Belgeden veri çıkarımı, bir belgeden alanlar, tablolar, tarihler ve adlandırılmış varlıklar gibi belirli değerlerin saptanması ve tanımlı bir şemayla yapılandırılmış veri olarak yakalanmasıdır.
Çıkarım, bir iş sürecinin gerçekten tükettiği çıktıyı üreten aşamadır. Ondan önceki her şey belgeyi hazırlar; ondan sonraki her şey çıkarımın bulduğunu denetler ve teslim eder.
Neyin çıkarıldığı
Başlık alanları, bir belgeyi tanımlayan ve tarihlendiren tek değerlerdir: fatura numarası, satın alma siparişi referansı, düzenleme tarihi, para birimi, toplam, tedarikçi adı ve vergi tanımlayıcıları.
Satır kalemleri ve tablolar yinelenen yapılardır ve başlık alanlarından belirgin biçimde daha zordur. Bir satır kalemi satırlar arasına sarabilir, bir sayfa sonundan öteye sürebilir, kendi vergi işlemine sahip olabilir veya belge başlığından farklı bir teslim adresine gönderme yapabilir.
Hükümler, işlem belgelerinde değil sözleşmelerde önem taşır: fesih hakları, ihbar süreleri, sorumluluk üst sınırları, uygulanacak hukuk, yenileme koşulları. Hüküm çıkarımı genellikle değer yakalamaktan çok bölüm saptamasıdır; pasajı ve konumunu döndürür, böylece inceleyen kişi onu bağlamı içinde okuyabilir.
Varlıklar, metnin herhangi bir yerinde adı geçen taraflar, yerler, ürünler ve tanımlayıcılardır; bunlar etiketli bir alana karşılık gelmeyebilir.
İmzalar ve işaretler okunmaz, saptanır: bir imza bloğunun doldurulup doldurulmadığı, bir onay kutusunun işaretlenip işaretlenmediği, her sayfada paraf görünüp görünmediği.
Üst veri bulunmaz, türetilir: sayfa sayısı, dil, yakalama kanalı, kalite puanı ve yukarıdaki her şeye eklenen güven değerleri.
Şablon tabanlı çıkarıma karşı model tabanlı çıkarım
Şablon tabanlı çıkarım, değerlerin nerede durduğunu ya mutlak koordinatlarla ya da bir etiket gibi bir çıpaya göre tanımlar. Kararlı bir yerleşim verildiğinde son derece doğru, tümüyle açıklanabilir ve ucuzdur. Başarısızlık biçimi affetmez: bir tedarikçinin bir alanı bir santimetre kaydırması, başlığı kaydıran bir logo eklemesi veya yeni bir şablon yayımlaması, değersizlik değil sessizce hatalı değerler üretir.
Gizli maliyet bakımdır. Belge türü başına ve tedarikçi başına bir şablon, her biri karşı taraf evrakını değiştirdiğinde onarım gerektiren yüzlerce şablona dönüşür. Kuruluşlar bunu, şablon kütüphanesi çoktan yönetilemez hâle gelene kadar sıklıkla küçümser.
Model tabanlı çıkarım, bir alanın neye benzediğini metin, yerleşim ve görsel öznitelikleri birlikte kullanarak örneklerden öğrenir; böylece görmediği yerleşimlere genelleşir. Tedarikçi başına bakım yükünü ortadan kaldırır ve hiçbir zaman bir şablonu gerekçelendirmemiş, düşük hacimli karşı tarafların uzun kuyruğunu ele alır.
Ödünleri gerçektir. Etiketli eğitim verisi gerektirir. Herhangi bir tek belgedeki doğruluğu, eşleşen bir şablona kıyasla daha az öngörülebilirdir. Ve yanlış olduğunda nedenini bir denetçiye açıklamak, bir koordinat kuralını göstermekten daha zordur.
Pratik desen katmanlıdır: varsayılan olarak model tabanlı çıkarım, şablonlar ise yalnızca yüksek hacimli bir karşı tarafın gerçekten kararlı bir yerleşimi olduğu ve doğruluk kazancının bakımı gerekçelendirdiği yerlerde korunur.
Döngüde insan bulunan doğrulama
Hiçbir çıkarım sistemi tam doğruluğa ulaşmaz; bu nedenle tasarım sorusu insanların katılıp katılmayacağı değil, nerede katılacağıdır.
Olağan düzenleme belgeleri güvene göre yönlendirir. Alan başına bir eşiğin üzerindeki değerler otomatik geçer. Altındaki değerler inceleme için kuyruğa alınır; burada bir kişi çıkarılan değeri geldiği belge bölgesinin yanında görür, gerekirse düzeltir ve serbest bırakır.
Bunun işleyip işlemediğini iki özellik belirler. Düzeltmelerin eğitime geri beslenmesi gerekir; yoksa aynı hata süresiz olarak yinelenir. Ve inceleme arayüzünün, belgeyi sıfırdan okumaktan daha hızlı olması gerekir; çünkü değilse kuyruk, yerini aldığı manuel süreçten daha pahalıya gelir.
Doğrudan işleme oranı, yani hiçbir insan teması olmadan tamamlanan belgelerin oranı, dengenin doğru olup olmadığını yakalayan ölçüttür. Bkz. belge iş akışı otomasyonu.
Yaygın olarak yanlış giden şeyler
Doğruluk alanlar arasında ortalanır. Tek bir sayı hangi alanların başarısız olduğunu gizler. Doğruluk alan başına raporlanmalıdır; çünkü hatalı bir ödeme tutarının sonucu, hatalı bir açıklamanın sonucu değildir.
Boş ile eksik birbirine karıştırılır. Belgenin gerçekten içermediği bir alan ile çıkarımın bulmayı başaramadığı bir alan, farklı ele alma gerektiren farklı sonuçlardır. İkisi için de boş değer döndürmek bu ayrımı yitirir.
Çıkarım özgüvenli göründüğü için doğrulama atlanır. Alanlar arası denetimler, alan başına güvenin yakalayamadığını yakalar: toplamı tutmayan tutarlar, olanaksız sırada tarihler, uygulanabilir orana uymayan vergi.
Contellect One alanları, tabloları ve varlıkları ileri düzey bilgi çıkarımı kapsamında çıkarır.
