交易协调中的某些工作流程非常适合人工智能，而其他工作流程则非常适合确定性引擎的数学问题。
想象一下，我们需要协调 10 笔相同的 1 美元付款。通常，在银行对账单上，我们会看到其中一些批次在一起。
对账涉及将付款与银行对账单交易进行匹配：
如果有 10 笔相同的 1 美元付款，就有许多可能的解决方案，将付款 A-K 与总额为 3 美元、2 美元、1 美元等的对账单项目进行匹配。
银行对账单核对可以作为一个 "背包knapsack "问题来处理，其目标是将对账单中的交易与账簿中的条目进行匹配。
虽然检查所有组合等算法看似可以解决这个问题，但是 "knapsack 背包问题 "有 30 多万种可能的解决方案，因此蛮力计算是不切实际的。这就是为什么在大多数现金对账或审计环境中，会放弃 1:1 交易匹配，转而选择确保总数相等，因为处理 302,400 个选项是不值得的。
但这正是计算机所擅长的！
核对引擎，就像我们在 Modern Treasury 构建的那样，已经看到了大量的交易，每次他们看到另一笔交易时，都会增加他们的匹配能力。
这些引擎是完全确定性的，可以整体获取 ID 和数据，从而使它们能够以 100% 的置信度和可重复性协调交易。在金融领域选择错误匹配的后果太严重，无法使用概率方法。
虽然确定性引擎可以自动调节大多数交易，但边缘情况依然存在：您的企业每天处理的不是 10 笔交易，而是 1000 笔 1 美元的交易，并且您使用 Modern Treasury 等侦察引擎来运行这些交易。假设这些付款中 99% 是通过软件自动对账的。但那些令人讨厌的十个仍然会存在，虽然千分之十看起来并没有那么多，但根据我们刚刚学过的数学，它实际上很多。这是一个很难解决的问题。
这就是人工智能的闪光点。
您无需尝试暴力计算获得正确答案的方法，而是采用大量现实世界的观察结果来训练模型。它用抽象的数学决定论代替概率模型，该模型根据我们的系统在现实世界中大规模遇到的情况进行调整。
根据真实数据训练的人工智能可以为人工审核提供匹配建议，从而将两种方法的优势结合起来。随着支付的实时进行，匹配的数量和复杂性也随之增加，这就要求软件利用所有可用数据（如物理地址），在支付之前对支付进行歧义区分。
在我们的示例中，确定性对账引擎将实时运行 990 笔付款，并近乎实时地处理人工智能建议、人工批准的 10 笔付款。
有趣的是，随着我们进入支付的新时代，更多的资金实时流动并立即结算，对账挑战以多种方式增加——首先是速度。运行对账流程的团队需要实时查找交易匹配或背包对象，无论是周日凌晨 2 点还是周四下午。
金融财务工作流程
金融工作流程非常适合负责任的人工智能实施，因为它拥有庞大的数据、广阔的解决方案空间以及对关键匹配的人工监督。数据巨大，解决方案空间更加广阔，但数据的结构方式可供模型利用。
人工智能可以通过建议可能的匹配来提供帮助，但需要人工确认，并且需要透明度来说明匹配是如何确定的。
总结
通过规则引擎和人工智能对处理数据的上下文 进行量化，从而提高算法效率。
上下文量化有两种方式：确定性的量化和非确定性的量化，前者通过设定规则来实现，后者通过语言大模型或概率论来实现。