OCR (Optical Character Recognition) dokáže dokument prečítať – je základom vytěžovania dokumentov. V praxi sa však ukazuje, že tým sa práca iba začína.

Text vychádza zo skúseností s návrhom a rozvojom DMS v prostredí veľkých organizácií, kde spracovanie dokumentov nie je jednorazová operácia, ale súčasť širších procesov.

V praxi sa napríklad riešia situácie, keď systém správne vytěžuje dáta z faktúry, ale dokument nie je možné spracovať, pretože chýba väzba na dodávateľa v ERP.

Práve v takýchto situáciách sa ukazuje rozdiel medzi riešením, ktoré funguje na úrovni technológie, a riešením, ktoré funguje v reálnej prevádzke.

V nasledujúcich častiach sa pozrieme na to, čo sa deje po OCR v praxi.

V tomto článku:

Čo OCR a vytěžovanie dokumentov skutočne robí

OCR a vytěžovanie dokumentov prevádzajú obsah dokumentu do dátovej podoby. Typicky ide o rozpoznanie textu a vytěžovanie základných údajov.

V praxi sa ukazuje, že ide o technickú schopnosť dokument prečítať. Nerobia však rozhodnutie o tom, či sú dáta správne ani ako sa majú použiť. Vytěžovanie dát tak vytvára vstup pre ďalšie spracovanie, nie finálny výsledok.

ukážka extrakcie adresy z dokumentu pomocou OCR
Ukážka automatickej extrakcie adresy z dokumentu do štruktúrovanej podoby

Prečo tým práca nekončí

Akonáhle sú dáta z dokumentu k dispozícii, vstupujú do procesu. Dokument prestáva byť súborom a stáva sa zdrojom dát.

Typicky sa rieši, kam dáta patria, ako ich overiť a čo sa s nimi má diať ďalej. V prostredí, kde dokumenty prichádzajú z rôznych zdrojov a v rôznych formátoch, to znamená ich prepojenie na ďalšie systémy a riadenie celého procesu.

Pri spracovaní stoviek alebo tisícov dokumentov mesačne už nejde o jednotlivé dokumenty, ale o stabilitu celého riešenia a ich zapojenie do firemnej prevádzky.

Z pohľadu IT ide o otázku architektúry a integrácie. Z pohľadu businessu o rýchlosť, náklady a chybovosť procesov. Z pohľadu používateľa o to, či dokument prejde procesom bez potreby zásahu.

V praxi sa práve v tejto fáze rozhoduje o tom, či automatizácia spracovania dokumentov skutočne funguje.

Ak systém nedokáže s dátami ďalej pracovať, proces sa zastaví a dokument sa vracia späť na manuálne spracovanie. To znamená nielen spomalenie, ale aj zvýšenie chybovosti a prevádzkových nákladov.

Naopak, keď sú dáta správne naviazané na ďalšie systémy a procesy, dochádza k reálnej automatizácii – bez potreby zásahov a s predikovateľným výsledkom.

Validácia dát v praxi

Najväčší problém býva v tom, že dáta nie sú jednoznačné. Aj keď sú správne prečítané, nemusia zodpovedať realite v systéme.

To znamená, že systém síce „vidí“ správne dáta, ale nedokáže rozhodnúť, či sú správne v kontexte firmy.

Validácia slúži na overenie, že:

  • dáta dávajú zmysel
  • zodpovedajú existujúcim záznamom
  • spĺňajú definované pravidlá

V praxi sa ukazuje, že bez tejto vrstvy nie je možné zabezpečiť spoľahlivosť. Preto do procesu vstupuje človek vo chvíli, keď systém nedokáže rozhodnúť s dostatočnou istotou.

Najťažšia časť spracovania dokumentov nie je ich prečítanie, ale rozhodnutie, či sú dáta správne.

Z pohľadu riadenia procesov je validácia miestom, kde sa rozhoduje o kvalite dát. Z pohľadu prevádzky ide o bod, kde sa systém buď správa predvídateľne, alebo generuje výnimky.

validácia dát pri spracovaní dokumentov v DMS systéme
Validácia vytěžovaných dát a kontrola ich správnosti pred ďalším spracovaním

Výnimky a ich riešenie

Dokumenty nie sú jednotné. Líšia sa formátom, štruktúrou aj spôsobom zápisu informácií.

Typicky sa riešia situácie, keď:

  • chýbajú niektoré údaje
  • informácie nie sú na očakávanom mieste
  • ten istý údaj je zapísaný rôznymi spôsobmi

Pri vytěžovaní faktúr je bežné, že každý dodávateľ používa iný layout. Systém tak musí pracovať s variabilitou a počítať s výnimkami.

Najväčší problém býva práve v týchto odchýlkach. Ak nie sú správne spracované, dochádza k blokácii procesu alebo potrebe manuálneho zásahu.

Z pohľadu businessu sú výnimky hlavným zdrojom nákladov. Z pohľadu IT predstavujú komplexitu, ktorú je potrebné riadiť, nie eliminovať.

Ako to funguje vo firmách

Vo firmách je vytěžovanie dokumentov súčasťou širšej architektúry. Dáta z OCR vstupujú do workflow, kde prechádzajú validáciou a ďalším spracovaním.

Typicky sa rieši:

  • napojenie na ERP
  • automatické párovanie dát
  • riadenie schvaľovacích procesov

V praxi sa ukazuje, že kľúčová je integrácia. Samotné OCR bez napojenia na ďalšie systémy neprináša očakávaný efekt.

Reálna prevádzka zároveň znamená vysoké objemy dokumentov, rôzne formáty a potrebu priebežnej kontroly kvality dát.

Čo rozhoduje o funkčnom riešení

Funkčné riešenie nestojí na OCR, ale na celom procese spracovania dokumentov.

Rozhoduje:

  • kvalita vstupných dokumentov a ich rozpoznania
  • kvalita validačných pravidiel
  • spôsob práce s výnimkami
  • integrácia na systémy
  • návrh procesov

V praxi sa ukazuje, že bez správnej architektúry nie je možné zabezpečiť stabilné fungovanie. Vytěžovanie dokumentov je iba vstupná vrstva.

Rozdiel medzi riešeniami tak nevzniká v tom, ako dobre čítajú dokumenty, ale v tom, ako pracujú s dátami po ich vytěžovaní.

Funkčné riešenie spoznáte podľa toho, že väčšina dokumentov prejde procesom bez zásahu, výnimky sú riadené a predvídateľné a dáta zostávajú konzistentné naprieč systémami.

Naopak, riešenia, ktoré nezvládajú prácu s výnimkami, postupne strácajú automatizačný prínos a vracajú proces späť k manuálnemu spracovaniu.

Tento princíp je súčasťou širšieho kontextu digitalizácie dokumentov, kde jednotlivé kroky tvoria jeden celok.

Viac k téme nájdete v hlavnom článku Digitalizácia dokumentov: ako funguje vytěžovanie dát a čo rozhoduje o výsledku.

Autor

Juraj Harašta

Juraj pôsobí v IXTENTe od roku 2017, kde postupne vyrástol zo System Consultanta na Solution Architekta. Špecializuje sa na OCR a inteligentné spracovanie dokumentov – konkrétne na riešenia Tungsten (Kofax) Capture / Transformation. Za viac ako desať rokov sa podieľal na projektoch pre klientov naprieč odvetviami, okrem iného pre E.ON Business Services, MAN ES, OM Pharma a Conseq Investment Management. Je držiteľom certifikácií od OpenText, Microsoft (Azure Administrator, Solution Architect Expert) a Linux Professional Institute, čo mu umožňuje navrhovať riešenia end-to-end – od infraštruktúry až po aplikačnú vrstvu, ktoré dopĺňa certifikáciou na Tungsten (Kofax) Capture a Transformation.