Canopy 利用机器学习在 AWS 上实现财务报表的自动化处理

对于拥有跨多个来源的金融资产的人士，保持单个、全面的净值视图可能非常耗时，因为他们需要手动跟踪和汇总其金融财产。这是高净值人士面临的一个持续挑战，他们通常拥有更加多样化的资产配置。

Canopy 于 2013 年在新加坡成立，致力于解决这个问题。Canopy 分析财务报表、提取相关信息并将这些信息整理到单个控制面板中，从而为高净值人士提供涵盖各种金融财产的整合视图。借助 Canopy 的平台，高净值人士可以轻松跟踪其资产，同时与同行对比财务业绩、战略和市场时机。

Canopy 是一个 Amazon Web Services (AWS) 云原生平台，已实现大部分日常操作的自动化。但是，它仍然需要手动分析财务报表，因此希望利用机器学习（ML）和光学字符识别（OCR）实现此过程的自动化，从而提高效率。

Canopy 首席技术官 Amit Gupta 说道，“将机器学习应用于任何数据分析都是一项复杂的任务，Amazon SageMaker 利用机器学习自动提取文本和数据，超越了简单的光学字符识别，迄今为止使我们能够自动处理近 10 万份财务文档。”

在最初开始运维时，Canopy 的数据团队会手动扫描多个来源的客户财务文件。Canopy 与约 400 家托管银行建立了联系，会收到各种格式的数据，包括应用程序编程接口（API）、数据源、报告服务以及环球银行金融电信协会（SWIFT）格式。

团队还会收到电子邮件、Excel 文件、便携式文档格式（PDF）和扫描图像格式的客户交易报表，所有这些因素使分析客户数据成为一个耗时且昂贵的过程。Canopy 开启了实现流程自动化的旅程，并使其业务为未来做好准备。

Gupta 说道，“我们每周花费数百个小时处理财务报表，非常枯燥，并且这对于业务增长是不可持续的。我们开始自己试验开源机器学习模型，在一年半的时间里，我们成功实现了客户财务数据的半自动化处理。”

不久之后，Canopy 在其自动化之旅中遇到了困难，团队必须持续更新其机器学习模型，才能识别和处理 20% 的每月收到财务记录中的新信息。虽然团队用于分析客户数据的时间变少了，但是现在必须专注于数据处理和提高机器学习模型的数据质量，这占用了管理客户投资和关系的时间。

在之前的情形下，Canopy 无法同时使用和重新训练机器学习模型，只能依靠在周末工作，以尽可能减少其平台的停机时间，重新训练过程每周可能需要长达 48 小时。Canopy 求助于 AWS，就如何简化此流程并提升光学字符识别功能寻求建议。

Gupta 说道，“我们首先询问重新训练机器学习模型的过程是否可以实现完全自动化，这正是证明 AWS 的建议非常宝贵的地方。AWS 团队为我们指明了正确的方向，即 Amazon SageMaker，并在实施过程中指导我们，以确保我们始终获得支持。”

Amazon SageMaker 使 Canopy 能够高效地开发机器学习模型并提高光学字符识别功能，而无需投资雇用更多数据工程师，该解决方案使 Canopy 能够在一个平台上整合机器学习模型的构建、训练和部署。每当 SageMaker 在解析财务记录期间发现新信息时，都会自动更新机器学习模型。

借助机器学习功能，Canopy 现在每月可处理 2000 份客户财务记录，使其数据团队能够专注于产品创新，并帮助实现 300% 的业务增长。现在，Canopy 为数千名客户提供服务，截至 2021 年管理着 1200 亿美元的资产。

公司正寻求扩展以满足增长十倍的用户需求，因为其现已利用 AWS 简化了数据处理。

展望未来，Canopy 计划在 2021 年将运维扩展到美国，并制定了到 2021 年年底实现管理资产金额翻倍的目标。公司计划采用 AWS Managed Services (AMS)，为其后端运维提供更多协助，以支持其增长计划。

Gupta 总结到，“借助 AWS 的帮助，我们的机器学习功能可在数天内处理数月的数据，即使我们明天必须为客户处理的财务文档数量增加 10 倍，我们仍然可以轻松满足这个要求。现在，我们可以更自由地扩展业务，这正是我们计划做的事情。”

 要了解详情，请访问 aws.amazon.com/sagemaker。