OCR · 文件數位化
Optical Character Recognition
什麼是 OCR?
- 將圖片中的文字轉換成文字資料
- 以深度學習達到能理解文件結構的水準
- 重要項目需要驗證規則與人工確認
OCR 實際改變的是「找的時間」與「計算的單位」。放在櫃子裡的 3,000 份合約只能仰賴承辦人的記憶;一旦轉為文字,就能依交易對象名稱、金額、到期日搜尋,並按月彙總。工作的起點從人的眼睛移到系統,也代表過去是人看了再判斷、再輸入,現在則變成資料先抵達,人只負責確認,順序整個翻轉過來。
導入前先把文件分成三類,報價與難度會大不相同。從一開始就以數位方式產生的 PDF 含有文字層,不需 OCR,只要擷取即可;稅務發票、身分證等格式固定的制式文件,依位置擷取,準確率高。反之,自由格式的合約或手寫檢核表,需要讀懂表格與項目之間的關係,因此會進入 IDP(智慧文件處理)的領域。掃描解析度以 300dpi 以上為基本線,低於此,0 與 8、1 與 7 經常會被誤判。索取報價時,須確認 逐字準確率與逐項目準確率是完全不同的數字。
最常見的誤解是「辨識率 99% 就不需要人工」。以字元為單位的 99%,套用到 12 位數的韓國事業者登記號碼單一欄位時,約為 89%;若一張文件要確認的欄位有 15 個,完全無誤的文件比例還會更低。結果最後又得全部重新人工審核,變得比手動輸入還慢,這在現場很常見。若不以信心度分數區分自動通過與需人工確認的案件,節省效果就會消失。另外還有一種事故:認為已經掃描,就把原本丟棄,結果在稅務調查或訴訟中被要求提出原本。請先確認電子化文件的法律效力要件與保存年限;若要把含個資的文件送往外部 API,則須以書面留存委託契約,以及 AI 訓練 資料是否被使用等內容。
起源於二十世紀初為視障者開發的閱讀機器,以及郵件自動分類的研究;1950 年代至 1960 年代出現商用文字辨識裝置。2010 年代後導入深度學習,辨識率大幅提升,發展到能理解文件結構的水準。
經營建材流通的 A 公司,全體員工 140 名,年營收約 KRW 90,000,000,000 (≈ US$67,362,200)。每月從客戶那裡以紙本與傳真收到的稅務發票與交易明細共 4,200 份,由 4 名會計人員全部手動輸入 ERP,月結總是超過 5 個工作日。財務主管決定以為期 3 個月的試辦導入 OCR。(虛構範例)
- 財務主管將一個月的收件文件依類型統計,4,200 件中有 78% 是同一種:交易明細表。他表示「只要抓住這一項,就完成一半了」,於是把處理對象縮小到單一類別,開始著手。
- 以實際掃描樣本 300 份測試,列印原本的辨識率為 97%,傳真收件則為 71%。現場承辦人提議「傳真的話,就請對方重寄」,因此先從收件管道著手改善。
- 資訊部門代理加入韓國事業者登記號碼的檢查碼,以及「供應價額+稅額=合計」的驗算規則後,在測試區間內,出現的辨識錯誤案件中有 84% 在人工接觸前就被自動過濾。
- 只把信心度低於 0.9 的案件送進審核畫面,讓人工只需檢視全體的 12%。會計課長表示:「不是要找出錯誤,只看被標示的部分就好,快多了」。
- 資訊保護負責人確認了會顯示代表人身分證字號的表單,改為傳送前先遮蔽,並與外部 API 業者簽訂委託契約,約定不使用其資料進行學習。
- 三個月後,每月的輸入工時從 320 小時降到 96 小時,結算截止日也從 D+5 提前到D+2。交易對象的金額誤植客訴,也從每月 11 件減少到 2 件。
Seung-tae Park
金鍾赫