Dwa adresy w formularzu ubezpieczeniowym: czy AI je rozróżni?

Siedziba firmy i adres magazynu

Formularz ubezpieczenia mienia firmy zawiera dwa adresy. Pierwszy jest w części z danymi firmy i opisuje siedzibę, drugi w osobno oznaczonej części o magazynie zgłaszanym do ubezpieczenia. Narzędzie odczytało adres bez literówki, ale wpisało siedzibę także jako lokalizację magazynu. Poprawka wymaga powrotu do dokumentu.

Poprawny zapis pobiera lokalizację magazynu z części o magazynie i przy każdej wartości pokazuje fragment formularza, z którego ją odczytano. Jeśli część o magazynie jest pusta, adres siedziby nie wypełnia tej luki, a pracownik widzi, że lokalizacja wymaga wyjaśnienia. Formularz z dwoma magazynami wymaga dwóch grup danych, z adresem i opisem przy właściwej lokalizacji.

Ile daje prostsza zmiana, a ile trening

W tym rachunku gotowy ekstraktor z przykładami daje większość efektu za ułamek kosztu. Trening ma sens przy większej skali albo gdy pozostałe błędy są kosztowne. Błędy liczymy osobno dla złego odczytu i złego przypisania, bo naprawia się je w innym miejscu.

Zbiór przykładów do uczenia trzeba utrzymywać: gdy zmienia się proces, nazewnictwo albo model bazowy, ocenę powtarza się na tym samym zbiorze testowym. Ten koszt wpisujemy do wyceny razem z samym uczeniem.

Co sprawdzić przed douczaniem modelu

Przy stałym układzie formularza wystarczy istniejący szablon odczytu. Jeśli firma zbiera odpowiedzi przez formularz internetowy, osobne pola na siedzibę i lokalizacje ograniczą potrzebę wydobywania danych. Przy skanach rozróżnij błędnie odczytany tekst od poprawnego tekstu w złym polu, bo OCR, który gubi nagłówek sekcji, psuje dalsze przypisanie. Google opisuje Custom Extractor oparty na modelu bazowym z możliwością dostosowania na przykładach. Jeśli import do systemu przewiduje tylko jedną lokalizację, poprawa modelu nie usunie problemu.

Od czego zacząć

Zaczynamy od formularzy, które pracownicy regularnie poprawiają. Zespół wyjaśnia, co powinno być w każdym polu i jak rozdziela lokalizacje, a próbę oceniamy na formularzach niewykorzystanych do dostosowania. Dostosowanie modeli prowadzimy w ramach prywatnych modeli LLM, a aplikację, w której pracownik widzi wynik obok źródła, w ramach aplikacji AI. Na bezpłatną analizę wystarczy kilka przykładów błędu, który wraca, i opis, kto go dziś poprawia.