Khi AI Đọc Giữa Các Dòng: OCR vs. VLMs

Liệu máy móc thực sự hiểu tài liệu, hay chúng chỉ trở nên hiệu quả hơn trong việc trích xuất thông tin từ chúng? Với OCR truyền thống, lỗi thường có thể được xác định và đo lường, trong khi VLM có thể tạo ra một diễn giải thuyết phục nhưng vẫn sai. Đối với các công ty, điều này làm chuyển quyết định đầu tiên từ việc chọn mô hình sang một câu hỏi khó chịu hơn: doanh nghiệp có thể chịu đựng loại lỗi nào? Ranh giới giữa nhận dạng và hiểu biết trở thành một câu hỏi thực tiễn về chất lượng, tự động hoá và niềm tin. 

Cách Transformer Thay Đổi Xử Lý Tài Liệu

Để hiểu cách nhận dạng tài liệu trở thành diễn giải tài liệu, trước tiên chúng ta cần xem xét sự chuyển đổi công nghệ đã tạo ra khả năng này.

Sự phát triển AI dựa trên một ý tưởng tương đối đơn giản: đưa xác suất vào các phép tính vốn trước đây là quyết định. Thay vì luôn tạo ra cùng một kết quả từ cùng một đầu vào, một hệ thống có thể đánh giá nhiều kết quả khả dĩ và chọn ra kết quả có khả năng cao nhất.

Trong giai đoạn đầu, các công ty như Google đã bắt đầu phát triển các mô hình tinh vi để tìm kiếm và xếp hạng khối lượng thông tin khổng lồ. Mặc dù việc dịch một câu, chọn kết quả tìm kiếm và đề xuất video YouTube có vẻ là các nhiệm vụ khác nhau, chúng đều chia sẻ một nguyên tắc chung: tìm phần tử tiếp theo phù hợp nhất dựa trên những gì đã có trước đó. Transformer đã biến nguyên tắc này thành một kiến trúc phổ quát hơn.

Nói cách khác, một transformer xem xét ngữ cảnh hiện có và dự đoán những gì sẽ đến tiếp theo. Điều này cho phép mô hình ngôn ngữ xử lý các từ như các phần của một cấu trúc lớn hơn thay vì các đơn vị riêng lẻ.

Sự phát triển đó đã thay đổi cách xử lý tài liệu. OCR đã có khả năng nhận dạng các ký tự và chuyển chúng thành văn bản máy đọc được trong nhiều thập kỷ. Một transformer có thể lấy những từ đã được nhận dạng, xem xét mối quan hệ giữa chúng và suy ra ý nghĩa của tài liệu. 

Khi Một Lỗi Bắt Đầu Trông Giống Một Câu Trả Lời

OCR chủ yếu là công nghệ nhận dạng. Nó đọc tài liệu ký tự theo ký tự và có thể gán điểm tin cậy cho mỗi kết quả. Nếu một ký hiệu không rõ, hệ thống có thể chỉ ra rằng khả năng là số “3” là 50% và khả năng là chữ “Z” là 40%. Sự không chắc chắn vẫn hiển thị và có thể đo lường.

Một VLM nhận văn bản đã được nhận dạng và sử dụng ngữ cảnh xung quanh để giải quyết sự mơ hồ đó. Nếu một ký tự không hợp lý trong một từ hoặc câu, mô hình có thể chọn lựa chọn hợp lý hơn. Trong nhiều trường hợp, điều này tạo ra kết quả tốt hơn.

Cùng lúc đó, khả năng này thay đổi ý nghĩa của chất lượng. Lỗi OCR truyền thống thường dễ xác định: tài liệu có một ký tự, trong khi văn bản đã trích xuất lại có ký tự khác. Lỗi VLM có thể khó nhận thấy hơn vì hệ thống xây dựng một diễn giải mạch lạc xung quanh nó.

Một hệ thống không xử lý được tài liệu sẽ tạo ra một gián đoạn rõ ràng. Một hệ thống diễn giải sai mà không báo hiệu sự không chắc chắn có thể cho phép lỗi lan truyền vào cơ sở dữ liệu, thanh toán hoặc quyết định tự động khác. Do đó, chất lượng không còn chỉ đo bằng số ký tự hoặc trường được trích xuất chính xác mà còn phải tính đến việc hệ thống có phân biệt được thông tin đã nhận dạng với các suy luận của chính nó hay không.

Loại Lỗi Nào Quy Trình Có Thể Chịu Được?

Cho đến thời gian gần đây, cách tiếp cận an toàn nhất đối với xử lý tài liệu dựa trên VLM là xác thực gần như mọi thứ. Ngày nay, câu trả lời này trở nên ít rõ ràng hơn khi các mô hình ngày càng giỏi trong việc phát hiện bất nhất và xử lý các khuyết điểm mà trước đây cần kiểm tra thủ công.

Do đó, quyết định về tự động hoá nên bắt đầu từ hậu quả của một lỗi chứ không phải từ điểm chính xác chung.

Việc đọc sai danh mục sản phẩm trên hoá đơn siêu thị và đọc sai tổng số tiền có thể xảy ra trong cùng một tài liệu, nhưng chúng không tạo ra cùng mức độ rủi ro. Sự khác biệt càng lớn hơn khi hệ thống xử lý một điều khoản hợp đồng, hồ sơ y tế hoặc mẫu đơn chính phủ. Một mô hình có thể hoạt động tốt trên toàn bộ bộ dữ liệu nhưng vẫn thất bại ở một vài trường quan trọng quyết định kết quả kinh doanh có đúng hay không.

Điều này có nghĩa là các công ty cần xác định các yếu tố quan trọng của tài liệu trước khi quyết định mức độ tự động hoá quy trình. Một số lỗi có thể rẻ và dễ khôi phục. Những lỗi khác có thể dẫn đến thanh toán sai, nghĩa vụ hợp đồng hoặc quyết định dựa trên thông tin y tế hoặc tài chính sai lệch.

Vì vậy, câu hỏi đầu tiên không nên là “Chúng ta nên chọn mô hình nào?” mà nên là “Ở đâu một diễn giải sai có thể gây hậu quả không chấp nhận được?” Chỉ sau khi trả lời câu hỏi này, công ty mới có thể quyết định tài liệu nào có thể tự động đi qua hệ thống và tài liệu nào cần kiểm soát bổ sung.

VLM Đã Bắt Đầu Vượt Ra Ngoài Tài Liệu

Khả năng kết hợp thông tin hình ảnh với ngữ cảnh đã được áp dụng rộng rãi ngoài việc xử lý tài liệu. Một VLM không chỉ giới hạn ở việc đọc các trang: nó có thể diễn giải những gì camera nhìn thấy và liên kết các đối tượng hình ảnh với ngôn ngữ, hướng dẫn và các hành động khả thi.

Trong lái xe tự động, các mô hình này có thể giúp hệ thống hiểu cảnh quan đường phố thay vì chỉ phát hiện các phương tiện, người đi bộ hoặc biển báo giao thông riêng lẻ. Trong lĩnh vực quốc phòng, chúng có thể phân tích video do drone quay và phân biệt giữa người, thiết bị nặng và các vật thể khác trên mặt đất.

Nông nghiệp là một ví dụ khác. Hệ thống có thể xác định cỏ dại hoặc côn trùng, xác định loại của chúng và đề xuất phản ứng phù hợp, chẳng hạn sử dụng laser hoặc một loại thuốc xử lý cụ thể. 

Robot đang phát triển theo cùng hướng. Một robot cần hơn chỉ khả năng nhận ra một vật hiện hữu. Nó phải hiểu vật đó là gì, mối quan hệ của nó với môi trường xung quanh và hành động mà tình huống yêu cầu. VLM cung cấp lớp kết nối giữa nhận thức hình ảnh với hướng dẫn và hành vi.

Một nguyên tắc tương tự xuất hiện trong các tác nhân AI tương tác với giao diện máy tính. Để di chuyển con trỏ hoặc nhấn nút, tác nhân trước tiên cần diễn giải những gì hiển thị trên màn hình. Một mô hình hình ảnh có thể nhận diện rằng trình duyệt đang mở, xác định vị trí nút gửi email và trả về tọa độ để tác nhân thực hiện.

Không phải tất cả các ứng dụng này đều đạt mức độ sẵn sàng sản xuất như nhau. Tuy nhiên, chúng chứng minh sự chuyển đổi rộng hơn đang diễn ra trong AI: các hệ thống đang chuyển từ việc xác định những gì hiển thị sang việc sử dụng thông tin hình ảnh trong một chuỗi lý luận và hành động lớn hơn.

Đối với xử lý tài liệu, điều này có nghĩa là đầu ra của một VLM có thể không còn chỉ dừng lại ở văn bản đã trích xuất. Nó có thể kích hoạt một quy trình khác, cập nhật hệ thống hoặc ảnh hưởng đến quyết định kinh doanh. Giá trị của diễn giải tăng lên, nhưng hậu quả khi diễn giải sai cũng tăng theo.

Từ Đọc Tài Liệu Đến Thực Hiện Trên Chúng

Tương lai của xử lý tài liệu khó có thể được định nghĩa bằng việc OCR biến mất và VLM thay thế nó. Hai công nghệ này thực hiện các chức năng khác nhau trong cùng một quy trình làm việc.

Cấu trúc lớp này cũng giải thích tại sao một mô hình duy nhất có thể không phải là đáp án phù hợp cho mọi tài liệu. Một mẫu đơn rõ ràng, tiêu chuẩn có thể chỉ cần nhận dạng chính xác. Một hợp đồng phức tạp, hồ sơ y tế hoặc tài liệu viết tay không đều có thể cần phân tích ngữ cảnh. Do đó, các tài liệu khác nhau có thể được chuyển tới các công cụ khác nhau tùy thuộc vào cấu trúc, độ phức tạp và tầm quan trọng kinh doanh của chúng.

Tuy nhiên, điều này tạo ra một câu hỏi quan trọng khác: ai đưa ra quyết định định tuyến đầu tiên? Nếu hệ thống phân loại tài liệu, chọn phương pháp xử lý, diễn giải kết quả và đánh giá hiệu suất của chính nó, kiểm soát chất lượng sẽ trở thành một nhiệm vụ khác được giao cho cùng một công nghệ. Một lỗi ngay từ đầu có thể ảnh hưởng tới mọi giai đoạn tiếp theo.

Đây là nơi vai trò của con người bắt đầu thay đổi. Trong một số Keymakr’s dự án xử lý tài liệu, các nhà chú thích đã làm nhiều hơn việc kiểm tra các ký tự riêng lẻ hoặc các trường đã trích xuất. Tùy thuộc vào quy trình làm việc, họ chú thích và xác minh dữ liệu hoặc tập trung cụ thể vào việc xác thực kết quả do mô hình tạo ra. Công việc của họ còn có thể bao gồm phân loại nội dung, diễn giải cấu trúc tài liệu, xác định các yếu tố mơ hồ hoặc không đọc được, và đánh dấu các đầu ra cần sửa chữa hoặc xem xét thêm. Trong những trường hợp này, sự tham gia của con người mở rộng ra ngoài việc xác thực các điểm dữ liệu riêng lẻ để giám sát cách thông tin được xử lý trong toàn bộ quy trình. 

Vậy, máy móc thực sự hiểu tài liệu không? Chúng đã có thể nhận dạng nội dung, sử dụng ngữ cảnh để giải quyết mơ hồ và đưa ra kết luận mà OCR truyền thống không bao giờ tạo ra. Về mặt thực tiễn, điều này giống như sự hiểu biết. Tuy nhiên, quá trình vẫn dựa trên xác suất và các mối quan hệ dự đoán, và logic nội bộ của nó không phải lúc nào cũng hiển thị đầy đủ.

Đối với doanh nghiệp, thuật ngữ ít quan trọng hơn so với ranh giới mà nó tiết lộ. Một hệ thống trở nên hữu ích khi nó có thể vượt ra ngoài việc đọc và hỗ trợ một quy trình thực tế. Nó chỉ trở nên đáng tin cậy khi công ty hiểu được điểm bắt đầu của diễn giải, cách lỗi sẽ được phát hiện và ai sẽ chịu trách nhiệm cho các quyết định tiếp theo.