Vytěžování dokumentů: od OCR k porozumění datům

Technologie OCR (Optical Character Recognition) je už desítky let základem digitalizace dokumentů ve firmách. Umožňuje převést naskenované dokumenty do digitální podoby a dále s nimi pracovat v systémech pro správu dokumentů, ERP nebo workflow nástrojích.

Vytěžování dokumentů dnes představuje klíčovou součást digitalizace dokumentů. Znamená převod obsahu dokumentu do strukturovaných dat, která lze dále zpracovat v systémech a procesech.

V posledních letech se ale OCR výrazně posouvá. Vedle samotného rozpoznání textu se stále více prosazuje schopnost porozumět obsahu dokumentu a pracovat s ním jako se strukturovanou informací.

Tento posun mění způsob, jakým firmy přemýšlejí o automatizaci dokumentů – od jednoduchého „přečtení“ směrem k jejich plnohodnotnému zapojení do procesů.

Co v článku najdete

• K čemu dnes firmy využívají vytěžování dokumentů
• Limity tradičního přístupu k OCR
• Moderní vytěžování dokumentů a práce s kontextem
• Dokument jako zdroj dat, ne jako soubor
• Rychlejší první nastavení, ale stále důležitá odborná konfigurace
• OCR jako součást širší architektury
• Kam se bude vytěžování dokumentů vyvíjet dál
• Pohled z praxe

K čemu dnes firmy využívají vytěžování dokumentů

V podnikové praxi patří vytěžování dokumentů mezi klíčové technologie pro zpracování velkého množství dokumentů.

Nejčastěji se používá například pro:

• vytěžování faktur
• zpracování smluv a příloh
• automatické třídění dokumentů
• digitalizaci archivních dokumentů
• zpracování formulářů a žádostí

Ve většině organizací je dnes vytěžování dokumentů součástí širší architektury – například v rámci ECM systémů, workflow nástrojů nebo integračních platforem, které umožňují dokumenty nejen digitalizovat, ale také automatizovaně zpracovávat.

Limity tradičního přístupu k OCR

Klasické OCR technologie jsou velmi efektivní při rozpoznání textu.

Samotné vytěžení konkrétních informací z dokumentu však často vyžaduje:

• definování pravidel
• konfiguraci šablon
• manuální nastavení validačních logik
• úpravy při změně formátu dokumentu

To může být náročné zejména v prostředí, kde dokumenty přicházejí od různých dodavatelů nebo mají velmi variabilní podobu.

Typickým příkladem jsou faktury s různými layouty nebo smlouvy, kde jsou klíčové informace ukryté v textu a nelze je jednoduše určit podle pozice na stránce.

Moderní vytěžování dokumentů: práce s kontextem

Moderní přístupy k vytěžování dokumentů přidávají další vrstvu inteligence.

Vedle samotného rozpoznání znaků začínají systémy využívat modely strojového učení a jazykové modely, které dokáží pracovat s kontextem dokumentu.

To umožňuje například:

• rozpoznat význam textových formulací
• extrahovat informace i z nestrukturovaného textu
• pracovat s tabulkami nebo složitými layouty
• identifikovat vztahy mezi jednotlivými údaji

Díky tomu se vytěžování dokumentů posouvá od prostého čtení dokumentu směrem k porozumění jeho obsahu.

Dokument jako zdroj dat, ne jako soubor

Jedním z největších posunů posledních let je změna pohledu na dokumenty.

Dlouhou dobu byly dokumenty ve firmách vnímány především jako soubory, které je potřeba uložit, archivovat a případně dohledat.

Dnes se ale stále více stávají zdrojem dat, která mohou automaticky vstupovat do firemních procesů.

Například:

• faktura není jen dokument, ale zdroj dat pro účetnictví
• smlouva není jen text, ale zdroj informací o závazcích a termínech
• formulář není jen scan, ale vstupní data pro další workflow

Právě vytěžování dokumentů v kombinaci s dalšími technologiemi umožňuje přechod od správy dokumentů ke správě informací.

Rychlejší první nastavení, ale stále důležitá odborná konfigurace

V posledních letech se objevují nové přístupy, které mohou urychlit počáteční nastavení řešení pro vytěžování dokumentů.

Moderní nástroje například dokážou rychleji vytvořit výchozí model nebo pomoci s návrhem základní extrakce polí.

To ale neznamená, že konfigurace projektů mizí. V praxi se pouze mění její charakter.

Zkušenosti z implementací ukazují, že skutečná hodnota řešení vzniká především v dalších vrstvách:

• nastavení validačních pravidel a práce s výjimkami
• integrace s ERP, DMS nebo workflow systémy
• návrh datového modelu a konzistence informací
• kontrola kvality vytěžených dat v čase
• bezpečnost, auditovatelnost a provozní správa

Právě tyto oblasti rozhodují o tom, zda automatizace zpracování dokumentů přinese stabilní a dlouhodobý přínos.

OCR jako součást širší architektury

Moderní vytěžování dokumentů dnes není izolovaný nástroj.

Stává se součástí širší architektury, která kombinuje více technologií:

• OCR pro rozpoznání textu
• klasifikaci dokumentů
• inteligentní extrakci dat
• validační mechanismy
• workflow a automatizaci procesů

Výsledkem je prostředí, kde dokumenty přestávají být pasivními soubory a stávají se aktivní součástí digitálních procesů.

Kam se bude vytěžování dokumentů vyvíjet dál

Vývoj v oblasti umělé inteligence naznačuje, že práce s dokumenty bude v následujících letech stále více automatizovaná.

Můžeme očekávat například:

• systémy, které dokáží interpretovat obsah dokumentu, nejen ho přečíst
• automatické vyhodnocování smluvních podmínek
• inteligentní kontrolu dat napříč systémy
• vyšší míru automatizace bez nutnosti manuálních zásahů

Vytěžování dokumentů tak bude hrát klíčovou roli v tom, jak firmy pracují s informacemi napříč systémy.

Pohled z praxe

Z našich zkušeností vyplývá, že největší přínos vytěžování dokumentů nevzniká samotným získáním dat, ale tím, jak jsou tato data zapojena do procesů firmy.

Například:

• jak přesně jsou validována
• jak se řeší výjimky
• jak jsou napojena na účetnictví nebo schvalovací workflow
• jak se dlouhodobě udržuje jejich kvalita

Právě správný návrh architektury a procesů rozhoduje o tom, zda řešení funguje stabilně a přináší reálnou hodnotu.

Technologie OCR zůstává klíčovou součástí digitalizace dokumentů, ale její role se postupně rozšiřuje. Z nástroje pro rozpoznání textu se stává součást systémů, které dokáží dokumenty nejen přečíst, ale také pochopit jejich obsah a zapojit informace přímo do podnikových procesů.

Pro firmy tak dnes není otázkou, zda vytěžování dokumentů využívat, ale jak ho správně navrhnout a zapojit do moderní architektury práce s informacemi.

Autor

Juraj Harašta
Head of SYS Team, Support

Juraj působí ve společnosti IXTENT od roku 2017. Zaměřuje se na architekturu systémů OpenText, automatizaci a integraci dokumentových procesů napříč firemními systémy. Podílel se na projektech pro společnosti jako E.ON, Kia Slovakia, Żabka Polska a další.