เมื่อ AI อ่านระหว่างบรรทัด: OCR vs. VLMs

เครื่องจักรจะเข้าใจเอกสารได้จริงหรือไม่ หรือเพียงแค่ทำหน้าที่สกัดข้อมูลจากเอกสารได้มีประสิทธิภาพมากขึ้น? ด้วย OCR แบบดั้งเดิม ข้อผิดพลาดมักจะสามารถระบุและวัดค่าได้ ในขณะที่ VLM อาจสร้างการตีความที่ดูน่าเชื่อถือแต่ยังคงผิดพลาด สำหรับบริษัท สิ่งนี้ทำให้การตัดสินใจแรกเปลี่ยนจากการเลือกโมเดลไปสู่คำถามที่ไม่สบายใจมากขึ้น: ธุรกิจจะรับผิดชอบกับข้อผิดพลาดประเภทใดได้บ้าง? ขอบเขตระหว่างการรับรู้และการเข้าใจจึงกลายเป็นคำถามเชิงปฏิบัติเรื่องคุณภาพ, การอัตโนมัติ, และความเชื่อถือ 

วิธีที่ Transformers เปลี่ยนแปลงการประมวลผลเอกสาร

เพื่อทำความเข้าใจว่าการรับรู้เอกสารกลายเป็นการตีความเอกสารได้อย่างไร เราต้องมองไปที่การเปลี่ยนแปลงทางเทคโนโลยีที่ทำให้สิ่งนี้เป็นไปได้ก่อน

การพัฒนา AI มีพื้นฐานมาจากแนวคิดที่ค่อนข้างง่าย: การนำความน่าจะเป็นเข้ามาในกระบวนการคำนวณที่เคยเป็นเชิงกำหนดล่วงหน้า แทนที่จะให้ผลลัพธ์เดียวกันเสมอจากข้อมูลเข้าเดียวกัน ระบบสามารถประเมินผลลัพธ์หลายๆ ทางและเลือกทางที่มีความเป็นไปได้สูงสุด

ในช่วงแรก บริษัทต่างๆ เช่น Google เริ่มพัฒนาโมเดลที่ซับซ้อนเพื่อค้นหาและจัดอันดับข้อมูลจำนวนมหาศาล แม้ว่าการแปลประโยค, การเลือกผลการค้นหา, และการแนะนำวิดีโอ YouTube จะดูเหมือนเป็นงานที่แตกต่างกัน แต่ทั้งหมดมีหลักการร่วมกัน: การค้นหาองค์ประกอบต่อไปที่เกี่ยวข้องที่สุดโดยอิงจากสิ่งที่มาก่อนหน้านั้น Transformers ทำให้หลักการนี้กลายเป็นสถาปัตยกรรมที่เป็นสากลมากยิ่งขึ้น

กล่าวอีกอย่างหนึ่ง Transformer จะพิจารณาบริบทที่มีอยู่และทำนายสิ่งที่ควรจะตามมา สิ่งนี้ทำให้โมเดลภาษา สามารถประมวลผลคำเป็นส่วนหนึ่งของโครงสร้างที่ใหญ่กว่า แทนที่จะเป็นหน่วยแยกจากกัน

การพัฒนานั้นได้เปลี่ยนแปลงการประมวลผลเอกสาร OCR สามารถรับรู้ตัวอักษรและแปลงเป็นข้อความที่เครื่องคอมพิวเตอร์อ่านได้มานานหลายทศวรรษแล้ว Transformer สามารถรับคำที่ได้รับการรับรู้แล้ว, ตรวจสอบความสัมพันธ์ระหว่างคำเหล่านั้น, และสรุปความหมายของเอกสาร 

เมื่อข้อผิดพลาดเริ่มดูเหมือนคำตอบ

OCR เป็นเทคโนโลยีการรับรู้เป็นหลัก มันอ่านเอกสารทีละอักขระและสามารถกำหนดคะแนนความเชื่อมั่นให้กับแต่ละผลลัพธ์ หากสัญลักษณ์ไม่ชัดเจน ระบบอาจระบุว่ามีความเป็นไปได้ 50% ที่จะเป็นตัวเลข “3” และ 40% ที่จะเป็นตัวอักษร “Z” ความไม่แน่นอนจึงยังคงมองเห็นและวัดได้ 

VLM จะรับข้อความที่ได้รับการรับรู้แล้วและใช้บริบทโดยรอบเพื่อแก้ไขความคลุมเครือ หากอักขระหนึ่งไม่สอดคล้องกับคำหรือประโยค โมเดลสามารถเลือกตัวเลือกที่สมเหตุสมผลกว่า ในหลายกรณี สิ่งนี้ให้ผลลัพธ์ที่ดีกว่า

ในเวลาเดียวกัน ความสามารถนี้ทำให้ความหมายของคุณภาพเปลี่ยนไป ข้อผิดพลาดของ OCR แบบดั้งเดิมมักหาตำแหน่งได้ง่าย: เอกสารมีอักขระหนึ่งตัว แต่ข้อความที่สกัดออกมามีอักขระอื่น ข้อผิดพลาดของ VLM อาจมองไม่เห็นได้ยากกว่า เพราะระบบสร้างการตีความที่สอดคล้องรอบ ๆ ข้อผิดพลาดนั้น

ระบบที่ล้มเหลวในการประมวลผลเอกสารจะสร้างการขัดจังหวะที่ชัดเจน ระบบที่ตีความผิดโดยไม่บ่งชี้ความไม่แน่นอนอาจทำให้ข้อผิดพลาดไหลเข้าสู่ฐานข้อมูล, การชำระเงิน, หรือการตัดสินใจอัตโนมัติอื่น ๆ ดังนั้นคุณภาพจึงไม่สามารถวัดได้เพียงจำนวนอักขระหรือฟิลด์ที่สกัดได้อย่างถูกต้องเท่านั้น แต่ต้องพิจารณาว่าระบบแยกแยะข้อมูลที่รับรู้จากการสรุปของตนเองได้หรือไม่

ข้อผิดพลาดประเภทใดที่กระบวนการสามารถทนได้?

จนถึงเมื่อเร็ว ๆ นี้ วิธีที่ปลอดภัยที่สุดสำหรับการประมวลผลเอกสารด้วย VLM คือการตรวจสอบเกือบทุกอย่าง วันนี้คำตอบนั้นกำลังซับซ้อนมากขึ้น เนื่องจากโมเดลสามารถระบุความไม่สอดคล้องและจัดการกับข้อบกพร่องที่ก่อนหน้านี้ต้องการการตรวจสอบด้วยมือได้ดีขึ้น 

ดังนั้นการตัดสินใจเกี่ยวกับการอัตโนมัติควรเริ่มจากผลลัพธ์ของข้อผิดพลาด แทนที่จะเริ่มจากคะแนนความแม่นยำทั่วไป

การอ่านผิดประเภทสินค้าบนใบเสร็จของซูเปอร์มาร์เก็ตและการอ่านจำนวนเงินสุดท้ายผิดอาจเกิดขึ้นในเอกสารเดียวกัน แต่ความเสี่ยงที่เกิดขึ้นไม่เท่ากัน ความแตกต่างจะยิ่งชัดเจนเมื่อระบบประมวลผลข้อกำหนดในสัญญา, บันทึกทางการแพทย์, หรือแบบฟอร์มของรัฐบาล โมเดลอาจทำงานได้ดีทั่วทั้งชุดข้อมูล แต่ยังคงล้มเหลวในฟิลด์เล็ก ๆ จำนวนหนึ่งที่กำหนดผลลัพธ์ทางธุรกิจให้ถูกต้องหรือไม่

นั่นหมายความว่าบริษัทต้องกำหนดองค์ประกอบสำคัญของเอกสารก่อนตัดสินใจว่าจะทำอัตโนมัติกระบวนการเท่าใด ข้อผิดพลาดบางอย่างอาจมีต้นทุนต่ำและแก้ไขได้ง่าย ส่วนอื่น ๆ อาจนำไปสู่การชำระเงินผิด, ภาระผูกพันตามสัญญา, หรือการตัดสินใจบนข้อมูลทางการแพทย์หรือการเงินที่ผิดพลาด

ดังนั้นคำถามแรกจึงไม่ควรเป็น “เราควรเลือกโมเดลใด?” แต่ควรเป็น “ที่ไหนที่การตีความผิดพลาดอาจทำให้เกิดผลลัพธ์ที่ยอมรับไม่ได้?” หลังจากได้คำตอบแล้ว บริษัทจึงจะสามารถตัดสินใจว่าเอกสารใดสามารถผ่านระบบโดยอัตโนมัติและเอกสารใดต้องการการควบคุมเพิ่มเติม 

VLM กำลังขยายขอบเขตออกไปไกลกว่าการประมวลผลเอกสารแล้ว

ความสามารถในการผสานข้อมูลภาพกับบริบทกำลังถูกนำไปใช้ไกลเกินกว่าการประมวลผลเอกสารแล้ว VLM ไม่จำกัดเพียงการอ่านหน้าเท่านั้น: มันสามารถตีความสิ่งที่กล้องมองเห็นและเชื่อมวัตถุภาพกับภาษา, คำสั่ง, และการกระทำที่เป็นไปได้ 

ในการขับขี่อัตโนมัติ โมเดลเหล่านี้ช่วยให้ระบบเข้าใจฉากบนถนน มากกว่าการตรวจจับยานพาหนะ, คนเดินเท้า, หรือป้ายจราจรแต่ละรายการ ในด้านการป้องกันประเทศ พวกมันสามารถวิเคราะห์คลิปที่บันทึกโดยโดรนและแยกแยะระหว่างคน, อุปกรณ์หนัก, และวัตถุอื่น ๆ บนพื้นดิน

การเกษตรเป็นอีกตัวอย่างหนึ่ง ระบบอาจระบุวัชพืชหรือแมลง, กำหนดชนิดของมัน, และแนะนำการตอบสนองที่เหมาะสม เช่น การใช้เลเซอร์หรือสารเคมีเฉพาะ 

หุ่นยนต์กำลังพัฒนาในทิศทางเดียวกัน หุ่นยนต์ต้องการมากกว่าความสามารถในการรับรู้ว่ามีวัตถุอยู่ มันต้องเข้าใจวัตถุนั้นคืออะไร, มีความสัมพันธ์อย่างไรกับสภาพแวดล้อม, และการกระทำใดที่สถานการณ์ต้องการ VLM ให้ชั้นเชื่อมการรับรู้ภาพกับคำสั่งและพฤติกรรม 

หลักการคล้ายกันปรากฏในเอเย่นต์ AI ที่โต้ตอบกับอินเทอร์เฟซคอมพิวเตอร์ เพื่อย้ายเคอร์เซอร์หรือกดปุ่ม เอเย่นต์ต้องตีความสิ่งที่แสดงบนหน้าจอก่อน โมเดลภาพสามารถระบุว่ามีเบราว์เซอร์เปิดอยู่, ค้นหาปุ่มที่ใช้ส่งอีเมล, และส่งพิกัดของปุ่มนั้นให้เอเย่นต์ดำเนินการ 

แอปพลิเคชันเหล่านี้ยังไม่ทั้งหมดถึงระดับความพร้อมใช้งานในผลิตภัณฑ์ อย่างไรก็ตาม พวกมันแสดงให้เห็นถึงการเปลี่ยนแปลงที่กว้างขวางของ AI: ระบบกำลังย้ายจากการระบุสิ่งที่มองเห็นไปสู่การใช้ข้อมูลภาพในห่วงโซ่การให้เหตุผลและการกระทำที่ใหญ่ขึ้น 

สำหรับการประมวลผลเอกสาร นั่นหมายความว่าผลลัพธ์ของ VLM อาจไม่สิ้นสุดที่ข้อความที่สกัดออกมาอีกต่อไป มันอาจกระตุ้นกระบวนการอื่น, ปรับปรุงระบบ, หรือมีอิทธิพลต่อการตัดสินใจทางธุรกิจ มูลค่าของการตีความเพิ่มขึ้น แต่ผลลัพธ์ที่ตามมาหากการตีความนั้นผิดพลาดก็เพิ่มเช่นกัน 

จากการอ่านเอกสารสู่การดำเนินการกับเอกสาร

อนาคตของการประมวลผลเอกสารไม่น่าจะถูกกำหนดโดยการหายไปของ OCR และการแทนที่ด้วย VLM ทั้งสองเทคโนโลยีทำหน้าที่ที่แตกต่างกันในกระบวนการทำงานเดียวกัน 

โครงสร้างแบบหลายชั้นนี้ยังอธิบายว่าทำไมโมเดลสากลเดียวอาจไม่ใช่คำตอบที่เหมาะกับทุกเอกสาร แบบฟอร์มที่ชัดเจนและมาตรฐานอาจต้องการเพียงการรับรู้ที่แม่นยำเท่านั้น สัญญาที่ซับซ้อน, บันทึกทางการแพทย์, หรือเอกสารที่เขียนด้วยมือไม่เป็นระเบียบอาจต้องการการวิเคราะห์เชิงบริบท ดังนั้นเอกสารที่แตกต่างกันสามารถส่งต่อไปยังเครื่องมือที่แตกต่างกันตามโครงสร้าง, ความซับซ้อน, และความสำคัญทางธุรกิจ 

แต่สิ่งนี้สร้างคำถามสำคัญอีกข้อหนึ่ง: ใครเป็นผู้ตัดสินใจกำหนดเส้นทางแรก? หากระบบทำการจำแนกเอกสาร, เลือกวิธีการประมวลผล, ตีความผลลัพธ์, และประเมินประสิทธิภาพของตนเอง การควบคุมคุณภาพก็กลายเป็นงานอีกอย่างที่มอบให้เทคโนโลยีเดียวกัน ข้อผิดพลาดตั้งแต่เริ่มต้นอาจส่งผลต่อทุกขั้นตอนต่อไป 

ในบางส่วนของ Keymakr’s โครงการประมวลผลเอกสาร, ผู้ทำเครื่องหมายทำมากกว่าการตรวจสอบอักขระแต่ละตัวหรือฟิลด์ที่สกัดออกมา ขึ้นอยู่กับกระบวนการทำงาน พวกเขาอาจทำการทำเครื่องหมายและตรวจสอบข้อมูล หรือมุ่งเน้นเฉพาะการตรวจสอบผลลัพธ์ที่สร้างโดยโมเดล งานของพวกเขาอาจรวมถึงการจัดประเภทเนื้อหา, การตีความโครงสร้างเอกสาร, การระบุองค์ประกอบที่คลุมเครือหรืออ่านไม่ออก, และการทำเครื่องหมายผลลัพธ์ที่ต้องการการแก้ไขหรือการตรวจสอบเพิ่มเติม ในกรณีเหล่านี้ การมีส่วนร่วมของมนุษย์ขยายออกไปนอกเหนือจากการตรวจสอบจุดข้อมูลแยกส่วนเพื่อดูแลว่าข้อมูลถูกประมวลผลอย่างไรทั่วทั้งกระบวนการทำงาน 

ดังนั้น เครื่องจักรจะเข้าใจเอกสารได้จริงหรือไม่? พวกมันสามารถรับรู้เนื้อหา, ใช้บริบทเพื่อแก้ไขความคลุมเครือ, และสร้างข้อสรุปที่ OCR แบบดั้งเดิมไม่สามารถสร้างได้ ในเชิงปฏิบัติ สิ่งนี้ดูคล้ายกับการเข้าใจ อย่างไรก็ตาม กระบวนการยังคงอิงตามความน่าจะเป็นและความสัมพันธ์ที่คาดการณ์ไว้ และตรรกะภายในของมันไม่ได้มองเห็นได้อย่างเต็มที่เสมอ 

สำหรับธุรกิจ คำศัพท์นั้นสำคัญน้อยกว่าขอบเขตที่มันเปิดเผย ระบบจะมีประโยชน์เมื่อมันสามารถก้าวข้ามการอ่านและสนับสนุนกระบวนการที่แท้จริงได้ ระบบจะได้รับความเชื่อถือเฉพาะเมื่อบริษัทเข้าใจว่าการตีความเริ่มต้นที่ใด, ข้อผิดพลาดจะถูกตรวจจับอย่างไร, และผู้ใดยังคงรับผิดชอบต่อการตัดสินใจที่ตามมา.