Canopy Menggunakan Machine Learning untuk Mengotomatiskan Pemrosesan Laporan Keuangan di AWS

Untuk individu dengan aset keuangan di berbagai sumber, memelihara satu tampilan komprehensif mengenai kekayaan bersih dapat memakan waktu, karena mereka perlu melacak dan mengompilasi kepemilikan keuangan secara manual. Ini adalah tantangan konstan bagi individu dengan kekayaan bersih yang tinggi, yang cenderung memiliki alokasi aset yang lebih beragam.

Didirikan pada tahun 2013 di Singapura, Canopy bertujuan untuk mengatasi masalah ini. Canopy menyediakan tampilan terkonsolidasi dari berbagai kepemilikan keuangan bagi individu dengan kekayaan bersih yang tinggi. Caranya adalah dengan menganalisis laporan keuangan mereka, mengekstrak, dan menyusun informasi yang relevan ke dalam satu dasbor. Dengan platform milik Canopy, individu dengan kekayaan bersih yang tinggi dapat dengan mudah melacak aset sekaligus membandingkan performa keuangan, strategi, dan waktu pemasaran dengan rekan-rekan mereka.

Sebagai platform cloud-native Amazon Web Services (AWS), Canopy telah mengotomatiskan sebagian besar operasi hariannya. Namun, Canopy masih menganalisis laporan keuangan secara manual, dan ingin mengotomatiskan proses ini dengan machine learning (ML) dan pengenalan karakter optik (OCR) agar lebih efisien.

“Menerapkan machine learning ke setiap analisis data adalah tugas yang rumit. Amazon SageMaker menggunakan ML untuk mengekstrak teks dan data secara otomatis, melampaui OCR sederhana, dan memungkinkan kami untuk secara otomatis memproses hampir 100.000 dokumen keuangan hingga saat ini,” kata Amit Gupta, kepala petugas teknologi (chief technology officer), Canopy.

Saat pertama kali mulai beroperasi, tim data Canopy akan secara manual memindai dokumen keuangan pelanggan dari berbagai sumber. Canopy terhubung ke sekitar 400 bank kustodian dan akan menerima data dalam berbagai format, termasuk antarmuka pemrograman aplikasi (API), umpan data, layanan pelaporan, dan dalam format Society for Worldwide Interbank Financial Telecommunications (SWIFT).

Tim juga akan menerima laporan transaksi pelanggan melalui email, file Excel, Portable Document Format (PDF), dan gambar hasil pemindaian, yang semuanya membuat analisis data pelanggan menjadi proses yang memakan waktu dan mahal. Canopy memulai perjalanan untuk mengotomatiskan proses dan menjadikan bisnisnya siap untuk masa mendatang.

“Kami menghabiskan ratusan jam kerja setiap minggu untuk memproses laporan keuangan, dan hal ini sifatnya tidak berkelanjutan bagi pertumbuhan bisnis. Kami mulai bereksperimen sendiri dengan model ML sumber terbuka. Dalam waktu satu setengah tahun, kami berhasil mengotomatiskan pemrosesan data keuangan klien kami,” kata Gupta.

Segera setelah itu, Canopy menemui hambatan dalam perjalanan otomatisasinya. Tim harus terus memperbarui model ML-nya agar dapat mengenali dan memproses informasi baru dalam 20 persen catatan keuangan yang diterima setiap bulan. Meskipun tim menghabiskan lebih sedikit waktu untuk menganalisis data pelanggan, kini tim harus fokus pada pemrosesan data dan meningkatkan kualitas data untuk model ML. Dalam prosesnya, mengelola investasi dan hubungan klien sangat memakan waktu.

Dengan penyiapan sebelumnya, Canopy tidak dapat melatih ulang model ML saat sedang digunakan, dan terpaksa bekerja di akhir pekan, untuk meminimalkan waktu henti pada platformnya sebanyak mungkin. Proses pelatihan ulang tersebut dapat memakan waktu hingga 48 jam seminggu. Canopy beralih ke AWS, yang dapat memberi saran mengenai cara menyederhanakan proses ini dan meningkatkan kemampuan OCR-nya.

“Kami mulai dengan menanyakan dapat tidaknya proses pelatihan ulang model ML sepenuhnya otomatis. Di sinilah nasihat AWS terbukti sangat berharga,” kata Gupta. “Tim AWS menuntun kami ke arah yang benar dengan Amazon SageMaker, dan membimbing kami selama penerapannya untuk memastikan bahwa kami selalu mendapat dukungan.”

Amazon SageMaker memungkinkan Canopy mengembangkan model ML-nya secara efisien dan meningkatkan kemampuan OCR-nya tanpa harus berinvestasi dalam mempekerjakan lebih banyak insinyur data. Solusi ini memungkinkan Canopy mengonsolidasikan pembangunan, pelatihan, dan deployment model ML pada satu platform. SageMaker akan memperbarui model ML secara otomatis, setiap kali menemukan informasi baru saat menguraikan catatan keuangan.

Dengan kemampuan ML-nya, Canopy kini memproses 2.000 catatan keuangan klien setiap bulan, sehingga memungkinkan tim datanya untuk fokus pada inovasi produk, dan membantu mencapai pertumbuhan bisnis sebesar 300 persen. Canopy kini melayani ribuan klien dan memiliki aset sebesar 120 miliar USD yang dikelola pada tahun 2021.

Setelah merampingkan pemrosesan datanya dengan AWS, kini perusahaan sedang mencari skala yang tepat untuk memenuhi peningkatan permintaan pengguna sebesar sepuluh kali lipat.

Ke depannya, Canopy berencana untuk memperluas operasinya ke Amerika Serikat pada tahun 2021, dan telah menetapkan target untuk menggandakan aset yang dikelola pada akhir tahun 2021. Perusahaan bermaksud untuk melibatkan AWS Managed Services (AMS) agar mendapat bantuan yang lebih besar untuk operasi backend-nya, guna mendukung rencana pertumbuhannya.

“AWS telah membantu kami mendapatkan kemampuan ML sehingga dapat memproses data, dari yang tadinya selama berbulan-bulan menjadi hanya beberapa hari. Jika kami melihat jumlah dokumen keuangan yang harus diproses untuk klien besok meningkat sebesar sepuluh kali lipat, kami dapat dengan mudah menyelesaikannya. Kami kini memiliki kebebasan yang lebih besar untuk mengembangkan bisnis, dan itulah rencana kami,” kata Gupta.

 Untuk mempelajari selengkapnya, kunjungi aws.amazon.com/sagemaker.