Aracılı Belge Çıkarma: LandingAI ve daha fazlası in 2026'te
Ajan Tabanlı Belge Çıkarma (ADE), çeşitli dosya türlerinden veri çıkaran özel bir Optik Karakter Tanıma (OCR) biçimidir. Bilgiye dayalı işleri kolaylaştırmak için belge işleme, veri alma, yapılandırılmış çıktı oluşturma ve otomasyonu birleştirir.
ADE, tablolar, akış şemaları ve resimler gibi karmaşık belge yapılarını tanıma yeteneğiyle geleneksel OCR'den ayrılır. Bu da onu geleneksel Intelligent Belge İşleme (IDP) ve Geri Alma Destekli Üretim (RAG) yöntemlerinden daha gelişmiş hale getirir.
60 görsel kullanarak en iyi 5 otomatik belge çıkarma aracını test ettik ve performanslarını 3 ölçütü içeren birleşik bir puanla ölçtük.
Aracı tabanlı belge çıkarma kıyaslama sonuçları
Yaptığımız karşılaştırmalı test, LandingAI'nin 100 üzerinden 69 puan alarak, ajan tabanlı belge çıkarma konusunda en yetenekli araç olduğunu ortaya koydu.
*Docsumo'nun hazır ajan tabanlı belge çıkarma aracı, akış şeması çıkarma için bir araç sağlamamaktadır. Ürün çeşitli belge çıkarma süreçleri için eğitilebilir; ancak, kıyaslamamız hazır modeller üzerine kuruludur. Bu nedenle, Docsumo akış şeması çıkarma işleminden puan alamadı.
Araçları değerlendirmek için akış diyagramı değerlendirmesinde üç, tablo değerlendirmesinde ise dört ölçüt kullandık. Ayrıntıları , ajan tabanlı belge çıkarma kıyaslama metodolojimizde bulabilirsiniz.
En popüler 5 ajan tabanlı belge çıkarma aracı
LandingAI
LandingAI geleneksel yaklaşımları geride bırakarak OCR'ı farklı alanlarda kullandı. Belge işleme süreçleri tek bir veri çıkarma türüyle sınırlı değil. Ajan tabanlı belge çıkarma araçlarının karmaşık görüntüleri çıkarabildiğini ve gerektiğinde "boşlukları doldurabildiğini" iddia ediyorlar. Araç, LandingAI Playground'da veya API çağrıları aracılığıyla kullanılabilir.
Ayırt edici özelliği: Herhangi bir yönlendirmeye gerek kalmadan karmaşık ve karışık verileri (aynı sayfadaki metin ve tablo gibi) ayıklayabilir.
Mistral OCR
Mistral AI, belge anlama yeteneğini geliştirmek için Mistral OCR'ı kullanıma sundu. Bu araç, metin, tablo ve resimler de dahil olmak üzere çeşitli belge öğelerini yapılarını ve hiyerarşilerini koruyarak doğru bir şekilde işler. Birden fazla formatı destekler ve kolay ayrıştırma ve görüntüleme için sonuçları Markdown formatında sunar.
Ayırt edici özelliği: Çok modlu Veri Alma ve Geliştirme (RAG) entegrasyonları için özel olarak optimize edilmiştir ve Markdown formatında çıktı ile belge yapısını koruyarak sonraki aşama yapay zeka iş akışları için idealdir.
Anthropic Claude Sonnet 3.7
Anthropic'in Claude 3.7 Sonnet'i, hızlı yanıtlar ve derinlemesine, adım adım analiz arasında geçiş yapmasını sağlayan hibrit akıl yürütme yeteneklerine sahip, son teknoloji ürünü bir yapay zeka modelidir. Bu model, 100 sayfaya kadar PDF dosyalarını işleyebilir ve hem metni hem de resimler, grafikler ve çizelgeler gibi görsel öğeleri analiz edebilir. Genişletilmiş düşünme modu, kodlama ve matematiksel akıl yürütme de dahil olmak üzere karmaşık belge analizi görevleri için idealdir.
Ayırt edici özelliği: Kapsamlı anlama ve geniş belgelerden bilgi çıkarma açısından faydalı olan, hızlı yanıt analizini titiz adım adım mantıkla birleştiren derin hibrit akıl yürütmeyi destekler.
OpenAI o3-mini
OpenAI'in o3-mini modeli, kodlama ve matematiksel akıl yürütme gibi adım adım problem çözmeyi gerektiren görevlerin üstesinden gelme yeteneğiyle bilinen, maliyet etkin bir akıl yürütme modelidir. Dosya ve resim yüklemelerine olanak tanıyarak belge analiz yeteneklerini geliştirir. Kullanıcılar, o3-mini ile PDF'lerin optik karakter tanıma (OCR) işleminin başarıyla gerçekleştirildiğini ve kullanıcı istemlerine göre ilgili bölümleri ayıklama kapasitesinin vurgulandığını bildirmiştir.
Ayırt edici özelliği: Özellikle yinelemeli, adım adım akıl yürütmeyi vurgulayan, maliyet etkinliği yüksek bir model olarak tasarlanmıştır; bu da onu mantıksal veya hesaplamalı iş akışlarını içeren yapılandırılmış veri çıkarma görevlerinde benzersiz bir şekilde etkili kılar.
Docsumo
Docsumo, banka ekstreleri ve faturalar gibi çeşitli belgelerden veri çıkarmak için 30'dan fazla önceden eğitilmiş yapay zeka modeli içeren akıllı bir belge işleme platformu sunar. Platform, otomatik sınıflandırma, belge analizi, meta veri çıkarma ve JSON, CSV ve Excel formatlarında dışa aktarma seçenekleri gibi özellikler sunar. Ayrıca Docsumo, iş akışlarını kolaylaştırmaya ve verimliliği artırmaya yardımcı olan QuickBooks gibi araçlarla entegre olur.
Ayırt edici özelliği: Kullanıcı odaklı özel eğitim sağlayarak, bireysel veri kümelerine özel olarak uyarlanmış yapay zeka veri çıkarma modellerinin oluşturulmasına olanak tanır.
Fiyatlandırma
İncelediğimiz araçların fiyatlandırmasını görebilirsiniz. LLM'ler , girdi ve çıktının ayrı ayrı fiyatlandırılması gibi birkaç faktörü göz önünde bulunduran API fiyatlandırmasıyla çalışır. Buna karşılık, OCR araçları genellikle sayfa başına kullandıkça ödeme fiyatlandırması kullanır. Fiyatlandırma hesaplamalarımızda her sayfanın yaklaşık 600 token içerdiğini varsaydık. Bu dönüşüm, sizin için tutarlı bir fiyatlandırma sağlamak amacıyla yapılmıştır.
*Docsumo, yıllık abonelikler sunmaktadır ve bu abonelikler, yıllık sayfa sayısı sabit olmak kaydıyla aylık olarak faturalandırılır.
ADE kıyaslama metodolojisi
Veri setimizi, indirme sayıları düşük olan Huggingface veri setlerinden topladık, böylece kullandığımız görseller LLM'lerin eğitim setinde zaten mevcut değil. 60 görsel kullandık, bunların 30'u çeşitli karmaşıklıkta akış şemaları içeriyor.
Resim 1. Veri setimizdeki akış şemalarına bir örnek.
Akış şemaları araçlara PNG görselleri olarak yüklenmiş ve çıktılar JSON dosyaları olarak alınmıştır. Performansı ölçmek için kullandığımız 3 ölçüt bulunmaktadır:
- Düğüm doğruluğu : Çıkarılan metnin bahsettiği gerçek düğümlerin (etiketler/takma adlar) oranını ölçer. Örneğin, gerçek veriler 10 düğümü listeliyorsa ve model bunlardan 8'ine başarıyla referans veriyorsa, düğüm doğruluğu 0,80'dir (%80).
- Kenar doğruluğu: Çıkarılan metnin düğümler arasındaki ilişkileri (örneğin, "Düğüm A → Düğüm B") doğru bir şekilde tanımlayıp tanımlamadığını doğrular. Örneğin, 5 gerçek kenar varsa ve modelin metni yalnızca 3'ünü doğru bir şekilde gösteriyorsa, kenar doğruluğu 3/5 = 0,60 (%60) olarak hesaplanır.
- Karar doğruluğu: Bu, kenar doğruluğuna benzer bir kavramdır ancak karar noktaları (örneğin, evet/hayır dalları) için geçerlidir. Dört karar noktası varsa ve model dördünü de doğru tanımlarsa, karar doğruluğu %100'dür.
Bileşik puan, düğüm, kenar ve karar doğruluklarının basit ortalamasıdır ve çıkarılan metnin tüm akış şeması öğeleriyle ne kadar iyi uyum sağladığının genel bir ölçüsünü sunar.
İkinci veri seti, çeşitli sektör belgelerinden alınan tablolar içeren 30 adet PNG görseli içermektedir; veri setinin işlenmesi, akış şemalarıyla aynıdır.
Resim 2. Veri setimizdeki tablolara bir örnek.
Tablo çıkarma performansının değerlendirmesinde, çıkarılan verilerin gerçek verilerle doğruluğunu değerlendirmek için dört temel ölçüt kullandık. Bu ölçütler, başlıklardan tek tek hücrelere kadar bir tablonun farklı yapısal bileşenlerine ilişkin ayrıntılı bilgiler sunmaktadır.
- Başlık doğruluğu : Çıkarılan başlığın, normalleştirme işleminden (örneğin, boşlukların kırpılması, büyük/küçük harf normalizasyonu) sonra gerçek başlıkla eşleşip eşleşmediğini değerlendirir. Bu, tablonun bağlamsal etiketinin doğru şekilde tanımlanmasını sağlar.
Puanlama: İkili bir ölçüm sistemidir; birebir eşleşme için 1, aksi durumda 0 puan verilir. - Başlık doğruluğu : Başlıklar genellikle bir tablonun sütun adlarını temsil eder. Bu ölçüt, çıkarılan başlık listesini gerçek verilerle karşılaştırır. Sütun etiketlerinin, sıraları ve eksiksizlikleri de dahil olmak üzere ne kadar doğru yakalandığını ölçer.
Puanlama: Başlık doğruluğu, her iki listedeki her öğenin karşılaştırılması ve eşleşen öğelerin sayısının her iki listedeki maksimum öğe sayısına oranının hesaplanmasıyla belirlenir. - Satır doğruluğu : Sıralamadan bağımsız olarak, çıkarılan tabloda kaç tane gerçek veri satırının göründüğünü ölçer. Bu, satır düzeyinde veri çıkarma işleminin eksiksizliğini yansıtır.
Puanlama: Değerlendirici, gerçek verilerdeki her satır için çıkarılan satırlarda tam eşleşme olup olmadığını kontrol eder. Puan, eşleşen gerçek veri satırlarının oranıdır . - Hücre doğruluğu : Bu ölçüt, tek tek hücre eşleşmelerini değerlendirerek tablo içeriğinin ayrıntılı bir karşılaştırmasını sağlar. Hücre doğruluğu, veri çıkarımının en ince düzeydeki hassasiyetini yakalar.
Puanlama: Çıkarılan ve gerçek tablolar arasındaki eşleşen hücre sayısını sayar. Fazla veya eksik hücreler eşleşmeme olarak kabul edilir. Nihai puan , eşleşen hücrelerin değerlendirilen toplam hücre sayısına oranıdır .
Tek bir özet ölçüt sağlamak için, dört ölçütün (başlık doğruluğu, üstbilgi doğruluğu, satır doğruluğu ve hücre doğruluğu) basit aritmetik ortalaması olarak ortalama tablo puanını hesaplıyoruz. Bu ortalama, tablo çıkarma kalitesine ilişkin bütünsel bir görünüm sunar.
Aracı tabanlı belge çıkarma nedir?
Ajan tabanlı belge çıkarma, yapay zeka ajanlarının minimum insan müdahalesiyle belgelerden belirli bilgileri bağımsız olarak tanımlamasını, yorumlamasını ve çıkarmasını içerir. Genellikle katı şablonlara veya manuel etiketlemeye dayanan geleneksel yöntemlerin aksine, ajan tabanlı çıkarma, dinamik olarak akıl yürütebilen ve uyum sağlayabilen akıllı sistemler kullanır. Bu yaklaşım, büyük hacimli karmaşık belgelerin işlenmesinin hızını, doğruluğunu ve verimliliğini önemli ölçüde artırır.
Geleneksel OCR'nin sınırlamaları
Geleneksel OCR teknolojisi , yapılandırılmış belgelerden metin çıkarma konusunda etkilidir. Bununla birlikte, karmaşık, yapılandırılmamış veya yarı yapılandırılmış belgeleri işlerken önemli zorluklarla karşılaşır. Yaygın sınırlamalar arasında yazı tiplerindeki, el yazısındaki, düşük görüntü kalitesindeki ve tutarsız biçimlendirmedeki farklılıklardan kaynaklanan yanlışlıklar yer alır. Ek olarak,geleneksel OCR bağlamsal anlayıştan yoksundur , bu da verilerin yanlış yorumlanmasına yol açabilir. Sonuç olarak, hataları düzeltmek için genellikle manuel inceleme veya kapsamlı işlem sonrası işlemler gereklidir ve bu da iş akışında verimsizliklere neden olur.
Aracı tabanlı belge çıkarmanın kullanım örnekleri
Ajan Tabanlı Belge Çıkarma (ADE) nispeten yeni bir kavramdır ve bu nedenle gerçek hayattan pek fazla örnek bulunmamaktadır. Bununla birlikte, çeşitli alanlarda uygulanma potansiyeline sahiptir. Geleneksel belge çıkarma yöntemlerine kıyasla süreçleri kolaylaştırmak için ADE'nin doğrudan uygulanabileceği dört örnek belirledik.
1. Finansal hizmetler: Otomatik fatura işleme
Finans sektöründe, kuruluşlar günlük olarak çok sayıda fatura ile ilgilenmektedir. Otomatik belge çıkarma sistemi, fatura verilerinin yakalanmasını ve doğrulanmasını otomatikleştirerek doğruluğu ve uyumluluk standartlarına bağlılığı sağlar. Bu otomasyon, ödeme döngülerini hızlandırır, nakit akışı yönetimini iyileştirir ve daha güçlü tedarikçi ilişkileri kurulmasına katkıda bulunur.
2. Sağlık Hizmetleri: Hasta kayıt formlarının basitleştirilmesi
Sağlık hizmeti sağlayıcıları, manuel olarak işlenmesi zaman alıcı olabilen çok sayıda hasta kayıt formuyla ilgilenir. Otomatik belge çıkarma sistemi, bu formlardan veri yakalayarak verimli hasta kayıt işlemlerini kolaylaştırır ve idari yükü azaltır. Bu , hasta deneyimlerini iyileştirir ve sağlık personelinin hasta bakımına daha fazla odaklanmasını sağlar .
3. Müşteri Hizmetleri: Belge analizi yoluyla destek
Müşteri hizmetleri departmanları sıklıkla sözleşmeler veya hizmet anlaşmaları gibi detaylı belgeler içeren sorularla ilgilenir . Agentic belge çıkarma teknolojisi, bu belgelerden ilgili bölümlerin analiz edilmesini ve çıkarılmasını sağlayarak destek temsilcilerinin doğru ve zamanında yanıtlar vermesine olanak tanır. Bu teknoloji, yanıtların kalitesini artırır ve temsilcilerin bilgi aramak için harcadığı süreyi azaltır.
4. Sigorta: El yazısıyla yazılmış sigorta taleplerinin işlenmesi
Sigorta şirketleri sıklıkla kapsamlı manuel işlem gerektiren el yazısıyla yazılmış hasar talepleri almaktadır. Gelişmiş belge çıkarma teknolojisi kullanılarak el yazısı metin doğru bir şekilde yorumlanabilir , ilgili veriler çıkarılabilir ve dijital sistemlere entegre edilebilir. Bu süreç hem işlem süresini hem de hataları önemli ölçüde azaltır. Örneğin, Appian, el yazısıyla yazılmış sigorta hasar taleplerinden veri çıkarma işlemini otomatikleştiren, iş akışlarını kolaylaştıran ve genel verimliliği artıran çözümler sunmaktadır.
Ajan tabanlı belge çıkarma alanındaki son gelişmeler
LandingAI DPT (Belge Önceden Eğitilmiş Transformer)
LandingAI'nin yeni Belge Önceden Eğitilmiş Dönüştürücüsü (DPT-2), belge işleme yeteneklerinde önemli bir gelişmeyi temsil ediyor: 1
- DPT-2, özellikle finans ve tıp alanlarındaki uygulamalar için hayati önem taşıyan, karmaşık tablolar başta olmak üzere, karmaşık belgelerden verileri hassas bir şekilde çıkarmak üzere özel olarak tasarlanmıştır.
- Izgara çizgileri olmayan karmaşık tablolar, birleştirilmiş hücreler ve daha karmaşık düzenler, güncellenmiş sistemin yönetebileceği sorunlu belge öğeleri arasında yer alıyor.
- LandingAI'ye göre, ADE teknolojileri bilgi arama sürelerini %90'a kadar azalttı ve milyarlarca sayfayı işledi.
- SDK'ları sayesinde entegrasyon yalnızca üç satır kod gerektiriyor ve bu da uygulamayı büyük ölçüde basitleştiriyor.
- Yeni özellikler arasında, otomatik tablo alt yazıları oluşturma, geliştirilmiş şekil alt yazıları oluşturma, daha akıllı düzen algılama ve artık onay belgeleri, kimlik kartları, logolar, barkodlar ve QR kodları gibi öğeleri tanımlayabilen genişletilmiş bir parça ontolojisi yer alıyor.
Extend'in Besteci Yapay Zeka Temsilcisi
Extend tarafından, özellikle belge işleme için oluşturulmuş bir yapay zeka ajanı olan Composer piyasaya sürüldü. 2 Belge işleme platformlarını geliştirmek için Extend yakın zamanda 17 milyon dolar yatırım aldı. Çözümleri, geliştiriciler için gelişmiş API'ler ve teknik olmayan kullanıcılar için kullanıcı dostu araçlarla birlikte LLM'leri birleştiriyor. Composer'ın şu yeteneklerini vurguluyorlar:
- Composer, yüksek doğruluk oranına hızlı bir şekilde ulaşmak için belge işleme şemalarını otomatik olarak optimize eder.
- Beta testinin ilk aşamalarında, bazı ekipler karmaşık belge görevlerini 10 dakikadan kısa sürede %99 doğrulukla tamamladı.
- Composer, şema zayıflıklarını belirler, düzeltmeler önerir, paralel testler yürütür ve manuel komut ayarlaması yerine farklılıkları ve doğruluk iyileştirmelerini gösterir.
Aracı tabanlı belge çıkarma işleminin uygulanmasına yönelik en iyi uygulamalar
Agentic Document Extraction'ı uygularken, görsel olarak karmaşık belgelerden yapılandırılmış bilgileri çıkarmak için API'yi etkili bir şekilde kullanmak çok önemlidir. Tercih ettiğiniz araçların yerleşik özelliklerini kullanarak hataları verimli bir şekilde ele almak, hız sınırlama sorunları ve aralıklı HTTP hataları için otomatik yeniden denemeler de dahil olmak üzere gereklidir.
Yapılandırma ve güvenlik uygulamaları
API kullanımının güvenilirliği ve güvenliği için kimlik bilgilerinin doğru yapılandırılması ve güvenli bir şekilde işlenmesi hayati önem taşır:
- API anahtarınızı güvenli bir şekilde ortam değişkeni olarak ayarlayın veya bir .env dosyasına kaydedin.
- Kolaylaştırılmış yapılandırma yönetimi için kütüphanenin Ayarlar nesnesini kullanın.
- Esneklik ve güvenliği artırmak için yapılandırma seçeneklerini ortam değişkenleri veya .env dosyaları aracılığıyla kolayca özelleştirin .
Bu uygulamalar hassas verileri korur ve operasyonların sorunsuz bir şekilde sürdürülmesine yardımcı olur.
ADE'de hata yönetimi ve optimizasyon
Agentic belge çıkarma araçları, güvenilirliği ve performansı optimize etmek için güçlü hata yönetimi yetenekleri sunar:
- Yerleşik yeniden deneme mekanizmaları sayesinde, hız sınırlamalarını ve aralıklı HTTP hatalarını otomatik olarak yönetirler.
- API kullanım yönergelerine uyarak hız sınırlamasıyla ilgili hataları önlerler.
- Büyük PDF belgelerini yönetilebilir gruplara ayırmak, işlem hızını ve istikrarını verimli bir şekilde artırır.
Bu stratejiler, arıza sürelerini en aza indirir ve zorlu koşullar altında bile optimum performansı sağlar.
SSS'ler
Ajan tabanlı belge çıkarma, belgelerden yapılandırılmış verileri çıkarmaya yönelik gelişmiş bir yaklaşımdır ve yalnızca metinsel içeriğe değil, aynı zamanda grafikler, tablolar, resimler ve düzen gibi görsel unsurları da anlamaya odaklanır. Metni doğrusal bir biçimde tanımlamaya dayanan geleneksel metin çıkarma yönteminin aksine, ajan tabanlı belge çıkarma, daha doğru çıkarmalar sağlamak için görsel bağlamı ve görsel temeli dikkate alır. Orijinal belgenin içeriğini ve düzenini, giriş alanları, form alanları, sınırlayıcı kutu ve diğer görsel işaretleyiciler de dahil olmak üzere yorumlar. Bu yaklaşım, genellikle metin ve görsel verilerin bir karışımını içeren politika belgeleri, finansal raporlar ve tıbbi formlar gibi birden fazla belgeyi işlemek için özellikle kullanışlıdır. Ajan tabanlı çerçeve, anahtar maddelerin, tabloların, resimlerin ve grafiklerin çıkarılmasına olanak tanıyarak işletmelerin belge zekası iş akışlarını daha etkili bir şekilde otomatikleştirmesini sağlar.
Mevcut sistemlerinize ajan tabanlı belge çıkarma özelliğini entegre etmek için, ajan tabanlı belge çıkarma API'sini kullanabilirsiniz. Bu API, PDF dosyaları, tıbbi formlar ve finansal raporlar dahil olmak üzere çeşitli belge türlerinden veri çıkarma işlemini otomatikleştirmenin basit bir yolunu sunar. Bir API anahtarı edinerek, belgeleri işlemek ve daha uzun belgeler, laboratuvar sonuçları ve poliçe belgeleri gibi değerli bilgileri çıkarmak için API'yi çağırabilirsiniz. API, çıkarılan verileri, öbek kimliği, form alanları ve diğer ilgili bağlamlar dahil olmak üzere Markdown gösterimi gibi yapılandırılmış bir biçimde döndürür. Birden fazla belgeyi aynı anda işlemeyi destekleyerek işletmelerin iş akışlarını kolaylaştırmasına yardımcı olur. Hesap ayrıntıları, tablolar veya resimlerle uğraşıyor olsanız da, API karmaşık belge düzenlerini ele almak ve ihtiyaçlarınıza uyum sağlamak için tasarlanmıştır. Entegrasyon ayrıca, çıkarma işlemlerinin performansını ve doğruluğunu izlemenizi sağlayan günlük yönetimini de destekler.
Finansal raporlar veya politika belgeleri gibi daha uzun belgeler için ajan tabanlı belge çıkarma yönteminin kullanılması birçok avantaj sunar. Görsel öğelerden yararlanarak ve düzeni anlayarak, ajan tabanlı çıkarma yöntemi, birden fazla sayfaya yayılan karmaşık belgeleri doğru bir şekilde ayrıştırabilir ve yapılandırılmış verilere dönüştürebilir. Bu, özellikle önemli finansal ölçütler, tablolar ve grafikler içeren çıkarılan veriler için kullanışlıdır. Geleneksel metin çıkarma yöntemleri bu formatlarla mücadele edebilir, ancak ajan tabanlı belge çıkarma yöntemi görsel bağlamın inceliklerini ele alarak, aynı anda birden fazla belgeden veri çıkarmanıza olanak tanır. Örneğin, finansal raporları işlerken, sistem ilgili temel maddeleri ve giriş alanlarını belirleyerek, karmaşık biçimlendirmeye sahip belgelerden bile doğru veri çıkarılmasını sağlar. Bu hassasiyet düzeyi, doğruluğu artırmaya ve manuel iş gücünü azaltmaya yardımcı olarak karar verme ve iş akışı otomasyonunu hızlandırır.
Daha fazla okuma
- Bütçenize ve ihtiyaçlarınıza uygun doğru LLM programını seçmek için LLM fiyatlandırmasını anlamak.
- İşletmenizin ihtiyaçlarına uygun, yüksek puanlı diğer popüler LLM programları.
- OCR eğitim verileri
Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir.