автор Джон Камбье

Плотность текущего рынка труда, среди прочего, увеличила срочность и бюджеты компаний для оптимизации и автоматизации рабочих процессов. С 11,3 млн вакансий в США на конец января 2022 года — на 60% больше, чем год назад — теперь речь идет не о снижении затрат из бизнеса, а о том, чтобы вести бизнес вообще. С грядущей «Великой отставкой» большинство компаний не смогут нанять себе путь к устойчивому росту.

Основная часть сегодняшней экономики США, почти 77% по состоянию на 2018 год, приходится на сектор услуг; здравоохранение, розничная торговля, гостиничный бизнес и финансовые услуги среди крупнейших из них. Из этих четырех секторов финансовые услуги, безусловно, добились наибольших успехов в использовании технологий для упрощения и автоматизации процессов. Например, подумайте о том, с какой легкостью вы можете получить доступ и перевести деньги со своего банковского счета или торговать акциями (или криптовалютами). И наоборот, подумайте о том, насколько болезненно и для клиента, и для поставщика услуг открытие банковского счета, подача заявления на страхование или, не дай Бог, получение ипотечного кредита. Почему это?

Все эти действия основаны на сборе, преобразовании и анализе неструктурированных данных. Например, когда мы в IFP продлеваем нашу страховку D&O каждый год, мы должны загружать финансовые отчеты, финансовые документы (контракты) и заполненную заявку с различной информацией о наших бизнес-холдингах. Все это документы в формате PDF, и ни один из них не отформатирован одинаково или с одинаковыми данными от одной фирмы к другой. Это делает процесс очень сложным для автоматизации, поскольку люди должны читать представленные документы, чтобы извлечь необходимые данные, скорее всего, повторно вводя эти данные в электронную таблицу или систему записи, где их затем можно скомпилировать и проанализировать.

Некоторые из вас, вероятно, думают: «Вот для чего нужна RPA (роботизированная автоматизация процессов)!». Ну да, но никакой разведки у РПА нет. Эти инструменты не имеют возможности просмотреть документ и выделить важные части, если документ не имеет каждый раз один и тот же формат (неструктурированные данные). Таким образом, вы могли бы затем предложить научить модель (ML) искать и идентифицировать важные части документа для извлечения? Проблема с (потенциальным) применением AI/ML для решения этой проблемы заключается в том, что до сих пор вам, как правило, требовался (очень) большой набор данных для обучения модели, и многие из этих задач служат «длинному хвосту»; то есть очень большой набор данных не существует.

Именно здесь наша новейшая портфельная компания Sortspoke сияет. Его интеллектуальная платформа обработки документов помогает компаниям извлекать любые данные из любых документов. Благодаря интуитивно понятному пользовательскому интерфейсу и мощному механизму машинного обучения Sortspoke может начать идентифицировать и извлекать данные из документов всего с 10 обучающих фрагментов. Это означает, что менее чем за один день Sortspoke может начать повышать эффективность работы людей, в конечном счете, в 10 раз.

Компания Sortspoke со штаб-квартирой в Торонто, Канада, была основана Джаспером Ли для решения проблемы, с которой он сталкивался на протяжении десяти лет работы консультантом PWC, где он помогал компаниям оптимизировать и трансформировать операции. Когда мы увидели презентацию на демонстрационном дне прошлой осенью, мы увидели компанию, играющую на большом и растущем рынке с убедительным признанием клиентов и сильной подгонкой основателя к рынку.

Поскольку мы работали над тем, чтобы лучше понять рынок и конкуренцию, потребовалось немало исследований и бесед с существующими и потенциальными клиентами, чтобы понять, где Sortspoke подходит и почему (мы считаем) он имеет значимую дифференциацию. У вас есть платформы AI/ML общего назначения от таких гигантов, как Amazon, Google и Microsoft, с одной стороны, и платформы RPA от быстрорастущих поставщиков, таких как Automation Anywhere, Blue Prism (теперь SS&C Technologies) и UiPath, с другой. В середине у вас есть различные венчурные компании, включая Indico Data, Hyperscience и Workfusion.

Беседуя с клиентами по всей страховой вертикали, мы обнаружили, что многие (если не большинство) пытались и потерпели неудачу с одним или несколькими из этих конкурентов. Хотя многие из них рекламируют возможность работы с неструктурированными данными и быстрого повышения производительности, реальность неизменно не соответствует обещаниям для многих приложений. Получив возможность попробовать Sortspoke, клиенты были поражены: а) насколько он прост в использовании и б) как быстро он становится самообучаемым и продуктивным.

Джаспер и его небольшая команда добились невероятного успеха на собранные деньги. У них отличный продукт и довольные клиенты с сильным органическим ростом. Мы рады тому, что вместе с крупной американской страховой компанией возглавили серию A на сумму 4,5 млн долларов США, чтобы предоставить Sortspoke капитал, необходимый для агрессивной борьбы с рынком.