OCR · 文書のデジタル化
Optical Character Recognition
OCRとは?
- 画像内の文字をテキストに変換
- ディープラーニングで文書の構造まで理解するレベル
- 重要項目は検証ルールと人による確認が必要
OCRが実際に変えるのは「探す時間」と「数える単位」です。キャビネットにとじられた契約書3,000件は担当者の記憶に頼りますが、テキストに変わった瞬間に取引先名・金額・満了日で検索でき、月別に集計できるようになります。業務の起点が人の目からシステムへ移るという意味でもあります。これまでは人が見て判断して入力していたのが、今後はデータが先に届き、人は確認するだけの構造へと順序が逆転します。
導入前に文書を3つに分けて見ると、見積もりと難易度が変わります。最初からデジタルで生成されたPDFはテキストレイヤーがあるため、OCRではなく抽出だけで済みます。税金計算書(インボイス)・身分証のように様式が固定された定型文書は、位置をもとに抽出するため精度が高くなります。一方、自由様式の契約書や手書きのチェックリストは、表と項目の関係まで読む必要があるため、IDP(インテリジェント文書処理)の領域に入ります。スキャン解像度は300dpi以上が基本ラインで、それを下回ると0と8、1と7が頻繁に入れ替わります。見積もりを受けるときは、文字単位の精度と項目単位の精度はまったく別の数字であることを確認する必要があります。
最も多い誤解は「認識率99%なら人の手はいらない」という計算です。文字単位の99%は、12桁の事業者番号1項目で見ると約89%にとどまり、1枚に確認項目が15個あれば、完全に正しい文書の割合はさらに下がります。そのため結局は全件検収に戻り、手入力より遅くなる現場が出てきます。信頼度スコアで自動通過分と人の確認分を分けなければ、削減効果は消えます。もう一つ、スキャンしたから原本は捨ててよいと判断し、税務調査や訴訟で原本の提出を求められた事故もあります。電子化文書の法的効力の要件と保存期間を先に確認し、個人情報を含む文書を外部APIに送るときは、委託契約と学習データ活用の有無まで文書で残す必要があります。
20世紀初頭、視覚障害者向けの読み上げ機械や郵便物の自動仕分けの研究に端を発し、1950〜60年代には商用の文字認識装置が登場しました。2010年代以降はディープラーニングが適用されて認識率が大きく向上し、文書の構造まで理解するレベルへと発展しました。
建設資材を流通させるA社は、役職員140名、年間売上約900億ウォン(約1,076,310万円)の規模です。毎月、取引先から紙とファクスで届く税金計算書(インボイス)・取引明細書が4,200件あり、経理チーム4名がそれをすべて手入力でERPに入力していたため、月次の締めが毎回5日を超えていました。財務チーム長が3か月のパイロットとしてOCR導入を決定しました。(仮想の例)
- 財務チーム長が1ヶ月分の受付文書を種類別に数えたところ、4,200件のうち78%が取引明細書の1種類であることが分かり、「これさえ押さえれば半分は終わる」として対象文書を1種類に絞って始めました。
- 実際のスキャン文書300件で試した結果、印刷原本は97%、ファクス受信文書は71%でした。現場担当者が「ファクスは再送付を求めよう」と提案し、受付経路から先に変えました。
- 情報システム担当の代理が、事業者番号のチェックサムと「供給価額+税額=合計」の検算ルールを入れたところ、試験区間で発生した誤認識の84%が、人の手が入る前に自動で除外されました。
- 信頼度0.9未満の件だけを検収画面に回し、全体の12%だけを人が見るように分けました。経理課長は「間違いを探すのではなく、印の付いたものだけ見ればいいので、ずっと速い」と話しました。
- 情報保護担当者が、代表者の住民登録番号が露出する書式を確認し、マスキングしてから送信するよう変更しました。また外部APIの事業者とは、学習データ非利用の条件で委託契約を結びました。
- 3ヶ月後、月次の入力工数は320時間から96時間に減り、締め日はD+5からD+2に前倒しされました。取引先への金額入力ミスによるクレームは月11件から2件に減少しました。
パク・スンテ
金鍾赫