Uczenie maszynowe
Uczenie maszynowe to metoda budowy modeli, które rozpoznają wzorce na podstawie przykładów zamiast reguł zapisanych ręcznie. W obiegu dokumentów wykorzystuje się je do klasyfikacji typów dokumentów, ekstrakcji danych z niestandardowych układów oraz wykrywania nietypowych przypadków.
Co jest potrzebne
- Przykłady dokumentów wraz z poprawnym wynikiem.
- Sposób pomiaru skuteczności modelu.
- Mechanizm korekty przez operatora i uczenia na poprawkach.
- Próg pewności decydujący o skierowaniu do weryfikacji.
Model to nie wyrocznia
Model zwraca wynik wraz z poziomem pewności. Dobrze zaprojektowany proces wykorzystuje ten poziom: sprawy pewne idą dalej automatycznie, wątpliwe trafiają do człowieka — tak działa rozpoznawanie dokumentów.
Przykłady zastosowania
Po 200 poprawkach operatora skuteczność odczytu pola numeru zamówienia wyraźnie rośnie.
Dokument o niskim poziomie pewności trafia do kolejki weryfikacji zamiast do księgowania.
Najczęstsze pytania
Ile danych potrzeba do nauczenia modelu?
Zależy od zadania. Klasyfikacja kilku typów dokumentów wymaga mniej przykładów niż ekstrakcja wielu pól z niestandardowych układów.
Czy model się psuje z czasem?
Może tracić skuteczność, gdy zmieniają się dokumenty. Dlatego potrzebne jest monitorowanie wyników i okresowe douczanie.
Powiązane hasła
Zobacz, jak wygląda to w systemach, które wdrażamy w polskich firmach.
