Vytěžování dokumentů – Plzeňský kraj

Vytěžování dokumentů je postup, při kterém software automaticky načte údaje z dokumentů a uloží je do strukturované podoby. Nejprve systém převede sken nebo fotografii na text pomocí OCR. Poté hledá hodnoty patřící do určených polí, například číslo faktury, datum splatnosti nebo částku k úhradě. Výsledkem je tabulka nebo datová věta, kterou lze přenést do účetního či spisového systému. V lokalitě Plzeňský kraj tento postup využívají hlavně účetní oddělení a podatelny.

Existují dva hlavní přístupy. Pravidlové vytěžování pracuje se šablonami, které popisují, kde se pole v dokumentu nacházejí. Strojové učení se naopak učí z příkladů a zvládá dokumenty s proměnlivým rozložením. Šablony bývají přesnější u opakujících se formulářů, učící se modely u smluv a různorodých podkladů. Firmy s vlastními typy dokumentů mohou zvážit vývoj softwaru na zakázku.

Vhodný dodavatel se pozná podle několika měřitelných kritérií.

Co sledovat při výběru dodavatele?

• podpora typů dokumentů, které firma skutečně používá
• napojení na účetní nebo spisovou službu
• možnost kontrolovat vytěžená data před zápisem
• způsob uložení a zpracování osobních údajů
• měření přesnosti na vlastních vzorcích dokumentů

Cena se odvíjí od počtu dokumentů, typů polí a způsobu nasazení, tedy zda jde o cloud, nebo vlastní server. Elektronické faktury ve formátu ISDOC lze načíst přímo, bez OCR, protože jsou ve strojově čitelné podobě. Pro dokumenty s proměnlivou strukturou se hodí kombinace obou přístupů, viz také aplikační software pro účetnictví a administrativu.