_Créditos da imagem: ChatGPT
### 💡 **Treinando um modelo de IA local para entender linguagem natural e gerar pedidos de vendas no TOTVS Microsiga Protheus**
📦 Desafio: Muitos usuários (vendedores, representantes, etc.) descrevem pedidos de vendas em linguagem natural, seja por e-mail, WhatsApp ou até em papel. O objetivo é desenvolver uma IA que interprete essas descrições informais e as converta automaticamente em JSON estruturado, pronto para integração no ERP TOTVS Microsiga Protheus via a função sales_order_insert.
🔧 Tecnologia:
Modelo Base: qwen2.5-7b-instruct, executado localmente via Ollama ou LMStudio.
Frameworks: Transformers, PEFT, LoRA, Datasets (Hugging Face).
Dataset: Combinação de ~5.000 exemplos reais de pedidos textuais (coletados de e-mails, mensagens e formulários) e ~10.000 exemplos sintéticos (gerados via templates baseados em regras de negócio do Protheus).
Infraestrutura: Pipeline REST local com TFWRESTHTTPCONNECTOR para requisições ao LLM e mata410playagent para validação e inclusão de pedidos no Protheus.
Execução: 100% offline, garantindo segurança, privacidade e controle local, sem dependência de APIs externas.
Hardware: GPU NVIDIA com 24 GB VRAM para treinamento e inferência.
🧠 Processo de Treinamento:
Geração do Dataset:
Coleta de exemplos reais de pedidos em linguagem natural, como “Cliente 000001 quer 3 unidades do produto 1, 5 do produto 2, TES 501, local 01”.
Criação de dados sintéticos com variações de formato, gírias e erros comuns (ex.: “Quero 10 caixas do item 3 pro cliente XPTO”).
Anotação manual e validação cruzada para mapear textos a JSONs estruturados, garantindo consistência com o schema do Protheus.
Divisão do dataset: 80% treino, 10% validação, 10% teste.
Fine-Tuning com LoRA:
Uso de LoRA (Low-Rank Adaptation) para ajustar o modelo qwen2.5-7b-instruct com eficiência computacional, minimizando a necessidade de recursos.
Configuração: rank=16, learning rate=1e-4, 5 épocas.
Métricas de avaliação: acurácia na geração de JSON (>95%) e taxa de erro em campos críticos (ex.: códigos inválidos <1%).
Integração com o Protheus:
O TFWRESTHTTPCONNECTOR envia o texto do pedido ao LLM via endpoint REST (http://127.0.0.1:11435/v1/chat/completions/) e recebe o JSON estruturado.
O mata410playagent valida o JSON (ex.: códigos de cliente, produto, TES e local) antes de chamar sales_order_insert para inclusão no Protheus.
Exemplo de entrada e saída:
Entrada: “Tipo: N, cliente: 000001, loja: 01, Tipo do cliente: F, condição de pagamento: 15, Natureza: 0000000001, produto: 000000000000001, quantidade: 3 unidades, Preço Unitário: 2.75, TES: 501, local: 01, ...”
Saída
```json JSON:{
"order": {
"type": "N",
"client_id": "000001",
"store_id": "01",
"client_type": "F",
"payment_condition": "15",
"nature": "0000000001",
"items": [
{
"product_id": "000000000000001",
"quantity": 3,
"unit_price": 2.75,
"tes": "501",
"location": "01"
},
...
]
}
}
```
🚀 Resultado Esperado:O modelo interpreta pedidos em linguagem natural com alta precisão, gerando JSONs estruturados que são validados pelo mata410playagent e integrados ao Protheus de forma segura. O sistema é robusto, lidando com variações de texto (erros de digitação, gírias) e operando offline para máxima privacidade. A solução é escalável para outros módulos do Protheus e replicável para diferentes ERPs.
📊 Validação:
Testes com 1.000 exemplos reais e sintéticos para verificar acurácia e robustez.
Monitoramento de erros (ex.: falhas em reconhecer códigos ou gerar campos inválidos).
Feedback iterativo para refinamento contínuo do modelo e dataset.
💬 Convite:Se você trabalha com ERP, automação de vendas ou LLMs locais, compartilhe suas ideias! Este projeto está sendo estruturado como um case open-source replicável para automação de processos em ERPs.
#IA #ERP #TOTVS #Protheus #LLM #Automacao #SalesOrder #OpenSource #FineTuning #LoRA #Qwen #Transformers #Python #OfflineAI
Torne-se um Sponsor:
🥊(дави)={0.5x[(Налдо)+(Алине)]}🥊
Comentários
Postar um comentário