新视野，如何使用AI优化文档理解？

在瞬息万变的数字化时代，快速准确地处理文档数据是保持竞争力的关键。在今天的文章中，我们先来讨论数字化和光学字符识别（OCR）。然后再分析公司如何使用AI支持的文档识别来扩展OCR，从而通过更好的文档理解功能来推动价值。

第一阶段：使用OCR将离线数据转换为在线数据

传统的文档处理实践很繁琐。许多公司仍然面临着诸多挑战，比如不正确的标签以及由于非数字化文档处理而导致的手动数据提取会浪费大量时间。

现在，很多公司正在借助数字化转型来应对这些挑战。2019年M-Files的调查显示，41％的受访者计划用电子表格替换纸质表格; 70％的受访者计划将文档处理扩展到更多的数字文档，而2018年这个比例只有39％。

很多文档处理的专业企业已借助数字化技术来将物理文档转换为数字格式。而这些过程的核心就是OCR。OCR技术可识别物理材料和图像中的文本，然后将文本转换为数字文件，例如PDF。

使用OCR的解决方案对于帮助减轻文档处理的麻烦至关重要。但是，传统的OCR技术有其局限性的。

第二阶段：从在线数据转移到“智能OCR”

在以前的处理中，我们都是先给文档拍照或将文档扫描到选择的系统中。现在，对数据进行分类和提取取决于所扫描图像的质量。为什么这对于使用OCR的文档处理解决方案很重要呢？

OCR解决方案与处理的基础文档的质量紧密相关。当OCR软件无法区分字符时就会带来挑战，例如'3'与'8'或'O'与'D'。当OCR技术无法根据文档的质量或原始格式来分析文档的细微差别时，使用OCR软件可能会成为新的难题。

此时，AI驱动的文档识别将发挥关键作用。

随着AI功能的发展，很多公司已开始创建和训练机器学习（ML）模型以应用于OCR。基于模型的OCR引擎或者所谓的智能OCR引擎，能在将文档和文本大规模数字化的同时，减少错误。

智能OCR可帮助公司数字化文档和图像，而这些文档和图像以前被证明是传统OCR系统所面临的挑战，例如手写字母，复选框和划线。

第三阶段：使用AI进行更好的数据提取和文档分类

将文档转换为数字格式是从文档本身获取价值的诸多步骤中的第一步。如果进行数字化，OCR软件必须了解所使用文档的类型以及相关内容。

使用传统OCR软件的公司可能难以扩展文档分类工作。传统的OCR引擎使用简单的方法（例如标头识别）对文档类型进行分类。这种方法可能会限制公司在粒度级别上对文档进行分类的能力。 一旦使用传统的OCR解决方案对文档进行分类，公司通常仅限于文档模板、预定义的“配方”，或者用于在文档中查找该字段的“规则”。客户可以基于数据中的重复模式、文档中的位置以及相对于文档中易于找到的其他内容（例如徽标）的位置来创建规则。虽然模板是一个自然的起点，但它们是静态的。

随着文档处理工作规模的扩大，公司就需要投资于模板管理和新模板创建，来处理最初实施中不相关的文档变体。

但在文档分类和数据提取中利用AI的优势改变了这一状态，让整个过程变得更加容易。

如果想要获得数字格式的数据，就可以使用经过训练的模型来更深入地研究文档，以对文档类型进行分类并以结构化方式提取相关信息。

基于模型的OCR解决方案可以识别文档类型，然后与企业使用的已知文档类型进行匹配。他们还可以解析和理解非结构化文档中的文本块。一旦解决方案对文档本身有了更多了解，它就可以开始根据意图和含义提取相关信息。 客户不需要创建模板就可以定义所需的字段（文档的分类法），然后教ML模型查找这些字段。该模型还能够根据传入的文档进行自我调整，并从人工验证的已处理文档中学习。

这些功能赋予了文档处理解决方案更大的灵活性、伸缩性。这些输出还为数据使用开启了新的大门。

第四阶段：使用AI赋予新的洞察力和行动

使用AI进行文档分类和数据提取是整个过程中迈出的重要一步，可为组织提供自动化和准确的文档处理功能。从长远来看，客户可以开始制定路线图的方式来利用AI功能，然后对提取的文本进行更多处理。

使用AI，客户可以通过引用来自多个文档或来自各种后端系统的数据来验证错误。例如，假设发票金额不正确（该错误不是OCR流程中的错误）。要找到问题的根源，可以借助机器人组合来提取许多文档类型和系统中的数据。这有助于交叉检查那些在OCR流程本身范围之外的数据、表面异常和错误。

客户还可以开始将人工智能功能随着时间的推移和历史背景应用于数据集，以做出预测并识别可能指示欺诈的潜在异常。以保险索赔处理为例子，该过程的第一步是将索赔数字化。然后，从索赔中提取相关信息（例如索赔日期，性质和金额）。接下来查看这些数据点，并使用ML模型来识别特定的索赔，这些索赔对于给定的变量（如重复发生和可疑金额）可能是欺诈性的。

借助AI执行上述类型的任务是完全可能的，使用AI扩展OCR，可以使文档处理成为流程中更有价值且不那么乏味的部分。