Automatikus dokumentum feldolgozás

A nagy nyelvi modell típusú mesterséges intelligenciák megjelenésével azonban létrejött egy új technológia, amelyet a lehető legjobban úgy tudnánk jellemezni, hogy a nagy nyelvi modellek bizonyos fajtáinak van képessége vizuális feldolgozásra. Emberi nyelven megfogalmazva ez annyit tesz, hogy látják a dokumentumot, amit fel kell dolgozniuk. Megértik az elrendezést, látják a táblázatokat, a képeket és a formázást is, akkor is, hogyha nincs előzetesen OCR technológiával feldolgozva a dokumentum.

Ez egy nagy áttörés volt a dokumentumok feldolgozását tekintve, ugyanis jelentős mértékben megnövekedett a pontosság. A mesterséges intelligencia nem csak a dokumentum, és az esetek túlnyomó többségében a számla szöveges tartalmát kapja meg feldolgozásra, hanem a fizikai elrendezését is látja. Így meg tudja tanulni azt, hogy hol szerepel egy számlán a vevő, hol szerepel a kibocsátó, hogy tipikusan hova kerülnek a dátumok, hova kerülnek az adószámok, hova kerül a számlán a megjegyzés. Egy sokkal hatékonyabb és sokkal pontosabb eredményt lehet elérni ezekkel a nagy nyelvi modellekkel, amelyeknek képességük van arra, hogy lássák a dokumentumokat.

A Cashbookban mi ilyen mesterséges intelligencia alapú dokumentum feldolgozást alkalmazunk, ahol ezek az úgynevezett multimodális nagy nyelvi modellek nem csak a szöveget, hanem a dokumentum teljes strukturális felépítését vizsgálják. Ez alapján hoznak döntést egyrészt arról, hogy maga a dokumentum, ami a rendszerbe került, az micsoda (ez alapján bekategorizálják), illetve ennek megfelelően folytatják a dokumentumok feldolgozását, hogy könyvelési adatot készítsenek belőle.