Faturaları, Sözleşmeleri ve Formları Yapay Zekayla Okumak: Yeniden Yazmadan Belge İşleme
Yapay zeka, bir çıkarım modelini doğrulama kurallarıyla eşleştirdiğinizde ve düşük güvenli alanları bir insana gönderdiğinizde faturaları, formları ve sözleşmeleri güvenilir biçimde okur.
8 dk. okuma

İçindekiler
Yapay zeka, üç şey yerinde olduğunda faturalardan, sözleşmelerden ve formlardan güvenilir biçimde veri çıkarabilir: belge türüne uygun bir çıkarım modeli, sonucu güvendiğiniz verilere karşı kontrol eden doğrulama kuralları ve yalnızca modelin emin olmadığı alanları inceleyen bir insan. Kontroller ve inceleme adımı olmadan hatalar sistemlerinize sessizce ulaşır.
Tedarikçi faturalarını PDF eki olarak, depodan taranmış irsaliyeleri ve imzalı müşteri sözleşmelerini e-postayla alan bir dağıtım şirketi düşünün. Finans ekibindeki iki kişi tedarikçi adlarını, fatura numaralarını, toplamları ve vade tarihlerini muhasebe sistemine yeniden yazıyor, bir başkası da sözleşmelerden yenileme tarihlerini bir elektronik tabloya kopyalıyor. İş düzenli, yavaş ve ay sonunda hataya açık. Büyük kısmı otomatikleştirilebilir. Soru hangi kısımların, hangi araçla ve hataları nasıl yakalayacağınızdır.
Akıllı belge işleme (IDP) nedir ve OCR'dan nasıl farklıdır?
Akıllı belge işleme (IDP), bir belgeyi okuyan ve sayfadaki metni değil, tedarikçi adı, toplam ve vade tarihi gibi adlandırılmış alanları döndüren yazılımdır. Optik karakter tanıma (OCR), onun altındaki, bir metin görüntüsünü karakterlere dönüştüren adımdır.
Tek başına OCR size bir metin bloğu verir. "Due" yanındaki "12/11/2026"nın vade tarihi olduğuna ve iki toplamdan büyüğünün vergiyi içerdiğine karar verecek bir şeye hâlâ ihtiyacınız var. IDP bu katmanı ekler: anahtar-değer çiftlerini, tabloları ve kalem satırlarını bulur ve sistemlerinizin anladığı alanlarla eşler.
Bu işi artık iki tür model yapıyor:
Amaca yönelik çıkarım modelleri faturalar ya da fişler gibi bir belge türü üzerinde eğitilir ve her biri için bir güven puanıyla sabit bir alan seti döndürür.
Belge girdili genel dil modelleri sayfayı metin ve görüntü olarak okur ve istediğiniz her alanı döndürebilir; bu da sözleşmeler gibi sabit yerleşimi olmayan belgelere uyar.
Bugün yapay zeka hangi belgeleri güvenilir biçimde okuyabilir?
Faturalar, fişler ve standart formlar gibi ortak yapısı ve bilinen bir alan seti olan belgeler en güvenilir olanlardır. Sözleşmeler ve serbest biçimli mektuplar belirli maddeler ve tarihler için işe yarar, ama yanıt konuma değil anlamı okumaya bağlı olduğu için daha çok inceleme gerektirir.
Belgelerinizi sıralamanın pratik bir yolu:
Faturalar ve fişler: Yapı: tedarikçiler arasında benzer. Alanlar: tedarikçi, numara, tarihler, toplamlar, vergi, kalemler. Uyum: hazır modeller çoğunu halleder.
Kendi formlarınız: Yapı: sabit, çünkü siz tasarladınız. Alanlar: form ne soruyorsa. Uyum: form ayrıştırıcıları ya da birkaç örnek üzerinde eğitilmiş özel bir model.
İrsaliyeler ve satın alma siparişleri: Yapı: tedarikçiye göre değişir. Alanlar: sipariş numarası, kalemler, miktarlar. Uyum: sisteminizdeki siparişe karşı kontrol edilen hazır ya da özel modeller.
Sözleşmeler: Yapı: serbest metin. Alanlar: taraflar, başlangıç ve bitiş tarihleri, ihbar süresi, yenileme koşulları, uygulanacak hukuk. Uyum: dil modelleri; çıkarılan her maddeyi bir insan doğrular.
El yazısı ya da kötü taramalar: Yapı: öngörülemez. Uyum: taahhüt etmeden önce test edin ve daha fazla elle inceleme planlayın.
Girdi kalitesi model kadar önemlidir. Bir muhasebe sisteminden dışa aktarılmış temiz bir PDF, buruşmuş bir irsaliyenin telefon fotoğrafından daha kolaydır.
Hangi araçlar faturalardan ve formlardan veri çıkarabilir?
Büyük bulut sağlayıcılarının her biri yaygın belgeler için hazır modellerle ve kendi verinizde eğitim seçenekleriyle belge çıkarım hizmetleri sunuyor ve genel yapay zeka modelleri artık PDF'leri doğrudan okuyabiliyor. Belge türüne, verinizin nerede saklanabileceğine ve ekibinizin zaten ne çalıştırdığına göre seçin.
Azure Document Intelligence (Microsoft): Hazır: hazır fatura modeli müşteri adı, fatura adresi, vade tarihi, ödenecek tutar ve kalemler gibi alanları çıkarır ve Microsoft faturaları, fatura niteliğindeki yardımcı hizmet bildirimlerini, satış siparişlerini ve satın alma siparişlerini 27 dilde desteklenen olarak listeler. Güven: kelimeler, anahtar-değer çiftleri, seçim işaretleri, bölgeler ve imzalar için döndürülür; ancak Microsoft tüm belge alanlarının bir tane döndürmediğini not eder.
Amazon Textract (AWS): Hazır: AnalyzeExpense fatura ya da fiş tarihini ve numarasını, kalem fiyatlarını, toplam tutarı ve ödeme koşullarını, ayrıca kalemleri çıkarır. Güven: her veri parçası için bir puan. Diğer özellikler: AnalyzeDocument formları, tabloları, imzaları ve yerleşimi okur ve belgenin hangi müşteriyi adlandırdığı gibi düz bir soru sorduğunuz sorguları kabul eder.
Google Cloud Document AI: Seçenekler: Form Parser önceden tanımlı alanlar olmadan anahtar-değer çiftlerini, tabloları ve onay kutularını çıkarır, özel çıkarıcı ise bir şemada tanımladığınız alanları çeker. Eğitim: Google, 5 etiketli belgeye kadar tahmin yapan ve 10'dan fazlasıyla ince ayar yapılabilen foundation model seçeneğiyle başlamayı önerir.
PDF girdili genel yapay zeka modelleri: Örnek: Anthropic'in Claude için PDF desteği her sayfayı bir görüntüye dönüştürür ve çıkarılan metni yanında sağlar; böylece model tabloları ve grafikleri okuyabilir. Sınırlar: istek başına 600 sayfaya kadar (bağlam penceresi 1M token'ın altındaysa 100) ve her sayfa genellikle 1.500 ila 3.000 token kullanır. Uyum: alanları istemde tanımladığınız sözleşmeler ve çeşitli belgeler.
Fiyatlar sayfa başınadır ve değişir; karşılaştırdığınız gün her satıcının fiyat sayfasını kontrol edin.
Hangi alanların insan kontrolüne ihtiyacı olduğuna nasıl karar verirsiniz?
Modelin güveni belirlediğiniz bir eşiğin altında olduğunda, bir doğrulama kuralı başarısız olduğunda ya da alan her zaman ikinci bir bakış isteyeceğiniz kadar yüksek riskli olduğunda bir alanı bir kişiye gönderin. Geri kalan her şey doğrudan akabilir.
Microsoft'un doğruluk ve güven puanları rehberi, alan güvenini tahminin doğru olma olasılığının 0 ile 1 arasında tahmini bir değeri olarak tanımlar ve bunun "tahmini otomatik olarak kabul edip etmeyeceğinize ya da insan incelemesi için işaretleyip işaretlemeyeceğinize karar vermek için kullanılabileceğini" söyler. Evrensel bir kesme noktası vermez; bu yüzden kendinizinkini kendi test sonuçlarınızdan belirleyin.

Güven tek başına yeterli değildir. Bir model emin ve yanlış olabilir; örneğin ara toplamı toplam olarak okuduğunda. Doğrulama kuralları bu durumları yakalar.
Önce eklemeye değer doğrulama kuralları
Toplamlar tutuyor: kalemler artı vergi fatura toplamına eşit.
Tedarikçi var: çıkarılan tedarikçi, mümkünse vergi numarasıyla, muhasebe sisteminizdeki bir tedarikçiyle eşleşiyor.
Sipariş eşleşiyor: satın alma sipariş numarası var ve tutarlar tolerans içinde.
Mükerrer yok: aynı tedarikçi ve fatura numarası daha önce işlenmemiş.
Tarihler mantıklı: vade tarihi fatura tarihinden sonra ve sözleşme bitiş tarihleri başlangıç tarihlerinden sonra.
Sözleşmeler için, çıkarılan her yenileme tarihini ve ihbar süresini doğrulanacak bir alan olarak ele alın. Kaçırılan bir ihbar süresi, birini kontrol etmenin bir dakikasından daha pahalıya mal olur.
AWS'de Amazon Augmented AI (A2I) bu adım için geliştirildi ve Textract'ın AnalyzeDocument işlemiyle bütünleşerek incelemeleri güven aralığına, eksik anahtarlara ya da rastgele örnekleme göre başlatır. AWS'nin A2I sayfası artık yeni müşterilere açık olmadığını belirtiyor; bu yüzden yeni projeler genellikle inceleme kuyruğunu kendi iş akışı aracında kuruyor.
Bir belge işleme iş akışını adım adım nasıl kurarsınız?
Tek bir belge türü ve tek bir hedef sistemle başlayın, gerçek örnekler üzerinde ölçün, sonra genişletin. Her gün çalışan küçük bir hat, kimsenin güvenmediği geniş bir hattan iyidir.
Tek bir belge türünden 30 ila 50 gerçek örnek toplayın; farklı gönderenlerden, dağınık olanlar dahil.
İhtiyaç duyduğunuz alanları ve her birinin hedef sistemde nereye gittiğini yazın.
Örnekleri iki aday araçtan geçirin ve bir kişinin yazacağıyla alan alan karşılaştırın.
Doğrulama kuralları ekleyin; çıkarılan değerleri kendi kayıtlarınıza karşı kontrol eder.
İnceleme eşiklerini belirleyin; böylece düşük güvenli ya da başarısız alanlar, belge yan yana olacak şekilde bir inceleme kuyruğuna gider.
Hedefi API'si üzerinden bağlayın; doğrudan işlemek yerine taslaklar ya da bekleyen kayıtlar yazın.
Her belgeyi, çıkarılan alanlarını, düzeltmeleri ve kimin onayladığını kaydedin.
Elle süreci kapatmadan önce birkaç hafta boyunca onunla paralel çalıştırın.

Alım adımı çoğu zaman en zor kısımdır. Belgeler e-postayla, yüklemeyle, paylaşımlı sürücüyle ve tarayıcıyla gelir. Çıkarımdan önce hepsini tek bir gelen kutusuna ya da klasöre yönlendirin ve özgün dosyayı oluşturduğu her kayda bağlı tutun.
Çıkarımın işe yaradığını nasıl anlarsınız?
Sabit bir test setinde alan düzeyinde doğruluğu, hiçbir insan düzenlemesi olmadan geçen belgelerin payını ve inceleyicilerin her hafta yaptığı düzeltmeleri ölçün. Düzeltmeler en yararlı sinyaldir; çünkü tam olarak hangi alanların ve gönderenlerin sorun çıkardığını gösterirler.
Bir satıcı modelini güncellediğinde ya da bir istemi değiştirdiğinizde karşılaştırabilmek için test setini sabit tutun. Bulduğunuz yeni başarısızlık vakalarını ona ekleyin. Bir tedarikçinin yerleşimi başarısız olmaya devam ettiğinde, küçük bir özel model ya da tedarikçiye özgü bir kural genellikle araç değiştirmekten daha hızlı düzeltir.
Sessiz kaymaya da dikkat edin. Bir tedarikçi fatura şablonunu değiştirir ve her zaman doğru olan bir alan incelemeye gitmeye başlar. Gönderene göre inceleme hacmine haftalık bir bakış bunu erken yakalar.
Vizio AI olarak nasıl yaklaşıyoruz
Araçla değil, belgelerle başlıyoruz. Gerçek örnekleri topluyor, her ekibin gerçekte yeniden yazdığı alanları listeliyor ve her değerin nereye gittiğini izliyoruz. Ardından iki üç çıkarım seçeneğini aynı örnekler üzerinde test ediyor ve ölçülen alan doğruluğuna, veri konumuna ve sayfa başına maliyete göre seçiyoruz.
Kurduğumuz hat, düşük güvenli alanlar ve başarısız kontroller için döngüde bir insan tutuyor, hedef sisteme taslak olarak yazıyor ve kurallar zamanla gelişsin diye her düzeltmeyi kaydediyor. Finans ekipleri için Finans Arka Ofisinde Yapay Zeka yazısında anlattığımız fatura eşleştirme ve kapanış işiyle bağlanıyor. Hedef alan çıkarmak değil belgelerden soruları yanıtlamak olduğunda Şirket Belgelerinizle Sohbet Edin bu kalıbı ele alıyor ve belge yönetiminde RPA konulu önceki yazımız sözleşme iş akışlarının kural tabanlı tarafını ele alıyor.
Bu, DX Studio'muzun operasyon çalışmasının bir parçasıdır.
Kaynaklar
Microsoft Learn, Interpret and improve model accuracy and confidence scores (Document Intelligence): https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/concept-accuracy-confidence
Microsoft Learn, Invoice data extraction (Document Intelligence): https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/prebuilt/invoice
Amazon Textract Developer Guide, Analyzing Invoices and Receipts: https://docs.aws.amazon.com/textract/latest/dg/invoices-receipts.html
Amazon Textract Developer Guide, Analyzing Documents: https://docs.aws.amazon.com/textract/latest/dg/how-it-works-analyzing.html
Amazon SageMaker AI Developer Guide, Use Amazon Augmented AI with Amazon Textract: https://docs.aws.amazon.com/sagemaker/latest/dg/a2i-textract-task-type.html
Google Cloud Document AI, Extracting overview: https://docs.cloud.google.com/document-ai/docs/extracting-overview
Claude Developer Platform, PDF support: https://platform.claude.com/docs/en/build-with-claude/pdf-support
Vizio AI, AI in the Finance Back Office: Invoices, Reconciliation and Month-End Close: https://www.vizio.ai/resources/blog/ai-accounts-payable-automation
Vizio AI, Chat With Your Company Documents: When RAG Works and When It Doesn't: https://www.vizio.ai/resources/blog/rag-company-documents
Vizio AI, RPA in document management: https://www.vizio.ai/resources/blog/rpa-in-document-management-automating-contract-lifecycle-and-enhancing-efficiency
Vizio AI, DX Studio: https://www.vizio.ai/studios/dx-studio
SSS.
Daha Fazla Oku

Attribution That Survives Your Tool Stack: Keeping UTMs From Ad to Booking to CRM

Clean Your CRM Data Before You Add AI: Dedupe, Grain and Ownership

Semantic Layer First: Getting Your BI Ready for AI Agents

How F&B CMOs Use Generative AI In Business For Location Decisions

How Real Estate Firms Use Business Analytics For City Parks To Drive Value

Data Storytelling and Visualization

When Does a Business Actually Need Digital Transformation?

Analytics for Product Recommendations

Data Analyst vs. Data Quality Analyst

The Best NoSQL Analytics Tools 2024



