Nutzung von KI für die Dokumententransformation

Das IDP Der Markt befindet sich in einer interessanten Phase - viele neue Akteure sind auf den Markt gekommen und alle stellen ähnliche Behauptungen über ihre KI und den Einsatz von Technologien für maschinelles Lernen auf. Wir haben mit Kunden zusammengearbeitet, die glauben ließen, dass sie eine KI-Plattform für IDP verwenden, aber erst sehr spät im Prozess herausfanden, dass das Produkt nur sehr wenig maschinelles Lernen verwendet. Gerade genug, um ihnen das Häkchen zu setzen, dass sie ML verwenden, aber kaum genug, um für die Kunden einen Unterschied zu machen.

Unsere Interessenten fragen sich oft, wie sie ein KI/ML-First-Produkt von einer traditionellen, auf regulären Ausdrücken basierenden, Template-basierten Lösung unterscheiden können. Das ist gar nicht so schwer, wir haben eine Liste mit einfachen Tests für Sie zusammengestellt, um das herauszufinden. Lass uns eintauchen...

1. Journey mit neuen Dokumenten

Die meisten IDP-Systeme verfügen über einige vorgefertigte Strukturen zum Extrahieren von Daten aus einem festen Satz von Dokumenten — Rechnungen, W2-Formularen usw. In Anlehnung an die ML-Nomenklatur nennt jeder sie „Modell“, unabhängig davon, ob sie von einem ML-Modell oder einem logikbasierten Code unterstützt werden. Eine echte KI-gestützte Engine zum Verstehen von Dokumenten kann sich selbst darin üben, jeden neuen Dokumenttyp zu verstehen. Wenn Sie also versuchen, einen neuen Dokumenttyp zu konfigurieren, den das System noch nicht gesehen hat, können Sie eine der beiden Antworten vom Anbieter erhalten: „Geben Sie mir Ihre Daten und lassen Sie mich nach ein paar Wochen wiederkommen“ oder „Hier ist unser System, machen Sie weiter und trainieren Sie es selbst“. Ersteres ist in der Regel ein Hinweis auf ein System, das nicht auf ML basiert, und letzteres — eine echte, KI-basierte Engine.

2. Verbesserung der Genauigkeit im Laufe der Zeit

Die grundlegende Theorie, auf der alle ML-Systeme basieren, ist, dass sich ihre Genauigkeit verbessert, je mehr Daten mit ihnen verarbeitet werden. Die meisten herkömmlichen Systeme bieten Ihnen zwar die folgende Genauigkeitskurve:

Ein auf maschinellem Lernen basierendes System soll die folgende Genauigkeitskurve ergeben:

Jetzt ist es nicht für jeden Kunden praktikabel, 3 Monate in die Entscheidung zu investieren, ob eine Plattform ML für die Datenextraktion verwendet oder nicht. Sie können jedoch kleinere Experimente mit einem viel eingeschränkteren Datensatz durchführen. Wählen Sie die Informationen aus, die schwer zu extrahieren sind; etwas, das Sie normalerweise mit einer Genauigkeit von 10 bis 20% erhalten. Führen Sie einen schrittweisen Trainingslauf durch und beobachten Sie diese Zahlenbewegung. Es ist viel einfacher, die Genauigkeitsnadel von 20 auf 30% zu bewegen, als sie von 80 auf 85% zu bewegen. Dadurch können Sie jedoch überprüfen, ob die IDP-Engine durch maschinelles Lernen unterstützt wird oder nicht.

3. ML ist datenhungrig‍

Grundsätzlich benötigen alle Algorithmen für maschinelles Lernen eine große Menge an Daten, aus denen sie lernen können, bevor sie Vorhersagen treffen können. Ein zuverlässiges Signal zur Erkennung der ML-Potenz ist der Bedarf an Trainingsdaten. Bei den meisten KI-basierten Trainingsmodulen müssen Sie zu Beginn der IDP-Implementierung Trainingsdaten angeben. Wenn Sie zunächst nur wenige oder keine Daten bereitstellen müssen, werden wahrscheinlich keine Lernmodelle vom System verwendet.

4. Umgang mit Variationen‍

Es gibt eine Sache, die ein auf Logik basierendes IDP-System nicht bewältigen kann — komplexe Variationen. Wenn Sie ein Dokument haben, das kein festes Format hat und viele Variationen aufweist, kann ein auf Heuristik basierendes System keine gute Arbeit leisten. Dies ist ein guter Test, um die Grundlage des maschinellen Lernens des Systems zu validieren. Probieren Sie es einmal mit einem Dokument aus, das unterschiedliche Layouts und Vokabeln hat, dann ist der Unterschied in der Genauigkeit definitiv spürbar.

5. Mitarbeiterbasis‍

Wenn Sie keine Zeit investieren möchten, um all dies zu überprüfen, finden Sie hier eine kurze Überprüfung. Gehen Sie zu LinkedIn und suchen Sie nach Machine Learning. Filtern Sie es nach Personen und geben Sie für die aktuellen Unternehmen den Namen des Unternehmens an, das Sie bewerten.

Die Anzahl der Mitarbeiter für maschinelles Lernen gibt Ihnen eine gute Vorstellung davon, wie viel maschinelles Lernen in die Plattform eingeflossen ist, die dieses Unternehmen aufgebaut hat.Auf maschinellem Lernen basierende IDP-Systeme lösen viele Herausforderungen, die mit herkömmlichen Lösungen nicht gelöst werden konnten. Von der Handhabung von Variationen, der Komplexität von Tabellen, der computergestützten Vorverarbeitung und Sortierung von Dokumenten bis hin zu automatisierten kontinuierlichen Verbesserungen. Ihre Investitionsrendite aus einem IDP-System, das von Grund auf auf maschinellem Lernen basiert, kann über einen Zeitraum von 3 bis 5 Jahren zehnmal höher sein als bei herkömmlichen Systemen. Ich hoffe, dieser Artikel hat Ihnen einige Hinweise gegeben, wie Sie sorgfältig auswählen sollten — alles Gute bei der Auswahl Ihrer IDP-Plattform.