Hur jag automatiserade min assistents utgiftsspårning med AI

Före införandet av det nya systemet var processen för utgiftsövervakning mycket ineffektiv och tidskrävande. Här är en nedbrytning av den gamla processen:

• Nina skulle begära skärmavbilder av de veckovisa transaktionerna från VD:n.
• VD:n skulle skicka skärmavbilderna, som Nina sedan manuellt skulle bearbeta.
• Nina skulle använda iOS eller Mac OS OCR för att extrahera texten från skärmavbilderna.
• Hon skulle sedan använda en förkonfigurerad ChatGPT-prompt för att kategorisera utgifterna och formatera data.
• Slutligen skulle Nina manuellt ange varje utgift i en Notion-databas.

Denna process tog Nina minst 2 timmar per vecka att slutföra. VD:n var omedveten om den verkliga tidsåtgången och trodde att det var en mycket snabbare uppgift.

De främsta smärtpunkterna i det gamla systemet var den manuella dataextraktionen, kategoriseringen och inmatningen i Notion. Detta var en tråkig och felbenägen process som i betydande grad påverkade Ninas produktivitet och VD:ns insyn i sina utgifter.

Under de senaste månaderna har jag revolutionerat och strömlinjeformat systemet för att spåra mina utgifter. Nyckelelementet i denna byggnad är integrationen av GPT Vision, vilket möjliggör en i stort sett automatiserad process.

Här är hur det nya systemet fungerar:

1. Min bank skickar automatiserade SMS-meddelanden för varje transaktion, som jag tar skärmavbilder av och skickar till min assistent Nina.
2. Nina laddar upp skärmavbilderna till en WhatsApp-chattbot som jag har skapat med Voiceflow. Denna chattbot utnyttjar GPT Vision för att extrahera transaktionsuppgifterna från bilderna.
3. De extraherade uppgifterna läggs sedan automatiskt till i en Notion-databas, där de visas i ett diagram för enkel visualisering av mina månatliga utgifter.

Det nya systemet har avsevärt minskat den tid och ansträngning som krävs för att spåra mina utgifter. Tidigare tog det Nina upp till 2 timmar per vecka att manuellt bearbeta transaktionerna. Nu är processen i stort sett automatiserad, där Nina bara behöver ladda upp skärmavbilderna och verifiera uppgifterna.

Integrationen av GPT Vision är nyckeln till detta strömlinjeformade tillvägagångssätt. Genom att använda en anpassad Voiceflow-funktion kan jag enkelt integrera OpenAI Vision API i min WhatsApp-chattbot, vilket gör att den kan extrahera nödvändig information från utgiftsbilderna.

Nyckeln till denna byggnad är integrationen av GPT Vision och WhatsApp med hjälp av Voiceflow. Här är hur det fungerar:

1. Banken skickar automatiserade SMS-meddelanden för varje transaktion, som jag tar skärmavbilder av och skickar till min assistent Nina.
2. Nina laddar upp skärmavbilderna till ett WhatsApp-nummer som är anslutet till Voiceflow-chattboten.
3. Voiceflow-chattboten använder en anpassad funktion från Flowbridge för att integrera med OpenAI Vision API och extrahera transaktionsuppgifterna från bilden.
4. De extraherade uppgifterna skickas sedan till en Make.com-automatisering, som lägger till varje transaktion som en rad i min Notion-utgiftsspårare.

Voiceflow-chattboten hanterar hela processen, från att ta emot bildinmatningen till att kategorisera transaktionerna och uppdatera Notion-databasen. Detta strömlinjeformar utgiftsspårningsarbetsflödet och sparar Nina betydande tid jämfört med den tidigare manuella processen.

Nyckelkomponenterna i denna byggnad är:

1. Voiceflow: Används för att skapa WhatsApp-chattbotsgränssnittet och integrera GPT Vision-funktionaliteten.
2. Flowbridge: Tillhandahåller en anpassad funktion för att enkelt ansluta Voiceflow till OpenAI Vision API och hantera icke-textinmatning som bilder.
3. Make.com: Automatiserar processen att lägga till de extraherade transaktionsuppgifterna i Notion-utgiftsspåraren.

De viktigaste lärdomarna från detta projekt är:

• Automatisering av utgiftsspårning kan spara betydande tid och ansträngning. Det nya systemet utnyttjar GPT Vision och integration med WhatsApp för att strömlinjeforma processen.
• Att bygga anpassade AI-lösningar för att lösa personliga problem kan leda till värdefulla läroupplevelser och överförbara färdigheter.
• Att följa sin egen nyfikenhet och "klia sin egen klåda" är ett effektivt sätt att skaffa praktisk erfarenhet av AI och andra teknologier.
• De resurser och mallar som används i detta projekt, inklusive VoiceFlow-mallen och Make.com-automatiseringen, kommer att delas i skaparens gratis onlinegemenskap för andra att använda.
• Att kontinuerligt förbättra systemet, till exempel genom att lägga till kategoribaserad utgiftsspårning, kan ytterligare förbättra funktionaliteten och användbarheten hos lösningen.
• Projektet visar hur AI kan integreras i personliga arbetsflöden för att öka produktivitet och effektivitet.