ما هو تصنيف المستندات؟

تصنيف المستندات هو إسناد مستند إلى فئة واحدة أو أكثر من فئات محددة سلفًا، وأكثرها شيوعًا نوعه، حتى تعرف المعالجة اللاحقة كيف تتعامل معه.

التصنيف هو القرار الذي يعتمد عليه كل ما يليه. فقواعد الاستخراج ومنطق التحقق ومدة الاحتفاظ وقيود الوصول وجهة التوجيه تُختار كلها على أساس ما تقرّر أن المستند هو.

ما الذي يُصنَّف

النوع هو المحور الظاهر: فاتورة، أمر شراء، عقد، جواز سفر، كشف حساب بنكي، إشعار تسليم. ونادرًا ما يكون المحور الوحيد الذي يهم في الإنتاج.

سياق العمل يفرّق بين مستندات من النوع نفسه تتبع عمليات مختلفة، مثل فاتورة محلية مقابل فاتورة استيراد، أو طلب أعمال جديدة مقابل طلب تجديد.

فئة السجل تحدد الاحتفاظ. فالاتفاقية الموقّعة نفسها قد تكون سجلًا تجاريًا عاديًا أو سجلًا معلنًا رسميًا له مدة احتفاظ قانونية. راجع إدارة السجلات.

الحساسية تحدد التحكم في الوصول والحجب. فالمستند الذي يحتوي بيانات بطاقات الدفع أو معلومات صحية يحتاج إلى تطبيق قواعد تعامل عند لحظة التصنيف، لا بعد توزيعه.

حاجة التوجيه تُصنَّف مباشرة أحيانًا، مثل وسم مستند بأنه يتطلب مراجعة قانونية بغض النظر عن نوعه.

ومعاملة هذه المحاور كتسميات منفصلة بدلًا من دمجها في تصنيف نوعي واحد تحمي التصنيف من التضخم التوافقي.

ثلاث مقاربات، وحيث تنكسر كل منها

التصنيف القائم على القواعد يطابق كلمات مفتاحية أو تعبيرات نمطية أو رموزًا شريطية أو بصمات تنسيق. وهو شفاف ورخيص التشغيل وقابل للتفسير ببساطة، وهذا مهم في البيئات الخاضعة للتنظيم. لكنه هشّ: فإعادة تصميم مورّد لقالبه، أو ظهور كلمة مفتاحية في سياق غير متوقع، يكسره. وتبقى القواعد الخيار الصحيح حين تكون الإشارة حتمية فعلًا، كرمز شريطي أو معرّف نموذج مطبوع على الصفحة.

التصنيف بتعلّم الآلة يدرّب نموذجًا على أمثلة معنونة، باستخدام سمات نصية أو سمات تنسيق أو كلتيهما. وهو يعمّم على تنوّع القوالب أفضل بكثير من القواعد. لكنه يتطلب بيانات تدريب معنونة، ويتراجع عندما تنحرف مستندات الإنتاج عن توزيع التدريب، وأخطاؤه أصعب في التفسير للمدقّق.

التصنيف بنموذج لغوي كبير يستخدم نموذجًا عامًا، موجَّهًا بالتلقين أو مصقولًا، ويحتاج قليلًا من بيانات التدريب الخاصة بالمهمة أو لا يحتاجها. وهو يتعامل جيدًا مع أنواع المستندات غير المعتادة وغير المرئية سابقًا، ويستطيع التصنيف على أساس الدلالة لا السمات السطحية. أما المقايضات فهي الكلفة لكل مستند عند الحجم الكبير، وزمن الاستجابة، وعدم الحتمية بين التشغيلات ما لم تُقيَّد، والنزوع إلى إنتاج تسمية معقولة لمستند كان ينبغي رفضه كغير قابل للتصنيف.

ومعظم أنظمة الإنتاج تجمع بينها: قواعد حتمية حيث يوجد علامة موثوقة، ونموذج مدرَّب للأنواع المعروفة عالية الحجم، ونموذج لغوي كبير كخيار احتياطي للذيل الطويل.

لماذا تنتمي العتبات إلى كل نوع مستند

عتبة درجة الثقة تقرر أي التصنيفات تُقبل تلقائيًا وأيها يُحال إلى شخص. وضبط عتبة عالمية واحدة هو أشيع خطأ تصميمي في هذه المرحلة.

والسبب أن كلفة الخطأ ليست موحّدة. فتصنيف كتيّب تسويقي خطأً كإشعار تسليم يهدر ثوانٍ قليلة. أما تصنيف إشعار قانوني خطأً كمراسلات عامة فقد يُفوّت موعدًا نهائيًا قانونيًا. الأول يمكن قبوله تلقائيًا بأمان عند ثقة متوسطة؛ والثاني يستحق المراجعة حتى عند ثقة عالية.

وتكرار الفئة يضاعف ذلك. فنوع يظهر في 40 بالمئة من الحجم لديه إشارة تدريب غزيرة وثقة حقيقية عالية عادةً. ونوع يظهر في 0.5 بالمئة لديه قليل منها، وقيم ثقته أقل جدارة بالاعتماد عند المستوى الرقمي نفسه.

والعتبات لكل نوع تتيح للنظام أتمتة الجزء الأكبر مع إبقاء النادر وذي الأثر الكبير للحكم البشري. وهي تجعل نقطة التشغيل صريحة وقابلة للمراجعة، بدلًا من دفنها في رقم واحد لا يستطيع أحد تبريره.

ما يخطئ عادةً

عدم وجود مخرَج “غير قابل للتصنيف”. إجبار كل مستند على الدخول في فئة يضمن التصنيف الخاطئ الواثق لكل ما هو جديد فعلًا. فوجود مسار صريح للرفض أو المراجعة متطلَّب لا ترف.

تجاهل الملفات متعددة المستندات. كثيرًا ما يحتوي ملف PDF ممسوح واحد على عدة مستندات. وبغير تقسيم على مستوى الصفحة قبل التصنيف، يُسمَّى الملف بحسب ما يهيمن على صفحته الأولى.

تصميم التصنيف على يد الأشخاص الخطأ. الفئات التي يحددها مالكو العمليات تكون قابلة للتنفيذ عادةً. أما الفئات الموروثة من هيكل حفظ ورقي فتميل إلى وصف حيث كانت المستندات تُخزَّن، وهذا لم يعد مفيدًا.

يطبّق Contellect One هذه المرحلة في تصنيف المستندات بالذكاء الاصطناعي.