배달과 이동 / 차량 호출과 배달
Uber: 거래처 청구서 입력과 검수
- 기업
- Uber
- 국가
- 미국
- 도입 상태
- 운영
- 자료 공개
- 날짜 기준
- 자료 발표 시점. 도입 시작일과 다를 수 있음
- 근거 확인 방법
- 원문 본문 열람
업무 문제
Uber는 전 세계에 공급업체 네트워크가 넓어 매일 많은 청구서를 처리해야 한다. 자동화를 거쳐도 상당수 청구서는 사람이 직접 다뤄야 했다. 사람 손이 들어가면 오류 위험이 커지고 재무 불일치와 대사 문제로 이어진다. 담당자가 청구서 한 건을 처리하는 평균 처리 시간이 길어 지연도 컸다.
적용한 기술과 데이터
Uber는 seq2seq, Meta Llama 2, Google Flan T5 같은 여러 LLM을 미세조정하고 비교했다. 최종으로는 정확도와 적응력이 나았던 OpenAI GPT-4 계열을 골랐다. 문서 이미지에서 글자를 뽑는 일은 사내 Vision Gateway CV 플랫폼이 맡는다. 전체 처리는 사내 공통 문서 처리 플랫폼 TextSense 위에서 돌고, 여러 갈래로 갈라지는 작업 흐름은 Uber의 Cadence 워크플로 플랫폼이 관리한다. 사람이 확인하는 단계도 남겼다. 담당자가 PDF 원본과 모델이 뽑은 값을 나란히 놓고 비교하는 화면을 따로 만들었다. 확인이 끝난 값은 이어지는 처리와 지급을 위해 고객 시스템으로 넘어간다.
성과
Uber는 청구서 처리의 평균 처리 시간이 70% 줄었다고 밝혔다. 수작업과 견주면 비용은 25-30% 아꼈다고 설명했다. 사람이 손대는 청구서 처리는 2x 줄었다고 했다. 전체 정확도는 90%다. 제출된 청구서의 35%는 99.5%에 가까운 정확도를 얻었고 65%는 80%가 넘는 정확도를 얻었다.
한계와 남은 과제
90%는 전체 평균 정확도이며 모든 청구서가 사람 확인 없이 끝나는 것은 아니다. Uber는 과거 100% 정확도를 만족한 경우에 한해 완전 자동 처리를 하겠다고 밝혔다.
출처
공개된 자료를 정리한 사례입니다. ATF Works 도입 고객의 결과가 아닙니다.