概述

在这篇文章中，我想概述一下智能工资单解决方案的高层架构，目前没有什么可以阻止它的实现。

事实上，未来的工资单可能比我们想象的要近得多。薪资专业人员可以利用人工智能驱动的自动验证，类似于人工检查，可以预测工资类型的价值，并使用薪资历史和数据中的相互联系发现异常情况。

理解、选择和采用新技术显然需要时间。但是，如果你所需要的一切都已经成为你生活的一部分，而问题仅仅是为你的工资单解决方案找到一个真正的人工智能助手而付出的一些努力，那该怎么办呢？

问题

作为PCC快速部署解决方案的一部分，提供了一组模板验证规则，提供了一个编写良好的类框架。我相信大多数PCC的实现最终都是复制和修改RDS代码。它从一个规则开始，总金额大于给定值，例如10K。另一个规则是奖金大于7K。然后，如果特定的下注类型小于给定的固定值，则使用一个规则。以此类推，检查每种工资类型。大量的代码。

那么，是时候选择了。如果该员工本月有资格获得此类奖金，但在一年中的任何其他时间都没有资格获得此类奖金，该怎么办？出现了一个带有周期检查的硬代码。如果一个员工在另一个国家工作时得到的工资总是很低，而在当前的工资单中只是抵税呢。同样，人工智能龙头企业，任务被声明，对于一个优秀的开发人员来说不是问题，代码被更新为check vs enterprise/employee structure等

结果，验证规则中的代码被重复，所有验证的总体组合逻辑可能变得不清楚。

我听说了一个客户有80多个验证规则我不认为这是一个极限。我很难想象如何保持如此多的发展。老实说，对于PCC这样一个很好的框架转换成一堆互不相连的非结构化代码，我感到有点遗憾。

咨询合作伙伴试图通过提供一些可配置的检查框架和更大的灵活性来减轻客户的负担。我们没有继续观望我们为PCC预先配置的ITertop Swift Start软件包，每个国家/地区和工资单区域的用户直接在生产中进行可配置检查。

解决方案

但是如果验证规则可以更智能呢？单一的ML验证规则能够自动检测所有工资类型值的"异常情况"，几乎与人类检测的方式相同。

例如，如果奖金是按季度发放的，系统将从支付历史中了解周期性，并期望值在一个期间为零，在另一个期间为一定金额。或者，如果某个员工的工资类型值相对较高或较低，但从历史角度来看，人员数量通常是这样，大数据是啥意思，系统不会对此发出警报。基于工资类型之间的依赖关系（相关性），如果工作时间也增加了，预计工资也会增加。所有这些都可以在没有初始配置的情况下完成，因为模型在历史工资单上进行了自我培训，从双重验证的角度来看，这是非常好的，因为它还允许检查vs配置问题，如忘记累积、丢失工资类型、中断缺勤估值等

在引擎盖下

基本上，ML就是过程训练«模型»，使用数据集进行预测。人力资源/工资数据系列是回归分析问题的重要输入，这是一个有监督的学习任务，估计值之间的关系。至于对大量数据的快速分析，我们需要一个内存数据库来保存工资单数据和脚本语言库，以便在其中工作。

使用SAP payroll Control Center for on premise或cloud和HANA，靠谱云服务器，wap自助建站，您可以意外地意识到您已经"一切就绪"。

使用并排去聚类，在payroll Control Center中创建的所有payroll运行都保存在HANA实例中，并且在验证规则中易于访问，从而允许HANA中PAL和APL机器学习库的数据。

更进一步，SAP HCM for S/4HANA，大淘客推广，主数据也将直接在HANA中提供，带来更大的人工智能能力。

示例

只是为了说明季节性自回归综合移动平均函数的简单调用可以预测人员总数。这是IDES人员总数1039的Python笔记本图表。对于实际应用程序，该模型应更为量身定制，至少有必要分析工资类型和工资增长趋势。

反馈

如果现在开始使用PCC和机器学习来提高工资，第一个工作解决方案可能在年终对账时准备就绪，为新年带来欢乐

如果您有任何问题，作为一个客户，合作伙伴，研究员，或有任何其他兴趣，只要让我知道我可以帮助。