Na ekranie faktura wygląda czytelnie. W wyniku OCR kwota zmienia przecinek w kropkę, „ł” znika z nazwy, a stopka zostaje dołączona do ostatniej pozycji tabeli. Model odpowiada pewnie, bo właśnie dostał tekst. Problem powstał wcześniej: przy zamianie obrazu na dane.
OCR, czyli rozpoznawanie znaków z obrazu, jest tylko pierwszą warstwą. Potrzebujesz jeszcze układu, pól i reguł sprawdzających. W polskich dokumentach diakrytyka i formaty liczb nie są detalem kosmetycznym. Potrafią zmienić kontrahenta oraz kwotę.
Zbierz własny zestaw dokumentów
Nie zaczynaj od demonstracyjnej faktury dostawcy. Wybierz typowy PDF tekstowy, dobry skan, zdjęcie telefonem, dokument kilkustronicowy i tabelę z nietypowym układem. Dodaj przypadki z pieczątką, dopiskiem i niską rozdzielczością.
Zapisz oczekiwane wartości ręcznie przed testem. Dla każdego dokumentu przygotuj kilka pól: numer, datę, kwotę, walutę, strony i wybrane pozycje. Nie musisz opisywać każdego znaku. Test ma dotyczyć decyzji, którą proces podejmie na podstawie odczytu.
Ogranicz dane osobowe. Jeżeli używasz dokumentów rzeczywistych, zatwierdź kanał i retencję. Do porównania układu często wystarczą fikcyjne pliki zachowujące trudność oryginału. Nie wysyłaj całej księgowości, żeby sprawdzić jeden rodzaj tabeli.
PDF tekstowy nie jest skanem
W PDF tekstowym można pobrać warstwę znaków. Nie zawsze oznacza ona poprawną kolejność czytania. Kolumny mogą zostać połączone, nagłówki wplecione w pozycje, a stopka pojawić się w środku akapitu. Sprawdź strukturę przed wysłaniem do modelu.
Skan wymaga rozpoznania obrazu. Jakość zależy od rozdzielczości, kontrastu, krzywizny i kompresji. Model multimodalny może analizować obraz bez osobnego OCR, ale to nie usuwa błędów. Zmienia warstwę, w której powstają.
Dokument mieszany może mieć tekstową stronę główną i zeskanowane załączniki. Proces powinien wykryć różnicę i nie traktować pustej warstwy tekstu jako pustej strony. To prosty przypadek, który często znika przy teście na samych jednolitych plikach.
Polskie znaki sprawdzaj w polach krytycznych
Porównaj „ą” z „a”, „ę” z „e”, „ł” z „l”, „ó” z „o” oraz „ż” z „z”. Błąd w zwykłym opisie może być drobny. W nazwisku, nazwie firmy, kodzie lub identyfikatorze zmienia wyszukiwanie i powiązanie rekordu.
Nie poprawiaj nazwy automatycznie na podstawie słownika prawdopodobnych słów. „Łukasz” i „Lukasz” bez ł nie zawsze są tym samym zapisem w systemie. Jeżeli istnieje zewnętrzny rejestr, użyj go zgodnie z zasadami i zachowaj oryginalny odczyt. Model nie powinien wymyślać diakrytyki tam, gdzie nie ma dowodu.
Testuj także eksport. OCR może odczytać znak poprawnie, a kolejny system uszkodzić go przy kodowaniu CSV. Otwórz wynik w docelowym narzędziu. Zielony log konwersji nie mówi, jak wygląda nazwa w arkuszu księgowego.
Liczby wymagają reguł, nie intuicji
Zapisz format wejścia: przecinek dziesiętny, spacja jako separator tysięcy, symbol waluty przed lub po kwocie, minus i nawias. Wartość „1 234,56” nie powinna stać się 1,23456 ani 123456 tylko dlatego, że parser lubi proste liczby.
Oddziel kwotę netto, VAT i brutto. Podobne etykiety nie zawsze są w tej samej kolejności. Model może zaproponować pole, ale reguły powinny sprawdzić relację, jeżeli dokument zawiera wszystkie składniki. Przy braku możliwości obliczenia zaznacz ograniczenie.
Nie „naprawiaj” sumy do oczekiwanej wartości bez właściciela. Błąd może być w dokumencie, odczycie albo regule zaokrąglenia. Zapisz rozbieżność i źródło. Proces ma wykrywać problem, nie wygładzać go przed kontrolą.
Tabela jest relacją wierszy i kolumn
Sam tekst tabeli traci sens, gdy nagłówek zostanie oddzielony od wartości. Potrzebujesz struktury komórek, łączenia kolumn i informacji o stronie. Przy tabeli przechodzącej przez strony sprawdź, czy nagłówek został powtórzony lub prawidłowo odtworzony.
Dodaj przypadek z pustą komórką. Model nie powinien przesuwać kolejnych wartości w lewo, żeby tabela wyglądała pełniej. Puste pole ma znaczenie. Podobnie komórka scalona nie oznacza, że każda pozycja ma oddzielną wartość.
Po odczycie porównaj liczbę wierszy i wybrane sumy z oryginałem. Jeżeli proces nie zachowuje relacji, nie przesyłaj wyniku jako gotowych danych księgowych. Może służyć do wyszukiwania, ale nie do automatycznego zapisu.
Układ strony zmienia znaczenie
Stopka z tekstem „bez podpisu” może dotyczyć całego dokumentu, a nie ostatniej pozycji. Uwaga w ramce może być ważniejsza od głównego akapitu. Numer strony nie jest datą ani numerem faktury, choć liczby bywają podobne.
Zachowaj współrzędne lub odwołanie do obszaru, jeżeli narzędzie je udostępnia. Przy odbiorze człowiek powinien kliknąć pole i zobaczyć źródłowy fragment. To skraca sprawdzanie oraz pozwala odróżnić błąd modelu od niejasnego dokumentu.
Nie każde zadanie wymaga pełnego układu. Do wyszukiwarki wystarczy tekst z podstawowymi sekcjami. Do ekstrakcji płatności potrzebujesz więcej. Dobierz koszt i technologię do skutku błędu, nie do nazwy „AI” na stronie narzędzia.
Dziel proces na etapy z odbiorem
Najpierw wykryj typ dokumentu i jakość. Potem odczytaj tekst oraz strukturę. Następnie wydobądź pola, sprawdź reguły i skieruj wyjątki do człowieka. Na końcu zapisz wynik z wersją źródła.
Taki podział pozwala zatrzymać nieczytelny plik przed zgadywaniem pól. Jeżeli strona jest pusta lub obrócona, komunikat powinien dotyczyć wejścia. Prośba „spróbuj jeszcze raz” może tylko zwrócić inną wersję błędu.
Nie wymagaj ręcznego odbioru każdego znaku. Wskaż pola krytyczne i przypadki niezgodne. Przy niskim ryzyku próbkuj wyniki. Przy płatności lub danych prawnych próg eskalacji powinien być znacznie ostrzejszy.
Pewność odczytu nie jest prawdą
Narzędzia mogą zwracać wyniki pewności dla słów lub pól. Sprawdź, co oznaczają i czy są porównywalne między typami dokumentów. Nie przyjmuj arbitralnego progu 0,8 jako uniwersalnej granicy bezpieczeństwa.
Zbuduj zestaw z ręcznie potwierdzonymi wartościami i zobacz, przy jakich wynikach występują błędy. Jeżeli pole ma wysoką pewność, ale jest sprzeczne z sumą, reguła powinna je zatrzymać. Liczba nie może nadpisywać zdrowego konfliktu danych.
Model językowy dodatkowo może napisać „jestem pewien” bez kalibracji. To nie jest metryka. Do procesu używaj weryfikowalnych sygnałów i wyników testów, a nie stopnia entuzjazmu w odpowiedzi.
Test dokumentu kilkustronicowego
Przygotuj umowę lub zestaw faktur, w których tabela przechodzi przez strony, a dane nagłówka nie powtarzają się. Sprawdź, czy proces nie łączy osobnych dokumentów w jeden rekord. Numer sekcji nie zawsze oznacza nowy dokument.
Dodaj pustą stronę i załącznik w innym formacie. System powinien zachować kolejność, ale nie przypisywać każdej strony do głównego dokumentu bez reguły. Jeżeli plik zawiera partię dokumentów, zastosuj klasyfikację lub podział przed ekstrakcją.
Przy limicie długości nie ucinaj końca bez informacji. Może zawierać podpis, warunek lub ostatnią sumę. Zapisz, które strony zostały pominięte i dlaczego. Odpowiedź „przeanalizowano dokument” powinna oznaczać całość albo jawnie opisany zakres.
Typy błędów OCR i właściwe poprawki
Zły obraz to problem wejścia. Zły znak to OCR. Zła kolumna to układ. Zła kwota przy poprawnym odczycie to mapowanie lub reguła. Każdy typ ma inną poprawkę i inny test.
Nie zmieniaj modelu po każdym błędzie. Czasem wystarczy poprawić skanowanie albo zachować nagłówek tabeli. Jeżeli zmieniasz narzędzie, uruchom ten sam zestaw i porównaj błędy według warstw. Ogólna ocena „wydaje się lepszy” ukrywa regresję w jednym typie dokumentu.
Zachowaj przypadki naprawione jako regresję. Po aktualizacji usługi lub modelu powtórz zależne testy. Dostawca może poprawić odczyt tekstu, a zmienić strukturę tabeli. Twoja rubryka powinna zauważyć obie rzeczy. Przy dalszym przetwarzaniu przydatne są zasady z przewodnika o czyszczeniu danych w arkuszach z AI.
Kiedy człowiek musi zobaczyć oryginał
Eskaluj nieczytelne identyfikatory, sprzeczne kwoty, brak strony, nieznany format i każdą wartość wymagającą zgadywania. Człowiek powinien dostać obraz, odczyt i powód zatrzymania. Sam komunikat „niska pewność” nie pomaga podjąć decyzji.
Nie przenoś odpowiedzialności na użytkownika przyciskiem „zatwierdź wszystko”. Pokaż różnice i pola do sprawdzenia. Jeżeli dokument ma sto poprawnych wierszy, nie wymagaj klikania każdego. Odbiór ma skupiać się na ryzyku, nie na ceremonii.
Przy powtarzalnych błędach popraw proces źródłowy. Może dostawca może wysyłać PDF tekstowy zamiast zdjęcia. To jest mniej spektakularne niż nowy model, ale często daje większą poprawę i niższy koszt.
Mały pilotaż przed automatycznym zapisem
Wybierz jeden typ dokumentu i trzydzieści przypadków o różnej jakości. Zmierz błędy pól, struktury i czasu odbioru. Porównaj z procesem ręcznym, wliczając przygotowanie oraz poprawki. Nie raportuj samej szybkości generowania.
Najpierw zapisuj wynik jako propozycję. Automatyczny zapis włącz dopiero dla pól i przypadków, które przechodzą reguły. Zachowaj możliwość wycofania oraz historię zmian. Błędna faktura nie powinna być materiałem do nauki metodą prób na produkcji.
Raport jakości bez jednego procentu na wszystko
Oddziel trafność znaków, pól i struktury. Dokument może mieć niemal idealny tekst, a mimo to błędną kwotę w jedynym polu, którego potrzebuje proces. Ogólna miara czytelności nie pokaże skutku biznesowego.
Zapisuj błędy według typu dokumentu i ważności pola. Przy małej próbce pokazuj liczby bezwzględne, nie tylko procenty. „Dwa błędne NIP-y na dwanaście skanów” jest konkretne. „98,4% jakości” wymaga dodatkowych pytań o mianownik i sposób liczenia.
Raport powinien zawierać także czas ręcznego odbioru. Jeżeli użytkownik sprawdza każdą stronę od początku, automatyzacja nie oszczędza tyle, ile sugeruje szybkość OCR. Po poprawce powtórz ten sam pomiar z podobnym zestawem.
Przygotowanie obrazu bez udawania lepszej treści
Obrót, kadrowanie i poprawa kontrastu mogą ułatwić odczyt. Zapisz operacje i zachowaj oryginał. Nie stosuj agresywnego wyostrzania ani wypełniania fragmentów, które tworzą nowe kształty znaków. Obraz roboczy nie może stać się jedynym dowodem.
Jeżeli strona jest nieczytelna dla człowieka, nie wymagaj od modelu cudu. Poproś o lepszy skan lub inny format. W przypadku dokumentów prawnych zachowaj zasady obiegu oryginału. Techniczne poprawienie obrazu nie zmienia statusu dokumentu.
Przy odbiorze pokaż oryginał i wersję roboczą obok siebie. To pozwala zauważyć, czy preprocessing usunął pieczątkę, dopisek albo część tabeli. Zmiana jakości powinna być odwracalna i udokumentowana.
Pytania przed wyborem narzędzia
Sprawdź obsługę twoich typów plików, struktur i języków na aktualnej dokumentacji. Zapytaj o limity stron, rozmiar, region przetwarzania, retencję, eksport współrzędnych i możliwość walidacji. Nie porównuj wyłącznie ceny za stronę bez kosztu odbioru.
Wykonaj test na tych samych danych i z tą samą rubryką. Jeżeli narzędzie nie zachowuje relacji tabeli, być może nadaje się do wyszukiwania, ale nie do księgowości. Wybór dotyczy procesu, nie ogólnego tytułu najlepszego OCR.
Przy mapie takiego procesu Aeneia Audit pomaga rozdzielić OCR, reguły i odpowiedzialność. Przy powiązaniu dokumentów z agentami pomocny jest przewodnik Aeneia Signal o workflow.
Przy porównaniu OCR wybierz te same dokumenty i sprawdzaj nie tylko czytelność zdań. Relacja między kwotą a właściwą kolumną może zdecydować, czy wynik nadaje się do dalszej pracy.
Sprawdź nas. To zdrowe.
Temat zmienia się szybko. Linki prowadzą do źródeł pierwotnych i stron, na których możesz zweryfikować kontekst.
