Όταν η AI διαβάζει ανάμεσα στις γραμμές: OCR vs. VLMs

Μπορούν οι μηχανές πραγματικά να κατανοούν τα έγγραφα, ή απλώς έχουν γίνει πιο αποτελεσματικές στην εξαγωγή πληροφοριών από αυτά; Με την παραδοσιακή OCR, ένα σφάλμα συνήθως μπορεί να εντοπιστεί και να μετρηθεί, ενώ ένα VLM μπορεί να παράγει μια πειστική ερμηνεία που όμως είναι λανθασμένη. Για τις εταιρείες, αυτό μετατοπίζει την πρώτη απόφαση από την επιλογή μοντέλου προς μια πιο άβολη ερώτηση: τι είδους σφάλμα μπορεί να αντέξει η επιχείρηση; Το όριο μεταξύ αναγνώρισης και κατανόησης γίνεται μια πρακτική ερώτηση σχετικά με την ποιότητα, τον αυτοματισμό και την εμπιστοσύνη.

Πώς οι Transformers άλλαξαν την επεξεργασία εγγράφων

Για να καταλάβουμε πώς η αναγνώριση εγγράφων μετατράπηκε σε ερμηνεία εγγράφων, πρέπει πρώτα να εξετάσουμε τη τεχνολογική αλλαγή που το έκανε δυνατό.

Η ανάπτυξη της AI βασίστηκε σε μια σχετικά απλή ιδέα: την εισαγωγή της πιθανότητας σε υπολογισμούς που προηγουμένως ήταν ντετερμινιστικοί. Αντί να παράγει πάντα το ίδιο αποτέλεσμα από την ίδια είσοδο, ένα σύστημα μπορούσε να αξιολογήσει πολλαπλά πιθανά αποτελέσματα και να επιλέξει το πιο πιθανό.

Στα πρώτα στάδια, εταιρείες όπως η Google άρχισαν να αναπτύσσουν εξελιγμένα μοντέλα για την αναζήτηση και κατάταξη τεράστιων όγκων πληροφοριών. Αν και η μετάφραση μιας πρότασης, η επιλογή ενός αποτελέσματος αναζήτησης και η σύσταση βίντεο στο YouTube φαίνονται διαφορετικές εργασίες, μοιράζονται μια κοινή αρχή: την εύρεση του πιο σχετικού επόμενου στοιχείου βάσει του τι προηγήθηκε. Οι Transformers μετέτρεψαν αυτήν την αρχή σε μια πιο καθολική αρχιτεκτονική.

Με άλλα λόγια, ένας transformer λαμβάνει υπόψη το διαθέσιμο πλαίσιο και προβλέπει τι πρέπει να ακολουθήσει. Αυτό επιτρέπει σε ένα γλωσσικό μοντέλο να επεξεργάζεται τις λέξεις ως μέρη μιας μεγαλύτερης δομής αντί για απομονωμένες μονάδες.

Αυτή η εξέλιξη άλλαξε την επεξεργασία εγγράφων. Η OCR είχε ήδη τη δυνατότητα να αναγνωρίζει γράμματα και να τα μετατρέπει σε κείμενο αναγνώσιμο από μηχανές για δεκαετίες. Ένας transformer μπορούσε να πάρει αυτές τις αναγνωρισμένες λέξεις, να εξετάσει τις σχέσεις μεταξύ τους και να ερμηνεύσει το νόημα του εγγράφου.

Όταν ένα σφάλμα αρχίζει να μοιάζει με απάντηση

Η OCR είναι κυρίως μια τεχνολογία αναγνώρισης. Διαβάζει ένα έγγραφο χαρακτήρα προς χαρακτήρα και μπορεί να εκχωρήσει βαθμό εμπιστοσύνης σε κάθε αποτέλεσμα. Εάν ένα σύμβολο είναι ασαφές, το σύστημα μπορεί να υποδείξει ότι υπάρχει 50% πιθανότητα να είναι ο αριθμός «3» και 40% πιθανότητα να είναι το γράμμα «Z». Η αβεβαιότητα παραμένει ορατή και μετρήσιμη.

Ένα VLM λαμβάνει το αναγνωρισμένο κείμενο και χρησιμοποιεί το περιβάλλον πλαίσιο για να επιλύσει τέτοιες αβεβαιότητες. Εάν ένας χαρακτήρας δεν έχει νόημα μέσα σε μια λέξη ή πρόταση, το μοντέλο μπορεί να επιλέξει την πιο πιθανή επιλογή. Σε πολλές περιπτώσεις, αυτό παράγει καλύτερο αποτέλεσμα.

Ταυτόχρονα, αυτή η ικανότητα αλλάζει τη σημασία της ποιότητας. Ένα παραδοσιακό σφάλμα OCR είναι συχνά εύκολο να εντοπιστεί: το έγγραφο περιέχει έναν χαρακτήρα, ενώ το εξαγόμενο κείμενο περιέχει έναν διαφορετικό. Ένα σφάλμα VLM μπορεί να είναι πολύ λιγότερο ορατό, επειδή το σύστημα δημιουργεί μια συνεκτική ερμηνεία γύρω του.

Ένα σύστημα που αποτυγχάνει να επεξεργαστεί ένα έγγραφο δημιουργεί μια προφανή διακοπή. Ένα σύστημα που το ερμηνεύει λανθασμένα χωρίς να υποδεικνύει αβεβαιότητα μπορεί να επιτρέψει στο σφάλμα να μεταφερθεί σε μια βάση δεδομένων, μια πληρωμή ή άλλη αυτοματοποιημένη απόφαση. Η ποιότητα επομένως δεν μπορεί πλέον να μετρηθεί μόνο από το πόσοι χαρακτήρες ή πεδία εξήχθησαν σωστά. Πρέπει επίσης να λαμβάνει υπόψη εάν το σύστημα διακρίνει τις αναγνωρισμένες πληροφορίες από τις δικές του ερμηνείες.

Τι είδους σφάλμα μπορεί να αντέξει η διαδικασία;

Μέχρι πρόσφατα, η πιο ασφαλής προσέγγιση στην επεξεργασία εγγράφων με βάση τα VLM θα ήταν να επικυρώνουμε σχεδόν τα πάντα. Σήμερα, αυτή η απάντηση γίνεται λιγότερο απλή, καθώς τα μοντέλα γίνονται καλύτερα στον εντοπισμό ασυμφωνιών και στη διαχείριση ατελειών που παλιότερα απαιτούσαν χειροκίνητη ανασκόπηση.

Η απόφαση για αυτοματοποίηση θα πρέπει επομένως να ξεκινά με τις συνέπειες ενός σφάλματος αντί με έναν γενικό δείκτη ακρίβειας.

Η λανθασμένη ανάγνωση μιας κατηγορίας προϊόντος σε απόδειξη σούπερ μάρκετ και η λανθασμένη ανάγνωση του τελικού ποσού μπορεί να συμβούν στο ίδιο έγγραφο, αλλά δεν δημιουργούν το ίδιο επίπεδο κινδύνου. Η διαφορά γίνεται ακόμη μεγαλύτερη όταν το σύστημα επεξεργάζεται μια ρήτρα σύμβασης, ένα ιατρικό αρχείο ή μια κυβερνητική φόρμα. Ένα μοντέλο μπορεί να αποδίδει καλά σε ολόκληρο το σύνολο δεδομένων και παρόλα αυτά να αποτυγχάνει σε έναν μικρό αριθμό πεδίων που καθορίζουν αν το επιχειρηματικό αποτέλεσμα είναι σωστό.

Αυτό σημαίνει ότι οι εταιρείες πρέπει να ορίσουν τα κρίσιμα στοιχεία ενός εγγράφου πριν αποφασίσουν πόσο από τη ροή εργασίας θα αυτοματοποιήσουν. Ορισμένα σφάλματα μπορεί να είναι φτηνά και εύκολα να αντιστραφούν. Άλλα μπορεί να οδηγήσουν σε λανθασμένη πληρωμή, συμβατική υποχρέωση ή απόφαση βασισμένη σε ψευδείς ιατρικές ή οικονομικές πληροφορίες.

Η πρώτη ερώτηση λοιπόν δεν πρέπει να είναι «Ποιο μοντέλο πρέπει να επιλέξουμε;», αλλά «Πού μπορεί μια λανθασμένη ερμηνεία να προκαλέσει απαράδεκτες συνέπειες;». Μόλις απαντηθεί, μια εταιρεία μπορεί να αποφασίσει ποια έγγραφα μπορούν να περάσουν αυτόματα από το σύστημα και ποια απαιτούν πρόσθετο έλεγχο.

Τα VLM ήδη προχωρούν πέρα από τα έγγραφα

Η δυνατότητα συνδυασμού οπτικών πληροφοριών με το πλαίσιο εφαρμόζεται ήδη πολύ πέρα από την επεξεργασία εγγράφων. Ένα VLM δεν περιορίζεται στην ανάγνωση σελίδων: μπορεί να ερμηνεύσει ό,τι βλέπει μια κάμερα και να συνδέσει οπτικά αντικείμενα με γλώσσα, οδηγίες και πιθανές ενέργειες.

Στην αυτόνομη οδήγηση, αυτά τα μοντέλα μπορούν να βοηθήσουν τα συστήματα να κατανοήσουν τις σκηνές του δρόμου αντί να εντοπίζουν απλώς μεμονωμένα οχήματα, πεζούς ή σήματα κυκλοφορίας. Στην άμυνα, μπορούν να αναλύσουν υλικό που καταγράφηκε από drones και να διακρίνουν μεταξύ ανθρώπων, βαρέων εξοπλισμών και άλλων αντικειμένων στο έδαφος.

Η γεωργία προσφέρει ένα ακόμη παράδειγμα. Ένα σύστημα μπορεί να εντοπίσει ένα ζιζάνιο ή έντομο, να προσδιορίσει τον τύπο του και να προτείνει την κατάλληλη αντίδραση, όπως η χρήση λέιζερ ή συγκεκριμένης χημικής θεραπείας.

Η ρομποτική αναπτύσσεται στην ίδια κατεύθυνση. Ένα ρομπότ χρειάζεται περισσότερα από την ικανότητα να αναγνωρίζει ότι υπάρχει ένα αντικείμενο. Πρέπει να καταλαβαίνει τι είναι το αντικείμενο, πώς σχετίζεται με το περιβάλλον του και ποια ενέργεια απαιτεί η κατάσταση. Τα VLM παρέχουν το στρώμα που συνδέει την οπτική αντίληψη με τις οδηγίες και τη συμπεριφορά.

Παρόμοια αρχή είναι ορατή σε AI πράκτορες που αλληλεπιδρούν με διεπαφές υπολογιστών. Για να μετακινήσει έναν κέρσορα ή να πατήσει ένα κουμπί, ένας πράκτορας πρέπει πρώτα να ερμηνεύσει τι εμφανίζεται στην οθόνη. Ένα οπτικό μοντέλο μπορεί να εντοπίσει ότι ένας περιηγητής είναι ανοιχτός, να βρει το κουμπί αποστολής email και να επιστρέψει τις συντεταγμένες του ώστε ο πράκτορας να ενεργήσει.

Δεν έχουν όλες αυτές οι εφαρμογές φτάσει στο ίδιο επίπεδο ωριμότητας παραγωγής. Ωστόσο, δείχνουν τη μεγαλύτερη μετάβαση που λαμβάνει χώρα στην AI: τα συστήματα προχωρούν από την ταυτοποίηση του ορατού στη χρήση των οπτικών πληροφοριών μέσα σε μια μεγαλύτερη αλυσίδα λογικής και δράσης.

Για την επεξεργασία εγγράφων, αυτό σημαίνει ότι η έξοδος ενός VLM μπορεί να μην τελειώνει πλέον με εξαγόμενο κείμενο. Μπορεί να ενεργοποιήσει άλλη διαδικασία, να ενημερώσει ένα σύστημα ή να επηρεάσει επιχειρηματική απόφαση. Η αξία της ερμηνείας αυξάνεται, αλλά αυξάνονται και οι συνέπειες όταν αυτή η ερμηνεία είναι λανθασμένη.

Από την ανάγνωση εγγράφων στην ενέργεια πάνω σε αυτά

Το μέλλον της επεξεργασίας εγγράφων πιθανότατα δεν θα οριστεί από την εξαφάνιση της OCR και την αντικατάστασή της από τα VLM. Οι δύο τεχνολογίες εκτελούν διαφορετικές λειτουργίες εντός της ίδιας ροής εργασίας.

Αυτή η επιμερισμένη δομή εξηγεί επίσης γιατί ένα καθολικό μοντέλο μπορεί να μην είναι η κατάλληλη λύση για κάθε έγγραφο. Ένα σαφές, τυποποιημένο έντυπο μπορεί να απαιτεί μόνο ακριβή αναγνώριση. Ένα σύνθετο συμβόλαιο, ιατρικό αρχείο ή ακανόνιστο χειρόγραφο μπορεί να χρειάζεται ανάλυση πλαισίου. Έτσι, διαφορετικά έγγραφα μπορούν να κατευθύνονται σε διαφορετικά εργαλεία ανάλογα με τη δομή, την πολυπλοκότητα και τη σημασία τους για την επιχείρηση.

Ωστόσο, αυτό δημιουργεί μια ακόμη σημαντική ερώτηση: ποιος παίρνει την πρώτη απόφαση δρομολόγησης; Εάν το σύστημα ταξινομεί το έγγραφο, επιλέγει τη μέθοδο επεξεργασίας, ερμηνεύει το αποτέλεσμα και αξιολογεί τη δική του απόδοση, ο ποιοτικός έλεγχος γίνεται άλλη εργασία που ανατίθεται στην ίδια τεχνολογία. Ένα σφάλμα στην αρχή μπορεί να επηρεάσει κάθε επόμενη φάση.

Σε ορισμένα από Keymakr’s σχέδια επεξεργασίας εγγράφων, οι αναγνώστες έκαναν περισσότερα από το να ελέγχουν μεμονωμένους χαρακτήρες ή εξαγόμενα πεδία. Ανάλογα με τη ροή εργασίας, ανέγραψαν και επαλήθευαν τα δεδομένα ή εστιάζαν σε συγκεκριμένη επικύρωση των αποτελεσμάτων που παρήγαγε το μοντέλο. Η δουλειά τους μπορούσε επίσης να περιλαμβάνει την ταξινόμηση του περιεχομένου, την ερμηνεία των δομών των εγγράφων, τον εντοπισμό ασαφών ή ακατανόητων στοιχείων, και την επισήμανση εξόδων που απαιτούσαν διόρθωση ή περαιτέρω έλεγχο. Σε αυτές τις περιπτώσεις, η ανθρώπινη συμμετοχή επεκτεινόταν πέρα από την επικύρωση μεμονωμένων σημείων δεδομένων, σε εποπτεία του πώς επεξεργαζόταν η πληροφορία σε όλη τη ροή εργασίας. 

Άρα, οι μηχανές πραγματικά κατανοούν τα έγγραφα; Μπορούν ήδη να αναγνωρίζουν περιεχόμενο, να χρησιμοποιούν το πλαίσιο για να επιλύουν αβεβαιότητες και να παράγουν συμπεράσματα που η παραδοσιακή OCR δεν μπορούσε ποτέ να δημιουργήσει. Σε πρακτικό επίπεδο, αυτό μοιάζει με κατανόηση. Ωστόσο, η διαδικασία παραμένει βασισμένη σε πιθανότητες και προβλεπόμενες σχέσεις, και η εσωτερική λογική της δεν είναι πάντα πλήρως ορατή.

Για τις επιχειρήσεις, η ορολογία είναι λιγότερο σημαντική από το όριο που αποκαλύπτει. Ένα σύστημα γίνεται χρήσιμο όταν μπορεί να ξεπεράσει την ανάγνωση και να υποστηρίξει μια πραγματική διαδικασία. Καθίσταται αξιόπιστο μόνο όταν η εταιρεία καταλαβαίνει πού αρχίζει η ερμηνεία, πώς θα εντοπίζονται τα σφάλματα και ποιος παραμένει υπεύθυνος για τις αποφάσεις που ακολουθούν.