OCR (Optical Character Recognition) dokáže dokument přečíst – je základem vytěžování dokumentů. V praxi se ale ukazuje, že tím práce teprve začíná.

Text vychází ze zkušeností s návrhem a rozvojem DMS v prostředí velkých organizací, kde zpracování dokumentů není jednorázová operace, ale součást širších procesů.

V praxi se například řeší situace, kdy systém správně vytěží data z faktury, ale dokument nelze zpracovat, protože chybí vazba na dodavatele v ERP.

Právě v takových situacích se ukazuje rozdíl mezi řešením, které funguje na úrovni technologie, a řešením, které funguje v reálném provozu.

V následujících částech se podíváme na to, co se děje po OCR v praxi.

V tomto článku:

Co OCR a vytěžování dokumentů skutečně dělá

OCR a vytěžování dokumentů převádí obsah dokumentu do datové podoby. Typicky jde o rozpoznání textu a vytěžení základních údajů.

V praxi se ukazuje, že jde o technickou schopnost dokument přečíst. Nejde ale o rozhodnutí, zda jsou data správná, ani jak se mají použít. Vytěžování dat tak vytváří vstup pro další zpracování, ne finální výsledek.

Ukázka automatické extrakce adresy z dokumentu do strukturované podoby

Proč tím práce nekončí

Jakmile jsou data z dokumentu k dispozici, vstupují do procesu. Dokument přestává být souborem a stává se zdrojem dat.

Typicky se řeší, kam data patří, jak je ověřit a co se s nimi má dít dál. V prostředí, kde dokumenty přicházejí z různých zdrojů a v různých formátech, to znamená jejich propojení na další systémy a řízení celého procesu.

Při zpracování stovek nebo tisíců dokumentů měsíčně už nejde o jednotlivé dokumenty, ale o stabilitu celého řešení a jejich zapojení do firemního provozu.

Z pohledu IT jde o otázku architektury a integrace. Z pohledu businessu o rychlost, náklady a chybovost procesů. Z pohledu uživatele o to, zda dokument projde procesem bez potřeby zásahu.

V praxi se právě v této fázi rozhoduje o tom, zda automatizace zpracování dokumentů skutečně funguje.

Pokud systém neumí s daty dál pracovat, proces se zastaví a dokument se vrací zpět na manuální zpracování. To znamená nejen zpomalení, ale i zvýšení chybovosti a provozních nákladů.

Naopak, když jsou data správně navázaná na další systémy a procesy, dochází k reálné automatizaci – bez potřeby zásahů a s předvídatelným výsledkem.

Validace dat v praxi

Největší problém bývá v tom, že data nejsou jednoznačná. I když jsou správně přečtená, nemusí odpovídat realitě v systému.

To znamená, že systém sice „vidí“ správná data, ale neumí rozhodnout, zda jsou správná v kontextu firmy.

Validace slouží k ověření, že:

  • data dávají smysl
  • odpovídají existujícím záznamům
  • splňují definovaná pravidla

V praxi se ukazuje, že bez této vrstvy nelze zajistit spolehlivost. Proto do procesu vstupuje člověk ve chvíli, kdy systém neumí rozhodnout s dostatečnou jistotou.

Nejtěžší část zpracování dokumentů není jejich přečtení, ale rozhodnutí, zda jsou data správná.

Z pohledu řízení procesů je validace místem, kde se rozhoduje o kvalitě dat. Z pohledu provozu jde o bod, kde se systém buď chová předvídatelně, nebo generuje výjimky.

Validace dat při zpracování dokumentů v DMS systému
Validace vytěžených dat a kontrola jejich správnosti před dalším zpracováním

Výjimky a jejich řešení

Dokumenty nejsou jednotné. Liší se formátem, strukturou i způsobem zápisu informací.

Typicky se řeší situace, kdy:

  • chybí některé údaje
  • informace nejsou na očekávaném místě
  • tentýž údaj je zapsán různými způsoby

Při vytěžování faktur je běžné, že každý dodavatel používá jiný layout. Systém tak musí pracovat s variabilitou a počítat s výjimkami.

Největší problém bývá právě v těchto odchylkách. Pokud nejsou správně zpracované, dochází k blokaci procesu nebo potřebě manuálního zásahu.

Z pohledu businessu jsou výjimky hlavním zdrojem nákladů. Z pohledu IT představují komplexitu, kterou je potřeba řídit, ne eliminovat.

Jak to funguje ve firmách

Ve firmách je vytěžování dokumentů součástí širší architektury. Data z OCR vstupují do workflow, kde procházejí validací a dalším zpracováním.

Typicky se řeší:

  • napojení na ERP
  • automatické párování dat
  • řízení schvalovacích procesů

V praxi se ukazuje, že klíčová je integrace. Samotné OCR bez napojení na další systémy nepřináší očekávaný efekt.

Reálný provoz zároveň znamená vysoké objemy dokumentů, různé formáty a potřebu průběžné kontroly kvality dat.

Co rozhoduje o funkčním řešení

Funkční řešení nestojí na OCR, ale na celém procesu zpracování dokumentů.

Rozhoduje:

  • kvalita vstupních dokumentů a jejich rozpoznání
  • kvalita validačních pravidel
  • způsob práce s výjimkami
  • integrace na systémy
  • návrh procesů

V praxi se ukazuje, že bez správné architektury nelze zajistit stabilní fungování. Vytěžování dokumentů je jen vstupní vrstva.

Rozdíl mezi řešeními tak nevzniká v tom, jak dobře čtou dokumenty, ale v tom, jak pracují s daty po jejich vytěžení.

Funkční řešení poznáte podle toho, že většina dokumentů projde procesem bez zásahu, výjimky jsou řízené a předvídatelné a data zůstávají konzistentní napříč systémy.

Naopak řešení, která nezvládají práci s výjimkami, postupně ztrácí automatizační přínos a vrací proces zpět k manuálnímu zpracování.

Tento princip je součástí širšího kontextu digitalizace dokumentů, kde jednotlivé kroky tvoří jeden celek.

Více k tématu najdete v hlavním článku Digitalizace dokumentů: jak funguje vytěžování dat a co rozhoduje o výsledku.

Autor

Juraj Harašta

Juraj působí v IXTENTu od roku 2017, kde postupně vyrostl ze System Consultanta na Solution Architekta. Specializuje se na OCR a inteligentní zpracování dokumentů – konkrétně na řešení Tungsten (Kofax) Capture / Transformation. Za více než deset let se podílel na projektech pro klienty napříč odvětvími, mimo jiné pro E.ON Business Services, MAN ES, OM Pharma a Conseq Investment Management. Je držitelem certifikací od OpenText, Microsoft (Azure Administrator, Solution Architect Expert) a Linux Professional Institute, což mu umožňuje navrhovat řešení end-to-end – od infrastruktury až po aplikační vrstvu, které doplňuje certifikací na Tungsten (Kofax) Capture a Transformation.