AI til dokumentbehandling: Fra PDF til kontrollerede data
Dokumentbehandling kræver mere end at læse en PDF. Se et praktisk forløb fra modtagelse og feltudtræk til kontrol, match og godkendelse.
Partner & CTO hos Adtention
Hvad kan AI gøre med dokumenter?
AI kan hjælpe med at genkende dokumenttyper, udtrække oplysninger og foreslå, hvordan indholdet skal struktureres. Det kan være relevant, når virksomheden modtager mange rekvisitioner, leverandørark, ordrebekræftelser eller andre dokumenter i skiftende formater.
Det afgørende resultat er et brugbart og kontrolleret datasæt. Et korrekt læst beløb hjælper ikke, hvis det bliver knyttet til den forkerte ordre. Derfor skal dokumentbehandlingen ses sammen med de systemer og beslutninger, oplysningerne skal indgå i.
Skeln mellem OCR, udtræk og beslutning
OCR gør tekst i et billede eller en scanning maskinlæsbar. Feltudtræk finder bestemte oplysninger, eksempelvis dato, dokumentnummer og varelinjer. Klassifikation afgør, hvilken type dokument der er tale om. Godkendelse er en selvstændig beslutning.
Tekniske løsninger kan kombinere flere af disse funktioner. Microsofts dokumentation for Document Intelligence viser eksempelvis modeller til tekst, layout, felter og dokumenttyper. Det dokumenterer mulighederne i produktet, ikke præcisionen på jeres dokumenter eller et behov for at vælge netop den leverandør.
Tegn forløbet fra indbakke til system
- Modtag: Gem originalen og giv dokumentet et stabilt ID.
- Sortér: Afgør dokumenttype og relevant behandling.
- Udtræk: Find de nødvendige felter og deres placering i kilden.
- Kontrollér: Undersøg formater, obligatoriske felter og indbyrdes sammenhæng.
- Match: Forbind oplysningerne med den rigtige kunde, ordre eller sag.
- Godkend: Send afvigelser til en medarbejder og godkendte data videre.
Hvert trin skal have et svar på, hvad der sker ved tvivl. En ulæselig scanning skal ikke blive til et tilsyneladende komplet datasæt med gættede værdier.
Et konstrueret eksempel: En rekvisition til en sag
En PDF indeholder en kundes reference, en adresse og en opgavebeskrivelse. Løsningen finder felterne og søger efter en relevant sag i ordresystemet. Der findes to åbne sager på samme adresse, og kundens reference mangler i den ene.
Her er adressen ikke et tilstrækkeligt match. Den rigtige handling er at vise de mulige sager og det relevante kildeuddrag til en medarbejder. Først efter afklaring må dokumentet tilknyttes. Et sandsynligt match kan ellers få en korrekt oplysning ind på en forkert sag.
I arbejdet med Petrowsky indgik PDF-rekvisitioner og match til Ordrestyring i procesafklaringen og løsningsoplægget. Casen beskriver et identificeret behov og en foreslået retning; den er ikke dokumentation for en færdig automatisk dokumentbehandling.
Kontrollér de felter, der kan gøre skade
| Felt eller situation | Eksempel på kontrol |
|---|---|
| Dokumentnummer | Er dokumentet allerede modtaget eller behandlet? |
| Kunde eller sag | Findes et entydigt ID, eller kræves et manuelt match? |
| Beløb og valuta | Er decimaler, fortegn og valuta læst korrekt? |
| Varelinjer | Er antal og enhed adskilt, og tilhører linjerne samme dokument? |
| Manglende værdi | Er feltet markeret som ukendt frem for udfyldt ved gæt? |
| Ny dokumentversion | Er det en rettelse til en eksisterende opgave eller en ny opgave? |
En models egen sikkerhedsvurdering kan indgå i sorteringen, hvis værktøjet tilbyder den. Den bør ikke stå alene som bevis for korrekthed. Sammenhold resultatet med regler, kendte stamdata og faktisk kontrol af repræsentative dokumenter.
Test variationerne, før I udvider
Saml dokumenter fra flere afsendere, forskellige layout, flere sider og mindre tydelige scanninger. Medtag også dokumenter, som ikke skal behandles. Registrér fejl pr. felt og dokumenttype, så et samlet gennemsnit ikke skjuler et problem med eksempelvis varelinjer.
Mål tiden til efterkontrol og rettelse. En løsning, der finder mange felter, kan stadig give et tungt arbejde, hvis brugeren skal bladre gennem alle originaler for at se, hvor oplysningerne kommer fra. Vis derfor kilde og forslag tæt på hinanden.
Vælg den første dokumenttype med omhu
Begynd med en hyppig type, tydelige kvalitetskrav og en medarbejder, der kender undtagelserne. Aftal derefter, hvornår data må sendes videre, og hvem der ejer fejlkøen.
Læs om integration til eksisterende systemer og datakvalitet, hvis forudsætningerne mangler. Everydai hjælper med AI-automatisering, hvor dokumentlæsning, kontrol og den efterfølgende arbejdsgang tænkes sammen. Se også den konkrete leverance inden for AI-dokumentbehandling, fra afklaring af dokumenttyper til test og overførsel.
