດ. ສຳລັບບໍລິສັດຍີ່ປຸ່ນຂະໜາດກາງທີ່ມີຈຳນວນທຸລະກຳຫຼາຍຮ້ອຍລາຍການຕໍ່ເດືອນ, ວຽກງານນີ້ພຽງຢ່າງດຽວກໍໃຊ້ເວລາຂອງພະນັກງານເຖິງເຄິ່ງມື້ຫາໜຶ່ງມື້ເຕັມ. ຖ້າພະນັກງານຜູ້ຮັບຜິດຊອບລາພັກ, ການຕັດຍອດຈະຢຸດສະງັກທັນທີ, ເຊິ່ງສົ່ງຜົນໃຫ້ເກີດຕ່ອງໂສ້ຂອງຄວາມລ່າຊ້າໃນການຕັດສິນໃຈດ້ານສິນເຊື່ອ ແລະ ການເລີ່ມຕົ້ນຂະບວນການທວງຖາມ.

ວຽກງານການທວງຖາມຍິ່ງມີລັກສະນະສະເພາະຕົວບຸກຄົນຫຼາຍຂຶ້ນໄປອີກ, ໂດຍທີ່ "ຈະຕິດຕໍ່ໃຜ, ເວລາໃດ ແລະ ຕິດຕໍ່ແນວໃດ" ແມ່ນຂຶ້ນຢູ່ກັບຄວາມຊົງຈຳ ແລະ ປະສົບການຂອງພະນັກງານຜູ້ຮັບຜິດຊອບ. ຜົນກໍຄື, ຍອດຄ້າງຊຳລະເກົ່າໆ ມັກຈະຖືກປະປ່ອຍປະລະເລີຍໂດຍບໍ່ມີການແຈ້ງເຕືອນ, ເຊິ່ງໃນທີ່ສຸດກໍເຮັດໃຫ້ເກີດກໍລະນີໜີ້ສູນໃນອັດຕາສ່ວນທີ່ແນ່ນອນ.

ໃນສະໜາມການຄ້າຂອງລາວ, ທັງເງິນ LAK (ລາວ ກີບ) ແລະ USD ແມ່ນຖືກນຳໃຊ້ໃນຊີວິດປະຈຳວັນ. ໃນການຄ້າຊາຍແດນ ຫຼື ການເຮັດທຸລະກຳກັບຜູ້ສະໜອງຕ່າງປະເທດ, ການຕັ້ງລາຄາເປັນ USD ແມ່ນມີຫຼາຍ, ໃນຂະນະທີ່ການຂາຍຍ່ອຍພາຍໃນ ແລະ ທຸລະກິດບໍລິການຈະໃຊ້ LAK ເປັນຫຼັກ. ມັນເປັນເລື່ອງປົກກະຕິທີ່ບໍລິສັດດຽວຈະມີການຮຽກເກັບເງິນທັງສອງສະກຸນເງິນຄຽງຄູ່ກັນ, ເຊິ່ງການຈັດການກຳໄລ-ຂາດທຶນຈາກອັດຕາແລກປ່ຽນຈະເຮັດໃຫ້ເຫດຜົນໃນການລ້າງບັນຊີ (消込ロジック) ມີຄວາມຊັບຊ້ອນຫຼາຍຂຶ້ນ.

ໃບແຈ້ງຍອດທະນາຄານຈະມີສະກຸນເງິນທີ່ກຳນົດໄວ້ຕາຍຕົວຕາມແຕ່ລະບັນຊີ, ແຕ່ຫາກຄູ່ຄ້າເກີດມີກໍລະນີບໍ່ປົກກະຕິ ເຊັ່ນ: "ຊຳລະເປັນ LAK ຕໍ່ໃບແຈ້ງໜີ້ທີ່ເປັນ USD" ຫຼື "ໂອນເງິນສ່ວນເກີນເປັນທຸລະກຳແຍກຕ່າງຫາກ", ການກວດສອບຄວາມຖືກຕ້ອງຈະກາຍເປັນເລື່ອງຍາກໃນທັນທີ. ພະນັກງານບັນຊີຈຳເປັນຕ້ອງກວດສອບອັດຕາແລກປ່ຽນ TT ຂອງວັນທີທີ່ເງິນເຂົ້າ, ຕັດສິນໃຈວິທີການຈັດການກັບຈຳນວນເງິນສ່ວນເກີນ, ແລະ ດຳເນີນການຫຼາຍຂັ້ນຕອນເພື່ອປຽບທຽບກັບໃບແຈ້ງໜີ້ໃນທຸກໆຄັ້ງ.

ໃນບໍລິສັດການຄ້າສັນຊາດຍີ່ປຸ່ນແຫ່ງໜຶ່ງທີ່ພວກເຮົາໄດ້ໃຫ້ການສະໜັບສະໜູນໃນລາວ, ມີກໍລະນີທີ່ພົບເຫັນຍອດຄ້າງຊຳລະທີ່ຍັງບໍ່ທັນໄດ້ລ້າງບັນຊີຫຼາຍກວ່າ 200 ລາຍການໃນຊ່ວງການກວດນັບສິນຄ້າຄົງຄັງທ້າຍງວດ ເນື່ອງຈາກຄວາມຜິດພາດໃນການກວດສອບ, ເຊິ່ງຕ້ອງໃຊ້ເວລາເຖິງ 1 ອາທິດເຕັມໃນການແກ້ໄຂ. ນີ້ບໍ່ແມ່ນກໍລະນີຍົກເວັ້ນ, ແຕ່ເປັນບັນຫາດ້ານໂຄງສ້າງທີ່ຈະເກີດຂຶ້ນເປັນໄລຍະຕາບໃດທີ່ຍັງມີການດຳເນີນງານດ້ວຍຫຼາຍສະກຸນເງິນ.

ວຽກງານການເກັບໜີ້ ແລະ ການທວງໜີ້ທີ່ສາມາດປ່ຽນແທນດ້ວຍ AI ນັ້ນ ສາມາດແບ່ງອອກໄດ້ເປັນ 3 ຂົງເຂດໃຫຍ່ ຄື: "ການກວດສອບຄວາມຖືກຕ້ອງ", "ການທວງໜີ້" ແລະ "ການໃຫ້ສິນເຊື່ອ". ເຄັດລັບໃນການນຳມາໃຊ້ໃຫ້ປະສົບຜົນສຳເລັດ ຄືການເລືອກຂົງເຂດທີ່ຈະນຳມາໃຊ້ ຫຼັງຈາກທີ່ໄດ້ລະບຸຟັງຊັນ AI ທີ່ສອດຄ່ອງກັບແຕ່ລະວຽກງານ ແລະ ຜົນປະໂຫຍດທີ່ຄາດຫວັງໄວ້ໃຫ້ຊັດເຈນແລ້ວ.

ການກວດສອບການຝາກເງິນແມ່ນຂົງເຂດທີ່ການອັດຕະໂນມັດດ້ວຍ AI ຈະເຫັນຜົນໄດ້ຊັດເຈນທີ່ສຸດ. ການຈັບຄູ່ລາຍລະອຽດໃນໃບແຈ້ງຍອດທະນາຄານ (ຊື່ຜູ້ໂອນ, ເລກອ້າງອີງ) ກັບຖານຂໍ້ມູນລູກຄ້າໃນບັນຊີລາຍການຮຽກເກັບເງິນ ເພື່ອລະບຸຕົວຕົນລູກຄ້າຄົນດຽວກັນນັ້ນ ແມ່ນຂົງເຂດທີ່ຟັງຊັນການຈັບຄູ່ໂດຍອີງໃສ່ Machine Learning ມີຄວາມຊ່ຽວຊານ.

ໃນດ້ານການຈັດຕັ້ງປະຕິບັດ, ຈະນຳໃຊ້ປະຫວັດການຕັດຍອດໃນອະດີດມາເປັນຂໍ້ມູນໃນການຮຽນຮູ້, ໂດຍມີການປ່ຽນຮູບແບບຊື່ຜູ້ໂອນທີ່ມີຄວາມແຕກຕ່າງກັນ (ເຊັ່ນ: ຊື່ຫຍໍ້, ການປົນກັນລະຫວ່າງຕົວອັກສອນລາຕິນ ແລະ ຕົວອັກສອນລາວ, ການລະເວັ້ນຮູບແບບບໍລິສັດ) ໃຫ້ກາຍເປັນຄີມາດຕະຖານ (Normalization key) ທີ່ເປັນເອກະພາບ. ສຳລັບການຮອງຮັບຫຼາຍສະກຸນເງິນ, ລະບົບຈະນຳໃຊ້ອັດຕາແລກປ່ຽນ TT ຂອງວັນທີຝາກເງິນໂດຍອັດຕະໂນມັດ ແລະ ກຳນົດຂອບເຂດຄວາມຜິດພາດທີ່ຍອມຮັບໄດ້ ເພື່ອກຳນົດຄ່າ Threshold ສຳລັບການຕັດຍອດອັດຕະໂນມັດ.

ບັນທຶກຂໍ້ມູນທີ່ມີຄວາມຖືກຕ້ອງສູງກວ່າຄ່າ Threshold ຈະຖືກຕັດຍອດໂດຍອັດຕະໂນມັດ, ສ່ວນລາຍການທີ່ມີຄວາມຖືກຕ້ອງຕ່ຳຈະຖືກສົ່ງໄປຍັງໜ້າຈໍກວດສອບຂອງພະນັກງານທີ່ຮັບຜິດຊອບ. ໃນຫຼາຍກໍລະນີ, 70-80% ຂອງລາຍການສາມາດຕັດຍອດໄດ້ໂດຍອັດຕະໂນມັດ, ເຮັດໃຫ້ພະນັກງານສາມາດສຸມໃສ່ສະເພາະ "ລາຍການທີ່ຈຳເປັນຕ້ອງມີການຕັດສິນໃຈ" ເທົ່ານັ້ນ.

ການທວງຖາມໜີ້ສິນແມ່ນ AI ຈະມີສ່ວນຊ່ວຍໃນການປັບປຸງຄວາມຫຼາກຫຼາຍຂອງການສ້າງຂໍ້ຄວາມ ແລະ ການເພີ່ມປະສິດທິພາບຂອງເວລາໃນການສົ່ງ. ຮູບແບບມາດຕະຖານແມ່ນການກຳນົດຄວາມເຂັ້ມງວດໃນການທວງຖາມໂດຍອີງໃສ່ຈຳນວນມື້ທີ່ຄ້າງຊຳລະ, ຂະໜາດຂອງທຸລະກຳ ແລະ ປະຫວັດການຊຳລະເງິນທີ່ຜ່ານມາ, ຈາກນັ້ນໃຫ້ LLM ສ້າງເນື້ອໃນຂໍ້ຄວາມດ້ວຍໂທນສຽງທີ່ເໝາະສົມທັງພາສາລາວ, ພາສາອັງກິດ ແລະ ພາສາຢີ່ປຸ່ນ.

ສຳລັບເວລາໃນການສົ່ງນັ້ນ, ລະບົບຈະຮຽນຮູ້ຮອບວຽນການຊຳລະເງິນຂອງບໍລິສັດຄູ່ຄ້າ (ຖ້າຫາກມີການຊຳລະເງິນໃນທ້າຍເດືອນຫຼາຍ, ລະບົບຈະແຈ້ງເຕືອນກ່ອນ 3 ວັນເຮັດວຽກຂອງທ້າຍເດືອນ) ແລະ ປັບປ່ຽນເພື່ອບໍ່ໃຫ້ການແຈ້ງເຕືອນໄວເກີນໄປຈົນສົ່ງຜົນເສຍຕໍ່ຄວາມສຳພັນ. ເນື່ອງຈາກຊ່ອງທາງການທວງຖາມມີຄວາມແຕກຕ່າງກັນໄປໃນແຕ່ລະຄູ່ຄ້າ ເຊັ່ນ: ອີເມວ, SMS, LINE, WhatsApp ແລະ ການຕິດຕໍ່ຜ່ານ BCEL One, ຈຶ່ງຈຳເປັນຕ້ອງມີການອອກແບບໃຫ້ເຊື່ອມຕໍ່ກັບ CRM ເພື່ອເລືອກຊ່ອງທາງທີ່ເໝາະສົມທີ່ສຸດ.

ສິ່ງທີ່ສຳຄັນຄື ການເລີ່ມຕົ້ນດ້ວຍຂະບວນການແບບເຄິ່ງອັດຕະໂນມັດ ໂດຍ "ຕ້ອງໃຫ້ມະນຸດກວດສອບເນື້ອໃນທີ່ສ້າງຂຶ້ນກ່ອນສົ່ງທຸກຄັ້ງ". ຖ້າຫາກປ່ອຍໃຫ້ເປັນການສົ່ງແບບອັດຕະໂນມັດທັງໝົດໃນທັນທີ, ອາດຈະມີຄວາມສ່ຽງທີ່ຂໍ້ຄວາມທີ່ມີໂທນສຽງບໍ່ເໝາະສົມຈະສົ່ງຜົນເສຍຕໍ່ຄວາມສຳພັນໄດ້.

ການກວດສອບສິນເຊື່ອຂອງລູກຄ້າໃໝ່ ຫຼື ການທົບທວນວົງເງິນສິນເຊື່ອຂອງລູກຄ້າທີ່ມີຢູ່ແລ້ວ, ແຕ່ກ່ອນແມ່ນວຽກງານທີ່ອີງໃສ່ລາຍເດືອນ ຫຼື ລາຍໄຕມາດ ເຊິ່ງຕ້ອງລໍຖ້າການຕັດສິນໃຈຈາກຝ່າຍບໍລິຫານ. ເມື່ອນຳໃຊ້ AI ເຂົ້າມາ, ທ່ານສາມາດປ່ຽນໄປສູ່ການດຳເນີນງານທີ່ໃຫ້ຄະແນນຢ່າງຕໍ່ເນື່ອງ ໂດຍການນຳເອົາປະຫວັດການຊຳລະເງິນທີ່ຊັກຊ້າໃນອະດີດ, ການປ່ຽນແປງຂອງປະລິມານການຊື້ຂາຍ, ແລະ ອັດຕາການຄ້າງຊຳລະຕາມປະເພດທຸລະກິດມາຄຳນວນຮ່ວມກັນ.

ການປັບປ່ຽນວົງເງິນແບບເຄື່ອນໄຫວ ເປັນປະເດັນທີ່ມັກເກີດຄວາມຂັດແຍ່ງລະຫວ່າງຝ່າຍຂາຍທີ່ຕ້ອງການເພີ່ມຍອດຂາຍ ກັບ ຝ່າຍບັນຊີທີ່ຕ້ອງການຄວບຄຸມຄວາມສ່ຽງໃນການເກັບໜີ້. ຖ້າຫາກມີການລະບຸຄະແນນ ແລະ ກົດເກນຢ່າງຊັດເຈນ, ທັງສອງພາກສ່ວນຈະສາມາດເບິ່ງຂໍ້ມູນດຽວກັນເພື່ອຕັດສິນໃຈໄດ້, ເຮັດໃຫ້ການປະຊຸມກວດສອບສິນເຊື່ອປະຈຳເດືອນໃຊ້ເວລາສັ້ນລົງ.

ສຳລັບລັກສະນະສະເພາະຂອງຕະຫຼາດລາວ, ກົນໄກທີ່ສາມາດດຶງຂໍ້ມູນສິນເຊື່ອຂອງຄູ່ຄ້າຈາກອົງການອິດສະຫຼະຍັງມີຈຳກັດ. ດ້ວຍເຫດນີ້, ຈຶ່ງຄວນໃຫ້ຄວາມສຳຄັນກັບຈຸດທີ່ວ່າ ຂໍ້ມູນພາຍໃນບໍລິສັດ ແລະ ປະຫວັດການຊື້ຂາຍທີ່ໄດ້ຈາກ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ການຊຳລະເງິນໃນທ້ອງຖິ່ນ ຈະກາຍເປັນແຫຼ່ງຂໍ້ມູນຫຼັກໃນການຕັດສິນໃຈດ້ານສິນເຊື່ອ.

ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ການຊຳລະເງິນຂອງລາວ ແມ່ນປະກອບຂຶ້ນຈາກການຮ່ວມມືລະຫວ່າງທະນາຄານຫຼັກ ເຊິ່ງມີ BCEL (Banque Pour Le Commerce Extérieur Lao Public) ເປັນຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ແລະ ເຄືອຂ່າຍການຊຳລະເງິນແຫ່ງຊາດ LAPNet. ຄວາມສຳເລັດ ຫຼື ຄວາມລົ້ມເຫຼວຂອງການເຮັດອັດຕະໂນມັດດ້ວຍ AI ແມ່ນຂຶ້ນຢູ່ກັບວ່າຈະສາມາດນຳຂໍ້ມູນການຝາກເງິນຈາກໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ການຊຳລະເງິນນີ້ເຂົ້າມາໃນລະບົບຢ່າງເປັນກົນໄກໄດ້ຫຼາຍໜ້ອຍພຽງໃດ.

BCEL One ແມ່ນແອັບພລິເຄຊັນທະນາຄານເທິງມືຖືສຳລັບນິຕິບຸກຄົນ ແລະ ບຸກຄົນທົ່ວໄປ ເຊິ່ງສາມາດຈັດການລາຍການເງິນຝາກ ແລະ ການໂອນເງິນໄດ້. LAPNet ແມ່ນເຄືອຂ່າຍການຊຳລະເງິນລະຫວ່າງທະນາຄານທີ່ດຳເນີນງານໂດຍບໍລິສັດ Lao National Payment Network ເຊິ່ງເປັນ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ທີ່ຮ່ວມທຶນໂດຍທະນາຄານແຫ່ງ ສປປ ລາວ (Bank of the Lao PDR) ແລະ ທະນາຄານຫຼັກໆລວມເຖິງ BCEL, ໂດຍໄດ້ເຊື່ອມໂຍງລະບົບ ATM, ການຊຳລະເງິນຜ່ານ QR ແລະ ການໂອນເງິນລະຫວ່າງທະນາຄານເຂົ້າໄວ້ນຳກັນ (ທີ່ມາ: LapNET | BCEL 公式).

ການຈັດຕັ້ງປະຕິບັດການນຳເຂົ້າຂໍ້ມູນເງິນຝາກໃນປັດຈຸບັນ, ຮູບແບບທີ່ເປັນໄປໄດ້ຫຼາຍທີ່ສຸດແມ່ນການດຶງຂໍ້ມູນລາຍການເຄື່ອນໄຫວ (CSV / Excel) ທີ່ BCEL ສະໜອງໃຫ້ແກ່ລູກຄ້າອົງກອນເປັນໄລຍະ, ຈາກນັ້ນນຳມາປັບໃຫ້ເປັນມາດຕະຖານ ແລະ ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ ລະບົບການຕັດຍອດ. ເນື່ອງຈາກການເຊື່ອມຕໍ່ຜ່ານ API ຕ້ອງມີການເຮັດສັນຍາສະເພາະກັບທາງທະນາຄານ, ດັ່ງນັ້ນຫຼາຍກໍລະນີຈຶ່ງມັກເລີ່ມຕົ້ນຈາກການເຮັດໃຫ້ການດາວໂຫຼດລາຍການເຄື່ອນໄຫວເປັນແບບອັດຕະໂນມັດກ່ອນ.

ສຳລັບຄູ່ຄ້າທີ່ມີການຊຳລະເງິນຜ່ານ QR ຜ່ານ LAPNet ເພີ່ມຂຶ້ນ, ເນື່ອງຈາກສາມາດດຶງໝາຍເລກອ້າງອີງຈາກລາຍການເຄື່ອນໄຫວຂອງ BCEL One ໄດ້, ການອອກແບບໂດຍການຝັງໝາຍເລກດັ່ງກ່າວລົງໃນໃບເກັບເງິນລ່ວງໜ້າເພື່ອເພີ່ມຄວາມຖືກຕ້ອງໃນການກວດສອບຈຶ່ງເປັນວິທີທີ່ມີປະສິດທິຜົນ.

ຂໍ້ມູນການຮັບເງິນທີ່ນຳເຂົ້າຈະຕ້ອງໄດ້ ເຊື່ອມຕໍ່ ຫຼື ຊິງຄ໌ຂໍ້ມູນ ກັບຊອບແວບັນຊີ (SAP Business One / Odoo / ERPNext ແລະ ອື່ນໆ) ຫຼື ໂມດູນການຈັດການລູກໜີ້ຂອງ ERP ພາຍໃນບໍລິສັດ. ວິທີການ ເຊື່ອມຕໍ່ ຫຼື ຊິງຄ໌ຂໍ້ມູນ ມີ 2 ຮູບແບບຄື: "ການປ້ອນຂໍ້ມູນແບບລວມຍອດເປັນຊຸດປະຈຳວັນ" ແລະ "ການສະທ້ອນຂໍ້ມູນທັນທີຜ່ານ Webhook ແບບ Real-time" ເຊິ່ງສາມາດເລືອກໄດ້ຕາມປະລິມານທຸລະກຳ ແລະ ຄວາມໄວທີ່ຕ້ອງການ.

ເນື່ອງຈາກກໍລະນີທີ່ຊື່ຜູ້ໂອນໃນໃບແຈ້ງຍອດທະນາຄານບໍ່ກົງກັບຖານຂໍ້ມູນລູກຄ້າໃນຊອບແວບັນຊີແມ່ນເປັນສິ່ງທີ່ຫຼີກລ່ຽງບໍ່ໄດ້, ການອອກແບບ 正規化キー (Normalization Key) ກ່ອນການເຊື່ອມຕໍ່ຖານຂໍ້ມູນຈຶ່ງເປັນ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ. ການນຳໃຊ້ຕາຕະລາງ Mapping ທີ່ເຊື່ອມໂຍງລະຫວ່າງ ID ລູກຄ້າ + ຮູບແບບການຂຽນຊື່ທີ່ແຕກຕ່າງກັນ, ພ້ອມກັບລະບົບທີ່ AI ຈະກວດພົບຮູບແບບການຂຽນໃໝ່ໆ ແລ້ວໃຫ້ພະນັກງານຮັບຜິດຊອບກົດອະນຸມັດເພື່ອເພີ່ມເຂົ້າໃນຕາຕະລາງໂດຍອັດຕະໂນມັດນັ້ນ ແມ່ນວິທີການທີ່ນຳໃຊ້ໄດ້ງ່າຍ.

ລາຍລະອຽດເພີ່ມເຕີມກ່ຽວກັບການເຊື່ອມໂຍງ ERP ໄດ້ກ່າວໄວ້ໃນບົດຄວາມທີ່ກ່ຽວຂ້ອງ "ວິທີການທີ່ວິສາຫະກິດຂະໜາດກາງໃນລາວຈະເຊື່ອມໂຍງວຽກງານຫຼັກດ້ວຍ ERP × AI" ເຊິ່ງຫາກທ່ານກຳລັງພິຈາລະນາການເຮັດ DX ດ້ານບັນຊີ, HR ແລະ ສາງສິນຄ້າໄປພ້ອມໆກັນ ກໍສາມາດອ້າງອີງຈາກບົດຄວາມດັ່ງກ່າວໄດ້.

ການນຳໃຊ້ AI ມາອັດຕະໂນມັດບໍ່ຄວນປ່ຽນແທນທຸກວຽກງານໃນຄັ້ງດຽວ, ແຕ່ຄວນເລືອກພຽງ 1 ຂົງເຂດເພື່ອທົດລອງປະຕິບັດງານ (Pilot) ເປັນເວລາ 2-3 ເດືອນ ເພື່ອຢືນຢັນຜົນລັັບ, ຈາກນັ້ນຈຶ່ງຂະຫຍາຍໄປສູ່ຂົງເຂດອື່ນໆຕາມຂັ້ນຕອນ ເຊິ່ງເປັນວິທີການທີ່ງ່າຍຕໍ່ການປະສົບຜົນສຳເລັດ. ກ່ອນຈະເລີ່ມຕົ້ນແບບຂະໜາດນ້ອຍ (Small start), ຄວນເຮັດການເບິ່ງເຫັນພາບລວມຂອງຂະບວນການເຮັດວຽກໃນປັດຈຸບັນ ແລະ ອອກແບບ KPI ໃຫ້ຊັດເຈນ.

ເຖິງແມ່ນວ່າຈະນຳເອົາ AI ມາໃຊ້ໃນຂະບວນການເຮັດວຽກທີ່ຍັງຂຶ້ນກັບບຸກຄົນໃດໜຶ່ງ (Personalized) ກໍຕາມ, ມັນກໍເປັນພຽງການອັດຕະໂນມັດບັນຫາທີ່ມີຢູ່ແລ້ວໃຫ້ດຳເນີນຕໍ່ໄປ ເຊິ່ງຈະເຮັດໃຫ້ຜົນຂອງການປັບປຸງມີຈຳກັດ. ກ່ອນການນຳໃຊ້, ຈຸດເລີ່ມຕົ້ນແມ່ນການຂຽນຂະບວນການຕັ້ງແຕ່ການອອກໃບແຈ້ງໜີ້, ການກວດສອບການຮັບເງິນ, ການຕັດຍອດ, ຈົນເຖິງການທວງຖາມ ໃຫ້ອອກມາເປັນແຜນວາດດຽວ ແລະ ໃຫ້ຜູ້ກ່ຽວຂ້ອງທຸກຄົນເຫັນດີນຳກັນ.

ເມື່ອເຮັດໃຫ້ຂະບວນການເຫັນພາບໄດ້ຊັດເຈນ (Visualize), ຈຸດທີ່ຍັງບໍ່ໄດ້ມາດຕະຖານຈະປາກົດອອກມາ ເຊັ່ນ: "ຝ່າຍຂາຍ ແລະ ຝ່າຍບັນຊີຕ່າງຄົນຕ່າງກວດສອບວຽກດຽວກັນ" ຫຼື "ມີລູກຄ້າບາງລາຍທີ່ບໍ່ຜ່ານການກວດສອບຈາກຝ່າຍຂາຍກ່ອນການທວງຖາມ". ຖ້າປັບໃຫ້ສິ່ງເຫຼົ່ານີ້ເຂົ້າສູ່ຂະບວນການມາດຕະຖານກ່ອນການນຳໃຊ້ AI ເພື່ອເຮັດອັດຕະໂນມັດ, ການອອກແບບຂະບວນການໃນຂັ້ນຕອນຕໍ່ໄປຈະງ່າຍຂຶ້ນຫຼາຍ.

ໃນກໍລະນີຂອງບໍລິສັດຜູ້ຜະລິດຍີ່ປຸ່ນທີ່ພວກເຮົາໄດ້ໃຫ້ການຊ່ວຍເຫຼືອ, ພຽງແຕ່ການຈັດກອງປະຊຸມເພື່ອເຮັດໃຫ້ຂະບວນການເຫັນພາບໄດ້ຊັດເຈນ ກໍເຮັດໃຫ້ພົບຄວາມຈິງທີ່ວ່າ "ຄວາມຈິງແລ້ວ 30% ຂອງໃບແຈ້ງໜີ້ບໍ່ໄດ້ຖືກສົ່ງໂດຍຝ່າຍຂາຍ" ເຊິ່ງເຮັດໃຫ້ຄວາມໄວໃນການເກັບເງິນດີຂຶ້ນພຽງແຕ່ການປັບປຸງຂະບວນການເຮັດວຽກກ່ອນການນຳໃຊ້ AI ເທົ່ານັ້ນ. AI ສາມາດເຮັດອັດຕະໂນມັດໃນຈຸດທີ່ເປັນຄໍຂວດ (Bottleneck) ໄດ້, ແຕ່ບໍ່ສາມາດແກ້ໄຂບັນຫາທີ່ຍັງບໍ່ທັນຖືກເປີດເຜີຍອອກມາໄດ້.

ຂອບເຂດຂອງການທົດລອງ (Pilot) ຄວນຈຳກັດໄວ້ພຽງແຕ່ 1 ຂົງເຂດເທົ່ານັ້ນ ເຊັ່ນ: "ການເຮັດໃຫ້ການກວດສອບການຝາກເງິນເປັນອັດຕະໂນມັດ" ເປັນຕົ້ນ. ຖ້າດຳເນີນການຫຼາຍຂົງເຂດພ້ອມກັນ, ເມື່ອບໍ່ເຫັນຜົນລັດທີ່ຊັດເຈນ ກໍຈະເຮັດໃຫ້ບໍ່ສາມາດແຍກແຍະສາເຫດໄດ້.

ເມື່ອກຳນົດຂອບເຂດໄດ້ແລ້ວ, ໃຫ້ກຳນົດ KPI ທີ່ຈະຕິດຕາມໃນລະຫວ່າງໄລຍະທົດລອງໄວ້ລ່ວງໜ້າ. ຖ້າເປັນການກວດສອບການຝາກເງິນ, ໃຫ້ຕັ້ງຄ່າຂັ້ນຕໍ່າ 3 ຢ່າງຄື: "ອັດຕາການລຶບລ້າງລາຍການອັດຕະໂນມັດ (ອັດຕາສ່ວນຕໍ່ຈຳນວນທັງໝົດ)", "ເວລາການເຮັດວຽກຂອງພະນັກງານທີ່ຮັບຜິດຊອບການກວດສອບ (ລາຍເດືອນ)" ແລະ "ຈຳນວນກໍລະນີທີ່ເກີດຂໍ້ຜິດພາດ". ຖ້າບໍ່ມີເປົ້າໝາຍທີ່ເປັນຕົວເລກຊັດເຈນ, ການປະເມີນຜົນກໍຈະຈົບລົງດ້ວຍຄວາມຮູ້ສຶກສ່ວນຕົວຂອງຜູ້ກ່ຽວຂ້ອງ ເຊັ່ນ: "ຮູ້ສຶກວ່າດີຂຶ້ນ" ຫຼື "ຮູ້ສຶກວ່າບໍ່ມີຫຍັງປ່ຽນແປງ".

ໄລຍະເວລາທົດລອງທີ່ເໝາະສົມແມ່ນປະມານ 2-3 ເດືອນ. ຖ້າໃຊ້ເວລາພຽງ 1 ເດືອນ ຈະບໍ່ສາມາດແຍກແຍະຜົນກະທົບຈາກລະດູການ ຫຼື ການເຮັດທຸລະກຳທີ່ບໍ່ປົກກະຕິໄດ້, ແລະ ຖ້າໃຊ້ເວລາຫຼາຍກວ່າເຄິ່ງປີ ກໍຈະມີຄວາມສ່ຽງສູງທີ່ແຮງຈູງໃຈຂອງຜູ້ກ່ຽວຂ້ອງຈະຫຼຸດລົງ ຈົນບໍ່ສາມາດໄປເຖິງຂັ້ນຕອນການນຳໃຊ້ງານຈິງໄດ້.

AI ອັດຕະໂນມັດບໍ່ໄດ້ມີແຕ່ຂໍ້ດີເທົ່ານັ້ນ. ຫາກມີການຂັດແຍ່ງກັບທຸລະກຳທ້ອງຖິ່ນ ຫຼື ລະບົບກົດໝາຍ ກໍອາດນຳໄປສູ່ການເສື່ອມເສຍຄວາມສຳພັນ ແລະ ການລະເມີດກົດລະບຽບ (Compliance). ຈຳເປັນຕ້ອງມີການວາງລະບົບການຈັດການຄວາມສ່ຽງຄວບຄູ່ໄປກັບການນຳໃຊ້.

ໃນການດຳເນີນທຸລະກິດຢູ່ລາວ, ຄວາມສຳພັນລະຫວ່າງບຸກຄົນກັບຄູ່ຄ້າແມ່ນພື້ນຖານຂອງການຄ້າໄລຍະຍາວ. ຖ້າໂທນສຽງຂອງຂໍ້ຄວາມທວງຖາມໜີ້ມີຄວາມຮຸນແຮງເກີນໄປ, ຄວາມສຳພັນອາດຈະພັງທະລາຍລົງໄດ້ພຽງຍ້ອນການຄ້າງຊຳລະພຽງຄັ້ງດຽວ. ໂດຍສະເພາະ, ການສົ່ງຂໍ້ຄວາມທວງຖາມແບບກົນຈັກ ຫຼື ແບບທາງການເກີນໄປໃຫ້ກັບຄູ່ຄ້າທີ່ຮູ້ຈັກກັນມາໂດນນານ ອາດເຮັດໃຫ້ສູນເສຍຄວາມເຊື່ອໝັ້ນໄດ້.

ຂໍ້ຄວາມທີ່ AI ສ້າງຂຶ້ນນັ້ນ ບໍ່ພຽງແຕ່ຕ້ອງພິຈາລະນາເຖິງຈຳນວນວັນທີ່ຄ້າງຊຳລະ ຫຼື ຈຳນວນເງິນເທົ່ານັ້ນ, ແຕ່ຍັງຕ້ອງປັບປ່ຽນໂດຍອີງໃສ່ໄລຍະເວລາທີ່ຮ່ວມທຸລະກິດ, ປະຫວັດການຊຳລະເງິນທີ່ຜ່ານມາ ແລະ ການຄຳນຶງເຖິງວັດທະນະທຳທ້ອງຖິ່ນ (ວິທີການໃຊ້ຄຳສຸພາບ, ການປະຕິບັດຕໍ່ຜູ້ອາວຸໂສ). ຂໍ້ຄວາມທວງຖາມທີ່ເປັນພຽງການແປດ້ວຍເຄື່ອງມືແປພາສາຈາກຕົ້ນສະບັບພາສາຍີ່ປຸ່ນນັ້ນ ມັກຈະສ້າງຄວາມຮູ້ສຶກທີ່ບໍ່ສຸພາບ ແລະ ຄວນຫຼີກລ່ຽງ.

ໃນການນຳໃຊ້ຕົວຈິງ, ການອອກແບບລະບົບໂດຍໃຫ້ AI ນຳໃຊ້ຊຸດຕົວຢ່າງຂໍ້ຄວາມທີ່ຜ່ານການກວດສອບໂດຍພະນັກງານທ້ອງຖິ່ນ, ຈາກນັ້ນໃຫ້ LLM ເລືອກ ແລະ ປັບແຕ່ງຕົວຢ່າງຂໍ້ຄວາມທີ່ເໝາະສົມທີ່ສຸດຕາມຮູບແບບການຄ້າງຊຳລະນັ້ນຖືວ່າໄດ້ຜົນດີ. ການເລືອກຈາກຫຼາກຫຼາຍຕົວຢ່າງຂໍ້ຄວາມຈະໃຫ້ຄຸນນະພາບທີ່ຄົງທີ່ກວ່າການໃຫ້ AI ສ້າງຂຶ້ນໃໝ່ທັງໝົດ.

ລາວຢູ່ໃນໄລຍະຫັນປ່ຽນທີ່ກົດໝາຍວ່າດ້ວຍການປົກປ້ອງຂໍ້ມູນສ່ວນບຸກຄົນພາຍໃນ ASEAN ກຳລັງມີການພັດທະນາ, ເຮັດໃຫ້ການອອກແບບລະບົບໃນການຈັດການຂໍ້ມູນຄູ່ຄ້າ ແລະ ຂໍ້ມູນການຊຳລະເງິນຕ້ອງມີຄວາມລະມັດລະວັງເປັນພິເສດ. ໂດຍສະເພາະໃນກໍລະນີທີ່ມີການສົ່ງຂໍ້ມູນລູກຄ້າໄປຍັງບໍລິການ AI ທີ່ຢູ່ເທິງ Cloud, ຖ້າບໍ່ມີການລະບຸສະຖານທີ່ຈັດເກັບຂໍ້ມູນ, ໄລຍະເວລາໃນການຮັກສາຂໍ້ມູນ ແລະ ສິດທິໃນການເຂົ້າເຖິງຂໍ້ມູນໃຫ້ຊັດເຈນ, ກໍອາດຈະມີຄວາມສ່ຽງທີ່ຈະຖືກຕຳນິຈາກພະແນກປະຕິບັດຕາມກົດລະບຽບ (Compliance) ຂອງສຳນັກງານໃຫຍ່ໃນພາຍຫຼັງ.

ຢ່າງໜ້ອຍທີ່ສຸດ, ຄວນຈັດການ 3 ຈຸດນີ້ໃຫ້ຮຽບຮ້ອຍກ່ອນການນຳໃຊ້: ທີໜຶ່ງ, ຂອບເຂດຂອງຂໍ້ມູນທີ່ຈະນຳໃຊ້ໃນການປະມວນຜົນ AI (ຈະລວມເອົາຊື່ບຸກຄົນ, ເລກບັນຊີ, ຫຼື ຍອດເງິນທຸລະກຳໃດແດ່). ທີສອງ, ສະຖານທີ່ຈັດເກັບຂໍ້ມູນ (ຢູ່ໃນລາວ ຫຼື Cloud ຕ່າງປະເທດ, ແລະ ສອດຄ່ອງກັບນະໂຍບາຍຂອງສຳນັກງານໃຫຍ່ຫຼືບໍ່). ທີສາມ, ຂອບເຂດການນຳໃຊ້ຂໍ້ມູນຂອງຝ່າຍຜູ້ໃຫ້ບໍລິການ AI (ມີສັນຍາທີ່ສາມາດປະຕິເສດການນຳໃຊ້ຂໍ້ມູນເພື່ອການຮຽນຮູ້ຂອງ AI ໄດ້ຫຼືບໍ່).

ບົດຄວາມທີ່ກ່ຽວຂ້ອງ "ຈະນຳໃຊ້ AI ຢ່າງປອດໄພໃນລາວໄດ້ແນວໃດ? ຄູ່ມືພາກປະຕິບັດການປົກປ້ອງຂໍ້ມູນສ່ວນບຸກຄົນ" ໄດ້ສະຫຼຸບການຮັບມືກັບວຽກງານຕົວຈິງດ້ານການປົກປ້ອງຂໍ້ມູນສ່ວນບຸກຄົນໃນລາວໄວ້ແລ້ວ, ກະລຸນາອ້າງອີງໃນເວລາອອກແບບການຄຸ້ມຄອງຂໍ້ມູນ (Data Governance).

ການນຳໃຊ້ AI ອັດຕະໂນມັດບໍ່ແມ່ນພຽງແຕ່ການຕິດຕັ້ງແລ້ວຈົບໄປ, ແຕ່ຕ້ອງດຳເນີນການເປັນຂະບວນການໂດຍການວັດແທກ KPI ຢ່າງສະໝໍ່າສະເໝີ ແລະ ໝູນວຽນຮອບວຽນການປັບປຸງໃນທຸກໆເດືອນ. ໃນພາກນີ້ ຈະສະແດງໃຫ້ເຫັນເຖິງຊຸດ KPI ຂັ້ນຕໍ່າ ແລະ ຮອບວຽນການທົບທວນຄືນ.

KPI ທີ່ຄວນຕິດຕາມໃນການນຳ AI ມາໃຊ້ກັບວຽກງານລູກໜີ້ ແລະ ການທວງຖາມນັ້ນ ສາມາດຈັດກຸ່ມໃຫ້ງ່າຍຕໍ່ການນຳໄປໃຊ້ງານໄດ້ 3 ປະເພດ ດັ່ງນີ້:

• ຄວາມໄວໃນການເກັບເງິນ: DSO (Days Sales Outstanding: ຈຳນວນມື້ສະເລ່ຍນັບແຕ່ການຂາຍຈົນເຖິງການເກັບເງິນໄດ້). ເຖິງແມ່ນວ່າຄ່າເປົ້າໝາຍຈະແຕກຕ່າງກັນໄປຕາມປະເພດທຸລະກິດ, ແຕ່ສຳລັບບໍລິສັດຜູ້ຜະລິດຍີ່ປຸ່ນແລ້ວ 45-60 ມື້ ແມ່ນມາດຕະຖານໜຶ່ງທີ່ໃຊ້ເປັນເກນ.
• ສຸຂະພາບຂອງການເກັບເງິນ: ອັດຕາການຄ້າງຊຳລະ (ຍອດເງິນຄ້າງຊຳລະ / ຍອດລູກໜີ້ຄົງຄ້າງທ້າຍງວດ), ອັດຕາໜີ້ສູນ (ຍອດຕັດໜີ້ສູນ / ຍອດຂາຍຕໍ່ປີ). ເປັນດັດຊະນີທີ່ໃຊ້ວັດແທກຄວາມສ່ຽງໃນການເກັບເງິນໃນໄລຍະຍາວ.
• ປະສິດທິພາບການເຮັດວຽກ: ອັດຕາການຕັດຍອດອັດຕະໂນມັດ, ເວລາທີ່ພະນັກງານໃຊ້ໃນການຕັດຍອດ, ຈຳນວນກໍລະນີການທວງຖາມ / ຕໍ່ຄົນຕໍ່ເດືອນ. ເປັນດັດຊະນີທີ່ເຊື່ອມໂຍງໂດຍກົງກັບຜົນປະໂຫຍດດ້ານການຫຼຸດຜ່ອນຕົ້ນທຶນແຮງງານ.

ໃນກໍລະນີຂອງບໍລິສັດການຄ້າສັນຊາດຍີ່ປຸ່ນທີ່ບໍລິສັດເຮົາໄດ້ໃຫ້ການສະໜັບສະໜູນໃນລາວນັ້ນ, ການເຮັດໃຫ້ການກວດສອບການຊຳລະເງິນເປັນແບບອັດຕະໂນມັດ ສາມາດຫຼຸດເວລາການຕັດຍອດປະຈຳເດືອນຂອງພະນັກງານຈາກ 3 ມື້ ເຫຼືອພຽງ 1 ມື້, ເຊິ່ງເຮັດໃຫ້ສາມາດນຳເວລາສ່ວນນັ້ນໄປໃຊ້ໃນການກວດສອບສິນເຊື່ອຂອງລູກຄ້າໃໝ່ໄດ້. ການອອກແບບບໍ່ພຽງແຕ່ໃຫ້ "ມີເວລາເຫຼືອ" ເທົ່ານັ້ນ ແຕ່ຍັງຕ້ອງອອກແບບຄູ່ກັນໄປວ່າ "ຈະນຳເວລາທີ່ເຫຼືອນັ້ນໄປໃຊ້ເຮັດຫຍັງ" ແມ່ນຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ທີ່ຈະຊ່ວຍໃຫ້ການນຳໃຊ້ລະບົບມີຄວາມຍືນຍົງ ແລະ ເກີດຜົນປະໂຫຍດຢ່າງຕໍ່ເນື່ອງ.

ໃນການທົບທວນລາຍເດືອນ, ນອກຈາກການກວດສອບການປ່ຽນແປງຂອງ KPI ແລ້ວ, ຈະຕ້ອງມີການກວດສອບກໍລະນີທີ່ AI ຕັດສິນໃຈຜິດພາດຢ່າງລະອຽດ. ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ແມ່ນການສະສົມ "ບັນທຶກການຕອບກັບ (Feedback log)" ຕໍ່ການຕັດສິນໃຈຂອງ AI ເຊັ່ນ: ການລຶບລ້າງຂໍ້ມູນທີ່ບໍ່ຖືກຕ້ອງ, ຄວາມບໍ່ເໝາະສົມຂອງເນື້ອໃນການທວງຖາມ, ຫຼື ການປ່ຽນແປງທີ່ບໍ່ຄາດຄິດຂອງຄະແນນສິນເຊື່ອ.

ບັນທຶກນີ້ຈະຖືກນຳໄປໃຊ້ໃນການຝຶກຝົນ AI Model ຄືນໃໝ່ ຫຼື ປັບປຸງກົດລະບຽບການປັບຄ່າໃຫ້ເປັນມາດຕະຖານ ແລະ ເກນຄະແນນ. ເນື່ອງຈາກຕະຫຼາດລາວມີການປ່ຽນແປງຂອງກຸ່ມລູກຄ້າ ແລະ ໂຄງສ້າງອຸດສາຫະກຳໄປເລື້ອຍໆ, ຈຶ່ງບໍ່ສາມາດຝຶກຝົນ Model ພຽງຄັ້ງດຽວແລ້ວຈົບໄດ້. ດັ່ງນັ້ນ, ຈຶ່ງຕ້ອງອອກແບບວົງຈອນການກວດສອບພຶດຕິກຳຂອງ Model ໃນທຸກໆໄຕມາດ ແລະ ເຮັດການຝຶກຝົນຄືນໃໝ່ຕາມຄວາມຈຳເປັນ.

ໃນບົດຄວາມທີ່ກ່ຽວຂ້ອງ "ວິທີການວັດແທກຄວາມແມ່ນຍຳຂອງ LLM ທີ່ຮອງຮັບພາສາລາວ" ໄດ້ແນະນຳກອບການປະເມີນຜົນຂອງ LLM ພາສາທ້ອງຖິ່ນໄວ້. ທີມງານທີ່ຕ້ອງການວັດແທກຄຸນນະພາບການສ້າງເນື້ອໃນການທວງຖາມຢ່າງຕໍ່ເນື່ອງ ສາມາດອ້າງອີງມຸມມອງການປະເມີນຜົນດັ່ງກ່າວເພື່ອເຮັດໃຫ້ການອອກແບບການດຳເນີນງານມີຄວາມຊັດເຈນຍິ່ງຂຶ້ນ.

ສະຫຼຸບຂອງບົດຄວາມນີ້, ການນຳ AI ມາອັດຕະໂນມັດໃນວຽກງານບັນຊີລູກໜີ້ ແລະ ການທວງຖາມໃນລາວ ສາມາດດຳເນີນການໄດ້ຢ່າງບໍ່ຫຍຸ້ງຍາກເຖິງແມ່ນວ່າຈະເປັນທີມງານຂະໜາດນ້ອຍ ຫາກສາມາດຄວບຄຸມ 4 ອົງປະກອບຫຼັກໄດ້ຄື: ການເຮັດໃຫ້ຂະບວນການປັດຈຸບັນເຫັນພາບໄດ້ຊັດເຈນ ແລະ ການອອກແບບ KPI, ການທົດລອງນຳຮ່ອງໃນ 1 ຂົງເຂດ, ການອອກແບບການທວງຖາມທີ່ຄຳນຶງເຖິງວັດທະນະທຳທ້ອງຖິ່ນ, ແລະ ການປັບປຸງທຳມະພິບານຂໍ້ມູນ (Data Governance). ຈາກປະສົບການຂອງພວກເຮົາທີ່ໄດ້ໃຫ້ການສະໜັບສະໜູນບໍລິສັດຍີ່ປຸ່ນຫຼາຍແຫ່ງທີ່ມີສາຂາໃນລາວ, ພວກເຮົາເຊື່ອໝັ້ນວ່າການເລີ່ມຕົ້ນຈາກ "ການຈັດລະບຽບຂໍ້ມູນການເກັບເງິນ" ກ່ອນການລົງທຶນເບື້ອງຕົ້ນ ແມ່ນເສັ້ນທາງທີ່ສັ້ນທີ່ສຸດທີ່ຈະນຳໄປສູ່ຜົນສຳເລັດ. ໃນຖານະບາດກ້າວທຳອິດຂອງການນຳ AI ມາໃຊ້, ຂໍໃຫ້ເລີ່ມຕົ້ນຈາກການພິຈາລະນາລາຍລະອຽດການຮັບເງິນຂອງບໍລິສັດທ່ານເອງໃນໄລຍະ 1 ເດືອນກ່ອນ.