استخراج بيانات المستندات هو تحديد قيم معيّنة والتقاطها من مستند، كالحقول والجداول والتواريخ والكيانات المسمّاة، على هيئة بيانات مهيكلة وفق مخطط محدد.
الاستخراج هو المرحلة التي تنتج المخرَج الذي تستهلكه عملية العمل فعلًا. فكل ما قبله يهيّئ المستند، وكل ما بعده يتحقق مما وجده الاستخراج ويوصّله.
ما الذي يُستخرج
حقول الترويسة هي القيم المفردة التي تعرّف المستند وتؤرخه: رقم الفاتورة، ومرجع أمر الشراء، وتاريخ الإصدار، والعملة، والإجمالي، واسم المورّد، والمعرّفات الضريبية.
بنود السطور والجداول بنى متكررة، وهي أصعب بكثير من حقول الترويسة. فقد يمتد بند السطر على أكثر من صف، أو يستمر عبر فاصل صفحة، أو يحمل معالجته الضريبية الخاصة، أو يشير إلى عنوان تسليم مختلف عن ترويسة المستند.
البنود التعاقدية تهم في العقود لا في المستندات المعاملاتية: حقوق الإنهاء، ومُدد الإشعار، وسقوف المسؤولية، والقانون الحاكم، وشروط التجديد. واستخراج البنود عادةً تحديد لنطاق نصي لا التقاط لقيمة، فيُعيد المقطع وموضعه ليقرأه المراجع في سياقه.
الكيانات هي الأطراف والأماكن والمنتجات والمعرّفات المسمّاة في أي موضع من النص، وقد لا تقابل حقلًا مُسمّى.
التوقيعات والعلامات تُكتشف ولا تُقرأ: هل مُلئ حقل التوقيع، وهل أُشِّر على مربع الاختيار، وهل ظهر الحرف الأول على كل صفحة.
البيانات الوصفية تُستنبط ولا تُوجد: عدد الصفحات، واللغة، وقناة الالتقاط، ودرجة الجودة، وقيم الثقة المرفقة بكل ما سبق.
الاستخراج القائم على القوالب مقابل القائم على النماذج
الاستخراج القائم على القوالب يحدد أين تقع القيم، إما بإحداثيات مطلقة أو نسبةً إلى مرتكز كتسمية حقل. ومع تنسيق ثابت يكون عالي الدقة وقابلًا للتفسير كليًا ورخيصًا. أما نمط فشله فلا يرحم: فمورّد يزيح حقلًا سنتيمترًا واحدًا، أو يضيف شعارًا يحرّك الترويسة، أو يصدر قالبًا جديدًا، يُنتج قيمًا خاطئة بهدوء بدلًا من ألّا يُنتج قيمًا.
والكلفة الخفية هي الصيانة. فقالب لكل مورّد لكل نوع مستند يصير مئات القوالب، كل منها يحتاج إصلاحًا كلما غيّر طرف مقابل أوراقه. وكثيرًا ما تقلّل المؤسسات من تقدير ذلك حتى تصير مكتبة القوالب غير قابلة للإدارة.
الاستخراج القائم على النماذج يتعلّم كيف يبدو الحقل من الأمثلة، مستخدمًا سمات النص والتنسيق والسمات البصرية معًا، فيعمّم على تنسيقات لم يرها. وهو يزيل عبء الصيانة لكل مورّد ويتعامل مع الذيل الطويل من الأطراف المقابلة قليلة الحجم التي لم تبرّر قالبًا يومًا.
ومقايضاته حقيقية. فهو يحتاج بيانات تدريب معنونة. ودقته على أي مستند مفرد أقل قابلية للتوقع من قالب مطابق. وعندما يخطئ، يكون شرح السبب للمدقّق أصعب من الإشارة إلى قاعدة إحداثيات.
والنمط العملي متعدد الطبقات: الاستخراج القائم على النماذج كخيار افتراضي، مع الاحتفاظ بالقوالب فقط حيث يمتلك طرف مقابل عالي الحجم تنسيقًا ثابتًا فعلًا ويبرّر الكسب في الدقة كلفة الصيانة.
التحقق بمراجعة بشرية داخل المسار
لا يبلغ أي نظام استخراج دقة كاملة، لذا فالسؤال التصميمي ليس هل يشارك البشر بل أين يشاركون.
والترتيب المعتاد يوجّه المستندات بحسب الثقة. فالقيم فوق عتبة خاصة بكل حقل تمرّ تلقائيًا. والقيم دونها تُدرَج في قائمة مراجعة، حيث يرى الشخص القيمة المستخرجة إلى جانب منطقة المستند التي جاءت منها، فيصححها إن لزم ويطلقها.
وخصيصتان تحددان نجاح ذلك. يجب أن تعود التصحيحات إلى التدريب، وإلا تكرر الخطأ نفسه بلا نهاية. ويجب أن تكون واجهة المراجعة أسرع من قراءة المستند من الصفر، لأنها إن لم تكن كذلك صارت القائمة أكلف من العملية اليدوية التي حلّت مكانها.
ومعدل المعالجة الآلية الكاملة، أي نسبة المستندات التي تكتمل دون أي لمسة بشرية، هو المؤشر الذي يلتقط ما إذا كان التوازن صحيحًا. راجع أتمتة سير عمل المستندات.
ما يخطئ عادةً
حساب متوسط الدقة عبر الحقول. رقم واحد يخفي أي الحقول يفشل. فيجب الإبلاغ عن الدقة لكل حقل، لأن تبعة مبلغ دفع خاطئ ليست تبعة وصف خاطئ.
الخلط بين الفارغ والمفقود. الحقل الذي لا يحتويه المستند فعلًا والحقل الذي فشل الاستخراج في إيجاده مخرَجان مختلفان يقتضيان تعاملًا مختلفًا. وإعادة قيمة فارغة لكليهما تُفقد ذلك التمييز.
تخطّي التحقق لأن الاستخراج يبدو واثقًا. الفحوص العابرة للحقول تلتقط ما لا تستطيع الثقة الحقلية التقاطه: إجماليات لا يستقيم جمعها، وتواريخ في ترتيب مستحيل، وضريبة لا تطابق النسبة السارية.
يستخرج Contellect One الحقول والجداول والكيانات في استخراج المعلومات المتقدّم.
