A DMS-bevezetés után néhány hónappal szinte minden szervezetben ugyanaz a kép alakul ki. Az OCR fut, a dokumentumok bekerülnek a rendszerbe, az automatizáció papíron megvan. A validációs sor mégsem ürül ki. Van egy kolléga (vagy kettő), aki naponta megnézi, javítja, továbbküldi. A folyamat működik, de nem úgy, ahogy tervezték.
A csere ilyenkor nem opció. Egy DMS-váltás licenszköltségben, integrációs munkában és változásmenedzsmentben olyan terhet jelent, amit nehéz bármilyen hatékonysági érvvel megindokolni. A kérdés tehát nem az, hogy mit cseréljünk le, hanem hogy mit tegyünk a meglévő folyamat elé.
Hol keletkezik a legtöbb manuális munka?
A hibás vagy bizonytalan felismerés ritkán véletlenszerű. Ha megnézed, hol javít a validátor, általában ugyanazok a dokumentumtípusok, ugyanazok a partnerek és ugyanazok a mezők kerülnek elő újra és újra.
Ez nem a kollégák hibája, és nem is az OCR motoré. Az OCR-alapú feldolgozás jellemzően sablonokra vagy előre definiált szabályokra épít: ha a partner megváltoztatja a számla fejlécét, vagy egy új beszállító más elrendezést használ, a felismerési pontosság azonnal romlik. A rendszer nem érti, mit olvas, csak azt látja, hogy valami nem a megszokott helyen van.
A validátor ezért kénytelen minden mezőt megnézni. Nem tudja előre, melyikben lesz hiba, ezért egyiket sem hagyhatja ki. Ez az, ami a munkaidő nagy részét felemészti.
Mi az az „okosítási réteg”, és hogyan illeszkedik a meglévő folyamatba?
A GenAI-alapú feldolgozó réteg az OCR kimenet és a DMS közé kerül. Nem mellé, nem helyette, hanem közé. A DMS oldalán semmi nem változik: ugyanolyan strukturált adatot kap, mint eddig, csak megbízhatóbban.
Amit ez a réteg hozzáad a folyamathoz, három területen érhető tetten.
Az első a szemantikai értelmezés. A GenAI nem koordinátát keres a dokumentumon, hanem jelentést. Felismeri, hogy az „Esedékesség”, a „Fizetési határidő” és a „Due Date” ugyanaz a mező, akkor is, ha más pozícióban szerepel, más szóval írták, vagy egy folyószöveg részeként jelenik meg. Ez azt jelenti, hogy egy új sablonnál nem kell újraprogramozni a szabályokat, a rendszer a kontextusból következtet.
A második a logikai validáció. A réteg nem csak kinyeri az adatot, hanem ellenőrzi is: a nettó és az áfa valóban kiadja-e a bruttót, a dátumok konzisztensek-e, az összegformátumok egységesek-e. Ha eltérést talál, jelzi. Ha nem talál, átengedi.
A harmadik a bizonytalanság kezelése. A rendszer minden mezőhöz egy megbízhatósági szintet rendel, és csak azokat jelöli ki emberi ellenőrzésre, ahol valóban bizonytalan vagy inkonzisztenciát talál. A többit automatikusan átengedi a DMS-be. Ha a technológiai háttérre vagy kíváncsi, hogy pontosan hogyan épül egymásra az OCR és a GenAI réteg, ebben a cikkben részletesebben is bemutatjuk.
Hogyan változik meg a validátor szerepe GenAI bevezetésével?
A validátor nem tűnik el a folyamatból. A szerepe alakul át: az „adatrögzítőből” kivételkezelő lesz.
A különbség a napi munkában mérhető. Ahelyett, hogy minden dokumentumnál végigmegy az összes mezőn, csak azokat nézi meg, ahol a rendszer bizonytalanságot vagy eltérést jelez. Ez kevesebb kattintás dokumentumonként, kevesebb rutinmunka, és több figyelem oda, ahol valóban szükség van emberi döntésre.
A NitroDoc feldolgozó modulja erre az architektúrára épül: az előfeldolgozó réteg az OCR kimenetét veszi át, szemantikailag értelmezi, validálja, majd strukturált formátumban adja át a DMS-nek, anélkül, hogy a DMS oldalán bármit módosítani kellene.
Mire érdemes számítani a bevezetésnél?
Nem bonyolult, de nem is azonnali. Néhány dolgot érdemes reálisan látni.
Az integráció az előfeldolgozó rétegen zajlik. A DMS csatlakozó oldalán jellemzően nincs tennivaló, a munka az OCR kimenet és a feldolgozó réteg között van.
Az első hetekben a rendszer ismeretlen sablonokkal találkozik. A pontosság a visszajelzésekkel és a korrekciókkal nő, ezért az indulásnál érdemes számolni egy néhány hetes beállítódási időszakkal.
A 100%-os automatizáció nem reális célkitűzés, és nem is az a cél. Az emberi felügyelet a folyamat része marad, csak megváltozik, hogy hol és mennyit kell belőle. A legtöbb szervezetnél ez az első néhány hét után mérhető: kevesebb javítás, rövidebb validációs ciklus, kisebb terhelés a csapaton.
Hol érdemes elkezdeni a GenAI bevezetését a dokumentumfeldolgozásban?
A legtöbb szervezetnek nem új rendszerre van szüksége, hanem egy jobb rétegre a meglévő fölé. Az a kérdés, hogy a jelenlegi folyamatban hol a szűk keresztmetszet: hol javít a legtöbbet a validátor, milyen dokumentumtípusoknál és miért. Onnan visszafelé általában egyértelművé válik, hogy egy okosítási réteg mit tudna feloldani, és mit nem.
Ha kíváncsi vagy, hogy a ti dokumentumfeldolgozási folyamatotokban hol van a legnagyobb szűk keresztmetszet, szívesen átbeszéljük egy 30 perces egyeztetésen. Írj a genai@nitrowise.com címre, és egyeztetünk egy időpontot.
