Adit Abraham ผู้ร่วมก่อตั้งและซีอีโอของ Reducto – บทสัมภาษณ์

Adit Abraham เป็นผู้ร่วมก่อตั้งและซีอีโอของ Reducto โดยมุ่งเน้นการเปลี่ยนเอกสารธุรกิจที่ซับซ้อนให้เป็นข้อมูลที่เชื่อถือได้สำหรับแอปพลิเคชัน AI ก่อนก่อตั้งบริษัทกับ Raunak Chowdhuri เพื่อนศิษย์เก่าจาก MIT เขาศึกษาวิทยาการคอมพิวเตอร์ที่ MIT ทำวิจัยด้านแมชชีนเลิร์นนิงที่ MIT Media Lab และทำงานด้านโฆษณาและการค้นหาในตำแหน่งผู้จัดการผลิตภัณฑ์ที่ Google Reducto เกิดขึ้นจากความพยายามของผู้ก่อตั้งในการสร้างเครื่องมือหน่วยความจำสำหรับโมเดลภาษาขนาดใหญ่ ซึ่งในระหว่างนั้นการนำเข้าเอกสารที่ไม่น่าเชื่อถือกลายเป็นอุปสรรคที่พบซ้ำอยู่เสมอ การทำงานโดยตรงของ Abraham กับลูกค้ากลุ่มแรกมีส่วนช่วยกำหนดจุดเน้นของบริษัทในด้านความแม่นยำ ความปลอดภัย ความยืดหยุ่นในการติดตั้งใช้งาน และประสิทธิภาพที่คาดการณ์ได้ในสภาพแวดล้อมการใช้งานจริง

Reducto พัฒนาโครงสร้างพื้นฐานด้านความเข้าใจเอกสารที่ช่วยให้ทีม AI แปลงไฟล์ PDF ภาพสแกน สเปรดชีต และไฟล์ประเภทอื่น ๆ ให้เป็นข้อมูลที่มีโครงสร้างและนำไปใช้ได้ แพลตฟอร์มของบริษัทผสานการรู้จำอักขระด้วยแสง คอมพิวเตอร์วิทัศน์ และโมเดลวิทัศน์-ภาษา เพื่อทำความเข้าใจข้อความ ตาราง ภาพประกอบ การจัดรูปแบบ และเค้าโครงหน้าที่ซับซ้อน นอกจากการแยกวิเคราะห์เอกสารแล้ว ยังมีเครื่องมือสำหรับดึงข้อมูลอย่างเป็นระบบ แบ่งเอกสาร จัดหมวดหมู่ และแก้ไขเอกสาร พร้อมการอ้างอิงที่เชื่อมโยงข้อมูลที่ดึงออกมากับแหล่งที่มา ลูกค้าของบริษัท ได้แก่ Harvey, Scale AI, Vanta, Mercor และ Rogo งานของบริษัทครอบคลุมทั้งการสร้างเนื้อหาด้วยการดึงข้อมูลมาเสริม การค้นหา และกระบวนการทำงานกับเอกสารในสาขาต่าง ๆ เช่น การเงิน การดูแลสุขภาพ และกฎหมาย ซึ่งการนำเข้าข้อมูลอย่างแม่นยำและผลลัพธ์ที่ตรวจสอบย้อนกลับได้เป็นสิ่งจำเป็น

Reducto เกิดจากความท้าทายที่คุณและ Raunak Chowdhuri พบระหว่างสร้างเครื่องมือหน่วยความจำสำหรับโมเดลภาษาขนาดใหญ่ ปัญหาใดที่เกิดขึ้นกับเครื่องมือประมวลผลเอกสารที่มีอยู่โดยเฉพาะ และคุณตระหนักเมื่อใดว่าปัญหาการแยกวิเคราะห์เอกสารมีขนาดใหญ่พอที่จะก่อตั้งบริษัทขึ้นมาได้?

เราต้องการให้โมเดลเข้าถึงบริบทจากเอกสาร จึงเพิ่มฟีเจอร์อัปโหลดไฟล์เข้าไป แต่กลับพบปัญหาด้านคุณภาพการประมวลผลอยู่เสมอ เราลองใช้เครื่องมือที่มีอยู่ทั้งหมดในขณะนั้นแล้ว แต่ไม่มีเครื่องมือใดได้มาตรฐานของเราเมื่อต้องจัดการกับเอกสารจริงที่ยุ่งเหยิงและผู้คนอัปโหลดเข้ามาใช้งาน

เราจึงสร้างโซลูชันสำหรับแยกวิเคราะห์เอกสารขึ้นมาเอง โดยเริ่มแรกเป็นฟีเจอร์หนึ่งของผลิตภัณฑ์หน่วยความจำสำหรับ LLM ของเรา แต่ต่อมาก็พบว่านักพัฒนาจำนวนมากที่เคยเจอปัญหาเดียวกันต่างต้องการใช้โซลูชันของเราและชื่นชอบมัน บางทีมใช้เวลาหลายสัปดาห์ในการสร้างและดูแลรักษากระบวนการนำเข้าข้อมูลของตนเอง เพราะเครื่องมือที่มีอยู่ไม่สามารถจัดการเอกสารได้อย่างน่าเชื่อถือ บทสนทนาเหล่านั้นทำให้เราเห็นโอกาสชัดเจนขึ้นมาก เพราะแม้ความสามารถของโมเดลจะพัฒนาขึ้นเรื่อย ๆ แต่บริบทที่สะอาดและแม่นยำก็ยังสร้างความแตกต่างอย่างมาก

ในทางเทคนิค PDF ออกแบบมาเพื่อแสดงข้อมูล ไม่ใช่เพื่อทำให้เครื่องอ่านข้อมูลเหล่านั้นได้ อะไรทำให้เอกสารที่ซับซ้อน โดยเฉพาะเอกสารที่มีตาราง แผนภูมิ การจัดวางหลายคอลัมน์ หรือรูปภาพที่ฝังอยู่ เข้าใจได้ยากอย่างน่าเชื่อถือสำหรับระบบ AI?

เมื่อเราอ่านเอกสารในฐานะมนุษย์ เรามักมองข้ามความเข้าใจตามธรรมชาติหลายอย่างที่เรามีอยู่ เราอนุมานความสัมพันธ์ระหว่างองค์ประกอบต่าง ๆ ได้แทบจะในทันที เพราะมองเห็นว่าตัวเลขอยู่ใต้หัวคอลัมน์ใด ข้อความต่อเนื่องไปยังอีกคอลัมน์หนึ่ง หรือคำบรรยายกล่าวถึงภาพประกอบที่อยู่ด้านบน

โมเดล AI กลับมีปัญหากับเรื่องนี้มาก เพราะ PDF ไม่ได้ออกแบบมาให้เก็บข้อมูลความสัมพันธ์หรือข้อมูลเมตาประเภทนี้ โดยพื้นฐานแล้ว PDF เป็นภาพที่มีข้อมูลหนาแน่นมาก ตัวแยกวิเคราะห์จึงต้องสร้างความสัมพันธ์เหล่านั้นขึ้นใหม่จากหน้าเอกสาร และปัญหาจะยิ่งยากขึ้นเมื่อเจอเซลล์ที่ผสานกัน ตารางซ้อนกัน แผนภูมิ เอกสารสแกน และเค้าโครงที่ไม่เป็นแบบแผน เนื่องจากเรามุ่งเน้นที่ปัญหาการทำความเข้าใจเอกสารนี้ เราจึงประมวลผลเอกสารหลากหลายประเภทที่พบไม่บ่อยได้อย่างน่าเชื่อถือ ซึ่งเป็นเอกสารที่โมเดล AI มักสร้างข้อมูลหลอนหรือจัดการผิดพลาด

Reducto ผสานคอมพิวเตอร์วิทัศน์ การรู้จำอักขระด้วยแสง และโมเดลวิทัศน์-ภาษาไว้ในกระบวนการประมวลผลเอกสาร เทคโนโลยีเหล่านี้ทำงานร่วมกันอย่างไร และระบบ OCR แบบดั้งเดิมยังมีข้อจำกัดด้านใดบ้าง?

เทคโนโลยี OCR แบบดั้งเดิมมีมานานหลายทศวรรษแล้ว และพัฒนาขึ้นเพื่ออ่านข้อความที่สะอาดและชัดเจนในเอกสารทีละตัวอักษร แต่จะทำงานได้ไม่ดีเมื่อเจอเอกสารที่เขียนด้วยลายมือ เป็นภาพสแกน เอียง หรืออยู่ในรูปแบบตาราง ซึ่งเอกสารประเภทนี้มีอยู่เป็นส่วนใหญ่ในข้อมูลขององค์กร

Reducto เป็นผู้บุกเบิกการนำโมเดลวิทัศน์-ภาษามาใช้ในงานประมวลผลเอกสารภายใต้แนวทาง “Agentic OCR” เพราะเราเห็นศักยภาพที่ VLM จะทำความเข้าใจได้มากกว่าข้อความล้วนในเอกสาร การทำความเข้าใจเอกสารอย่างแท้จริงต้องอาศัยบริบท ความแม่นยำ และความสามารถในการประมวลผลข้อมูลหลายรูปแบบ โมเดลแยกวิเคราะห์ r-1 รุ่นล่าสุดของเราผสานความสามารถของ Agentic OCR เข้ากับฟีเจอร์ต่าง ๆ เช่น การจัดรูปแบบ การอ้างอิง และการตรวจจับเค้าโครงหน้าไว้ในขั้นตอนเดียว

งานเพิ่มเติมนี้สำคัญ เพราะแม้ตัวแยกวิเคราะห์จะมีความแม่นยำโดยรวมสูงมาก แต่ข้อมูลเพียงเล็กน้อยที่พลาดไปก็อาจก่อปัญหาร้ายแรงได้ หากข้อมูลนั้นมีตัวเลข ข้อกำหนด หรือรายการในตารางที่ผู้ใช้ต้องการจริง ๆ

เมื่อโมเดล AI พัฒนาความสามารถแบบหลายรูปแบบมากขึ้นและตีความภาพกับเอกสารได้โดยตรง คุณมองว่าแพลตฟอร์มเฉพาะทางด้านความเข้าใจเอกสารจะพัฒนาบทบาทไปอย่างไร ในอนาคตโมเดลพื้นฐานจะทำงานส่วนใหญ่เหล่านี้ได้เองหรือไม่ หรือยังจำเป็นต้องมีโครงสร้างพื้นฐานเฉพาะทาง?

ที่จริงแล้ว เราเชื่อมั่นว่าโมเดล AI จะพัฒนาให้ดีขึ้น รวดเร็วขึ้น และมีประสิทธิภาพมากขึ้นเรื่อย ๆ เมื่อมีโมเดลใหม่ออกมาอย่างต่อเนื่อง เราก็คอยติดตามและประเมินจุดอ่อนของโมเดลเหล่านั้น พร้อมนำจุดแข็งมาผสานเข้ากับระบบประมวลผลของเรา เพื่อมอบประสิทธิภาพโดยรวมที่ดีที่สุดให้แก่ลูกค้า Reducto ต้องการทำหน้าที่เป็นทีมจัดการนำเข้าข้อมูลให้คุณ โดยช่วยสร้างระบบร่วมกับคุณและเติบโตไปพร้อมกัน

องค์กรขนาดใหญ่ยังคงเผชิญความท้าทายเฉพาะตัว เพราะไม่ได้ต้องการเพียงประสิทธิภาพเท่านั้น แต่ยังต้องการปริมาณงานที่รองรับการขยายตัวได้ การกำกับดูแล และความสามารถในการตรวจสอบยืนยันในระดับการใช้งานจริง ซึ่งปัจจุบันโมเดลพื้นฐานยังทำได้ยาก

เมื่อไม่นานมานี้ เราทดสอบเรื่องนี้ด้วยเกณฑ์มาตรฐาน GDP.pdf ซึ่งแสดงให้เห็นว่าโมเดลแนวหน้าที่ยังมีปัญหาในการให้เหตุผลกับเอกสารวิชาชีพจริงที่ซับซ้อน และทำคะแนนอัตราผ่านงานตามเกณฑ์เข้มงวดได้ต่ำกว่า 15% ถึง 25% เมื่อนำ Reducto มาแยกวิเคราะห์เอกสารเหล่านี้ก่อน แล้วส่งข้อมูลที่จัดโครงสร้างแล้วให้โมเดลแนวหน้า ความแม่นยำโดยรวมเพิ่มขึ้น 9 จุดเปอร์เซ็นต์ ขณะที่ใช้โทเคนสำหรับการให้เหตุผลลดลง 13 เปอร์เซ็นต์ เมื่อเทียบกับการให้โมเดลประมวลผลเอกสารโดยตรง

เรื่องนี้แสดงให้เห็นว่าโครงสร้างพื้นฐานเฉพาะทางสำหรับการนำเข้าข้อมูลยังมีคุณค่าอย่างมหาศาล เนื่องจากข้อมูลส่วนใหญ่ขององค์กรยังไม่ได้ถูกนำมาใช้ประโยชน์เต็มที่

ท้ายที่สุดแล้ว แอปพลิเคชัน AI สำหรับองค์กรจำนวนมากต้องอาศัยการสร้างเนื้อหาเสริมด้วยการดึงข้อมูล หรือระบบแบบเอเจนต์ที่เข้าถึงข้อมูลซึ่งซ่อนอยู่ในเอกสารภายในองค์กร ปัญหาด้านความน่าเชื่อถือของระบบเหล่านี้เริ่มต้นตั้งแต่ขั้นตอนต้นทางอย่างการนำเข้าและแยกวิเคราะห์เอกสารมากน้อยเพียงใด

ปัญหาส่วนใหญ่เริ่มขึ้นตั้งแต่ขั้นตอนนำเข้าข้อมูล โดยทีมมักพบปัญหาช้ากว่าที่ควร เพราะคำตอบที่ผิดพลาดปรากฏขึ้นในช่วงท้ายของกระบวนการ หากตัวแยกวิเคราะห์ทำแถวหนึ่งในตารางตกหล่น สลับลำดับการอ่านของสองคอลัมน์ หรือมองข้ามรูปภาพ ระบบค้นคืนก็ไม่อาจกู้คืนข้อมูลที่ไม่เคยถูกบันทึกลงในฐานข้อมูลได้

เรามักเห็นว่าประสบการณ์ของผู้ใช้ปลายทางของลูกค้าดีขึ้นอย่างมากหลังเปลี่ยนระบบนำเข้าข้อมูลมาใช้ Reducto เพราะระบบ RAG และระบบค้นหาส่งผลลัพธ์ที่ดีขึ้นอย่างสม่ำเสมอ ตัวอย่างเช่น Harvey พบว่าจำนวนคำร้องเรียนจากลูกค้าที่เกี่ยวข้องกับ OCR ลดลงอย่างมาก และการใช้งานผลิตภัณฑ์เพิ่มขึ้นหลายเท่า หลังนำ Reducto มาใช้เป็นชั้นประมวลผล

Reducto ขยายขอบเขตจากการแยกวิเคราะห์เอกสารไปสู่การดึงข้อมูลแบบมีโครงสร้างและเวิร์กโฟลว์เอกสารที่ครอบคลุมยิ่งขึ้น เมื่อระบบสามารถทำความเข้าใจโครงสร้างพื้นฐานของเอกสารได้อย่างแม่นยำแล้ว ขั้นต่อไปของระบบอัจฉริยะด้านเอกสารจะเป็นอย่างไร

โดยทั่วไป การนำเข้าข้อมูลเป็นเพียงขั้นตอนแรกของกระบวนการทางธุรกิจที่ใหญ่กว่ามาก บริษัทหนึ่งอาจได้รับไฟล์ 500 หน้า และต้องระบุเอกสารที่อยู่ภายใน จัดหมวดหมู่ ดึงข้อมูลเฉพาะ เปรียบเทียบข้อมูลนั้นกับอีกระบบหนึ่ง และส่งกรณีที่ผิดปกติให้ผู้เชี่ยวชาญตรวจสอบ เราใช้เวลา 2 ปีฝึกโมเดลทำความเข้าใจเอกสารที่ดีที่สุดในตลาด และตอนนี้กำลังมุ่งเน้นมากขึ้นกับการปรับปรุงขั้นตอนหลังจากนั้นให้มีประสิทธิภาพยิ่งขึ้น

เมื่อเข้าใจเนื้อหาและโครงสร้างของเอกสารได้อย่างน่าเชื่อถือแล้ว ก็สามารถทำงานต่าง ๆ ที่ผู้คนต้องใช้เวลารวบรวม ตรวจสอบ และย้ายข้อมูลระหว่างระบบให้เป็นระบบอัตโนมัติได้มากขึ้น เวิร์กโฟลว์ทางธุรกิจที่มีความเสี่ยงสูงแทบทุกประเภทสามารถแจกแจงเป็นขั้นตอนที่เกี่ยวข้องกับการที่มนุษย์อ่านข้อมูล ตัดสินใจ และบันทึกข้อมูลลงในเอกสารอื่นได้ เราต้องการเป็นวิธีมาตรฐานที่มนุษย์หรือเอเจนต์ใช้โต้ตอบกับข้อมูลในเอกสารในอนาคต

คุณมีลูกค้าตั้งแต่บริษัทที่สร้างขึ้นโดยมี AI เป็นหัวใจหลัก เช่น Harvey, Vanta, Scale AI, Mercor และ Rogo ไปจนถึงสถาบันการเงินรายใหญ่และบริษัทใน Fortune 10 ความต้องการด้านการประมวลผลเอกสารของสตาร์ตอัป AI แตกต่างจากองค์กรขนาดใหญ่ที่อยู่ภายใต้การกำกับดูแลมากเพียงใด

บริษัทที่สร้างขึ้นโดยมี AI เป็นหัวใจหลักมักเคลื่อนไหวอย่างรวดเร็ว และทีมวิศวกรต้องการ API ที่จัดการเอกสารซับซ้อนได้โดยไม่บังคับให้ต้องสร้างและดูแลระบบประมวลผลของตนเอง องค์กรขนาดใหญ่ให้ความสำคัญกับความแม่นยำเช่นเดียวกัน แต่บ่อยครั้งยังมีข้อกำหนดเพิ่มเติม เช่น ข้อมูลถูกจัดเก็บไว้ที่ใด จะติดตั้งใช้งานซอฟต์แวร์อย่างไร จะเกิดอะไรขึ้นเมื่อปริมาณงานพุ่งสูง และผู้ใช้สามารถตรวจสอบย้อนกลับค่าที่ดึงออกมาไปยังหน้าต้นฉบับได้หรือไม่ ตัวอย่างเช่น Scale AI ใช้ Reducto ในสภาพแวดล้อมของภาครัฐที่ให้ความสำคัญกับการรักษาความลับและการติดตั้งใช้งานภายในองค์กร ส่วน Harvey ประเมินเราในด้านความแม่นยำ ความน่าเชื่อถือ ต้นทุน เวลาแฝง และรูปแบบความล้มเหลว ก่อนนำไปใช้งานจริงในเวลาประมาณ 6 สัปดาห์ การทำงานร่วมกับลูกค้าทั้งสองประเภททำให้เรามุ่งเน้นพอ ๆ กันทั้งประสิทธิภาพของ Reducto ภายใต้ข้อกำหนดการใช้งานจริง และความแม่นยำในการจัดการเอกสารแต่ละฉบับ

มีรายงานว่า Reducto มีรายได้ประจำต่อปีมากกว่า 5 ล้านดอลลาร์ โดยส่วนใหญ่มาจากการขายที่ผู้ก่อตั้งเป็นผู้นำ ก่อนจะสร้างทีมขายโดยเฉพาะขึ้นมา การพูดคุยกับลูกค้ากลุ่มแรกโดยตรงทำให้คุณเข้าใจอะไรบ้างเกี่ยวกับปัญหาที่นักพัฒนาพยายามแก้ไขจริง ๆ

บทสนทนาเหล่านั้นสอนให้เราลดเวลาที่ใช้พูดถึงการประมวลผลเอกสารในภาพกว้าง และหันมาทำความเข้าใจให้มากขึ้นว่าลูกค้าต้องการทำอะไรให้สำเร็จจริง ๆ การพูดคุยเพื่อขายในช่วงแรกมักกลายเป็นการลงมือทำงานร่วมกัน โดยลูกค้าจะแชร์เอกสารที่ทำให้ระบบประมวลผลของตนขัดข้อง แล้วเราก็จะเจาะลึกต่อว่าเกิดอะไรขึ้นหลังจากการดึงข้อมูลล้มเหลว ในแวดวงสาธารณสุข นั่นหมายถึงการได้เห็นว่าแถวหนึ่งในตารางที่ตกหล่นหรือหน่วยวัดในรายงานผลตรวจทางห้องปฏิบัติการที่อ่านผิด อาจทำให้การเรียกร้องค่าสินไหมล่าช้า หรือทำให้บุคลากรทางการแพทย์มีประวัติผู้ป่วยไม่ครบถ้วน ความเสี่ยงเหล่านี้ทำให้เราปรับเกณฑ์ความแม่นยำที่ยอมรับได้ใหม่ เพราะคะแนนทดสอบมาตรฐานที่สูงย่อมไม่มีความหมาย หากบดบังข้อผิดพลาดที่สำคัญที่สุด ลูกค้าต้องการความแม่นยำ แต่ยังต้องการความน่าเชื่อถือ ความปลอดภัย ความยืดหยุ่นในการติดตั้งใช้งาน และประสิทธิภาพที่คาดการณ์ได้เมื่อรองรับการใช้งานในวงกว้างด้วย การได้ยินความต้องการเหล่านี้จากลูกค้าโดยตรงส่งผลต่อสิ่งที่เราพัฒนาขึ้น

ปัจจุบัน Reducto ประมวลผลเอกสารหลายพันล้านหน้าต่อเดือน เมื่อดำเนินงานในระดับนี้ มีความท้าทายด้านวิศวกรรมอะไรเกิดขึ้นบ้าง โดยเฉพาะในเรื่องเวลาแฝง ความแม่นยำ ต้นทุน และการรักษาผลลัพธ์ให้สม่ำเสมอในเอกสารประเภทต่าง ๆ ที่แตกต่างกันมาก?

ผมเลิกนับจำนวนหน้าที่เราประมวลผลไปแล้ว ดังนั้นแม้แต่ความไม่มีประสิทธิภาพเพียงเล็กน้อยก็อาจทำให้มีค่าใช้จ่ายสูงขึ้นอย่างรวดเร็ว การเพิ่มการประมวลผลอนุมานที่ไม่จำเป็นให้กับทุกหน้าจะทำให้ทั้งต้นทุนและเวลาแฝงเพิ่มขึ้น ขณะที่การเร่งความเร็วมากเกินไปก็อาจลดความแม่นยำเมื่อจัดการกับเอกสารที่ยาก ซึ่งหมายความว่าเราต้องทุ่มเทความพยายามด้านวิศวกรรมอย่างมากเพื่อพิจารณาว่าแต่ละหน้าจำเป็นต้องผ่านการประมวลผลมากน้อยเพียงใด

ด้วย r-1 เราปรับปรุงความแม่นยำในการแยกวิเคราะห์ พร้อมลดเวลาแฝงและทำให้ราคาเหลือหนึ่งเซนต์ต่อหน้า นอกจากนี้ เรายังกำลังพัฒนาระบบจัดเส้นทางการประมวลผลอัตโนมัติให้มากขึ้น เพื่อไม่ให้หน้าเอกสารทั่วไปใช้ทรัพยากรเท่ากับหน้าที่มีตารางหรือรูปภาพซับซ้อน ในปริมาณการประมวลผลปัจจุบัน การตัดสินใจเหล่านี้ส่งผลต่อเอกสารหลายล้านหน้าทุกวัน จึงทำให้ประสิทธิภาพเป็นส่วนสำคัญของโจทย์ทางวิศวกรรมหลัก

เมื่อมองไปข้างหน้าอีกหลายปี ในยุคที่เอเจนต์ AI โต้ตอบกับสัญญา บันทึกทางการเงิน เอกสารวิจัย งานนำเสนอ และเอกสารอื่น ๆ ขององค์กรกันมากขึ้น คุณคิดว่าส่วนเชื่อมต่อที่เหมาะสมระหว่างระบบ AI กับข้อมูลที่ไม่มีโครงสร้างของโลกควรมีหน้าตาอย่างไร?

เอเจนต์ AI ในปัจจุบันทำงานกับข้อความเป็นหลัก เอเจนต์เหล่านี้ให้เหตุผลกับข้อมูลดิจิทัลที่สะอาดได้ดีมาก แต่โลกแห่งความเป็นจริงยังคงขับเคลื่อนด้วยไฟล์ PDF สเปรดชีต งานนำเสนอ เอกสารสแกน สัญญา และบันทึกทางการเงิน เมื่อเวลาผ่านไป ผมคิดว่าเอเจนต์ควรโต้ตอบกับเอกสารเหล่านั้นได้อย่างเป็นธรรมชาติเช่นเดียวกับที่โต้ตอบกับไฟล์ข้อความในปัจจุบัน

นักพัฒนาไม่ควรต้องคิดให้ลึกซึ้งเกี่ยวกับ OCR การแยกวิเคราะห์ การเลือกโมเดล หรือโครงสร้างเอกสาร เอเจนต์ควรรับไฟล์ใดก็ได้ ทำความเข้าใจเนื้อหาภายใน ตรวจสอบย้อนกลับไปยังแหล่งที่มาของข้อมูลสำคัญ และใช้ข้อมูลนั้นได้อย่างน่าเชื่อถือในงานใดก็ตามที่ต้องทำให้สำเร็จ โครงสร้างพื้นฐานเบื้องหลังควรเป็นผู้กำหนดวิธีประมวลผลเอกสาร เลือกโมเดลที่เหมาะสม และส่งต่อกรณีที่มีความไม่แน่นอนให้พิจารณาเพิ่มเติมเมื่อจำเป็นต้องใช้วิจารณญาณของมนุษย์จริง ๆ

ท้ายที่สุด ผมคิดว่านี่คือการแบ่งหน้าที่ที่เราต้องการให้เกิดขึ้น นั่นคือให้เครื่องจักรจัดการงานเอกสารซ้ำ ๆ ขณะที่ผู้คนใช้เวลากับการตัดสินใจที่ต้องอาศัยบริบท ความรู้เฉพาะภายในองค์กร และวิจารณญาณ เอกสารมีข้อมูลจำนวนมหาศาลที่หล่อเลี้ยงการดำเนินงานของธุรกิจ ดังนั้นการทำให้เอเจนต์เข้าถึงและใช้ข้อมูลเหล่านั้นได้โดยตรงอย่างแท้จริง จะช่วยปลดล็อกศักยภาพครั้งสำคัญในการทำให้ AI เป็นประโยชน์ต่อกระบวนการทำงานจริงของธุรกิจ

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการเปลี่ยนเอกสารซับซ้อนให้เป็นข้อมูลที่เชื่อถือได้สำหรับแอปพลิเคชัน AI สามารถเข้าไปดูได้ที่ Reducto