Fatura OCR Karşılaştırması: LLM'ler ile OCR'ların Çıkarım Doğruluğu
Fatura işleme, geleneksel olarak manuel veri çıkarımı ve muhasebe sistemlerine giriş gerektiren kritik ancak emek yoğun bir iş operasyonudur. Bu manuel yaklaşım zaman alıcıdır ve insan hatasına açıktır. Otomatik alternatifleri değerlendirmek için, önde gelen belge işleme çözümleri ve LLM'lerin karşılaştırmalı bir analizini gerçekleştirdik:
- Amazon Textract API'si
- Claude Sonnet 3.5
- Docsumo
- Google Document YZ
- Microsoft Azure Document Intelligence
- Rossum
Çalışmamız, bu araçların çeşitli fatura formatlarından ve kalitelerinden veri çıkarma konusundaki yeteneklerini değerlendirerek, manuel işlemeye alternatif olarak etkinliklerini ölçmeyi amaçladı.
Karşılaştırma sonuçları
Fatura işleme performansını farklı kalite ve kontrast seviyelerindeki faturalar üzerinde değerlendirdik. Tüm araçlar yüksek kaliteli görüntülerle güçlü performans sergilerken, düşük kaliteli belgeler işlenirken doğrulukları önemli ölçüde düştü. Test edilen araçlar arasında, Claude Sonnet 3.5 tüm belge kalitesi yelpazesinde en yüksek genel doğruluk ve dayanıklılığı sergiledi.
Metodoloji
Ölçüm: Değerlendirme metodolojimiz, anahtar-değer çifti çıkarımının doğruluğuna odaklandı. Çıkarılan her alan, ikili sınıflandırma kullanılarak değerlendirildi: doğru çıkarım veya yanlış/eksik çıkarım. Doğruluk metriği aşağıdaki formül kullanılarak hesaplandı:
Doğruluk = (Doğru Çıkarılan Anahtar-Değer Çifti Sayısı) / (Toplam Anahtar-Değer Çifti Sayısı)
Bu metodoloji, farklı araçlar ve belge türleri arasında çıkarım performansının objektif olarak karşılaştırılmasını sağladı.
Örneklem büyüklüğü: Fatura verisi bulmak, e-postalar ve isimler gibi kişisel bilgiler içerdiğinden zordur. Herkese açık 20 fatura örneğinden 400'den fazla anahtar-değer çifti kullandık.
Örnekler: Tüm çözümler yüksek kaliteli görüntüleri doğru şekilde işlerken, aşağıdaki gibi görüntülerde çıkarım kalitesi düştü:
İnce ayar: Denediğimiz ürünler toplam tutarları bulmada başarılı olsalar da, fiyatlandırma detaylarını çıkarmada sorun yaşadılar. Bazı ürünlerde ince ayar yaparak daha iyi sonuçlar elde etmek mümkündür. Birkaç üründe, kullanıcılar model çıktısını düzeltmek için görüntüdeki bir değere tıklayabilir.
Tüm sağlayıcılara adil davranmak için herhangi bir ince ayar yapmadık. İnce ayar ile tüm sağlayıcılar bu belgeleri ikinci kez işlediklerinde daha yüksek başarı oranları elde edebilmelidir. Ancak bu karşılaştırmadaki odak noktamız, modellerin daha önce görmedikleri belgelerden doğru ve güvenilir sonuçlar üretmesini gerektiren otonom operasyonlardır.
Zaman çizelgesi: Tüm testler Aralık 2024'te tamamlandı.
Sonraki adımlar
Katılımcıları artırma: Bu çalışma, Büyük Dil Modelleri (LLM'ler), OCR teknolojileri ve özel fatura işleme araçları arasındaki mevcut fatura işleme yeteneklerine dair içgörüler sağladığından, otomatik fatura işleme çözümlerinin daha kapsamlı bir karşılaştırmasını sunmak için ek son teknoloji LLM'leri dahil ederek analizimizi genişletmeyi planlıyoruz.
Örneklem büyüklüğünü ve çeşitliliğini artırma.
Fatura OCR nedir?
Fatura ayrıştırma, PDF'ler ve görüntüler gibi çeşitli formatlardaki faturalardan veri çıkarmak için NLP, NLU, OCR ve diğer veri çıkarma teknolojileri gibi otomatik araçları kullanır.
Fatura ayrıştırıcı, aşağıdaki gibi bilgileri çıkaran bir yazılım programıdır:
Satıcı adı
Fatura numarası
Ödenecek tutar
ve bunları makine tarafından okunabilir bir formatta girer. Bu veriler, borç hesaplarını otomatikleştirme, ay sonu muhasebe kapanışlarını tamamlama ve faturaları yönetme gibi birden fazla işlev için kullanılabilir.
Ayrıştırıcı yazılım genellikle bir faturanın alınmasından ödemeye kadar tüm süreci otomatikleştiren bir fatura işleme sistemine entegre edilir.
Fatura OCR araçları nasıl çalışır?
Belirli bir işaretleme dilinde yazılmış belgeler ayrıştırıcılar tarafından okunur ve işlenir. Belgeyi token adı verilen daha küçük parçalara ayırır ve her token'ı ne anlama geldiğini ve belgenin yapısı içinde nereye uyduğunu belirlemek için incelerler.
Bunu yapmak için, ayrıştırıcıların söz konusu işaretleme dilinin dilbilgisi hakkında çok şey bilmesi gerekir. Bu, her token'ı tanımalarını ve aralarındaki kesin bağlantıları belirlemelerini sağlar.
Süreç 5 adımdan oluşur:
1. Girdi
Faturalar kağıt, e-posta veya PDF ya da XML gibi elektronik formatlar dahil olmak üzere çeşitli formatlarda alınabilir. Fatura ayrıştırıcı yazılım genellikle bu faturaları girdi olarak kabul eder.
2. Optik Karakter Tanıma (OCR)
Fatura taranmış kağıt veya görüntü formatındaysa, ayrıştırıcı görüntüden metin çıkarmak için OCR teknolojisini kullanır. Bu, ayrıştırıcının fatura içindeki verilere erişmesini sağlar.
Bazı fatura ayrıştırma çözümleri, yeni kurallar veya şablonlar gerektirmeden PDF'lerden, fotoğraflardan ve taranmış belgelerden otomatik olarak bilgi çıkaran yapay zeka destekli OCR araçları veya LLM'ler kullanır. Bunun nedeni, yapay zekanın yarı yapılandırılmış ve bilinmeyen belgeleri işleyebilmesi ve zamanla gelişebilmesidir. Çıkarılan bilgiler yalnızca belirli tabloları veya veri girişlerini içerecek şekilde özelleştirilebilir.
3. Veri çıkarımı
Ayrıştırıcı daha sonra faturadan satıcı adı, fatura numarası, tarih ve kalem detayları gibi belirli bilgileri çıkarır. Bu genellikle örüntü tanıma ve makine öğrenimi algoritmalarının bir kombinasyonu kullanılarak gerçekleştirilir.
Bazı fatura ayrıştırma yazılımları, önceden tanımlanmış filtreler kullanarak fatura tarihi, numarası, vergi kimlik numaraları ve çeşitli toplamlar gibi anahtar bilgileri çıkarma yeteneğine sahiptir:
Bazı ayrıştırıcı araçlar, her bir satıcı veya ticaret ortağı düzeni için ayrı bir belge ayrıştırıcı oluşturarak tutarlı formata sahip faturalardan satır kalemi bilgilerini çıkarma olanağı sunar:
4. Veri doğrulama
Veriler çıkarıldıktan sonra, ayrıştırıcı bilgilerin doğru ve eksiksiz olduğundan emin olmak için doğrulama yapar. Bu, tarihin doğru formatta olduğunu kontrol etmeyi, satıcı adının önceden tanımlanmış bir satıcı listesiyle eşleşmesini veya kalem detaylarının beklenen formata uymasını içerebilir.
5. Veri çıktısı
Çıkarılan ve doğrulanan veriler daha sonra kullanıcının muhasebe veya ERP sistemine kolayca aktarılabilecek bir formatta çıktı olarak verilir. Bu, bir CSV dosyası, veritabanı kaydı veya doğrudan bir muhasebe yazılımına aktarım şeklinde olabilir.
Manuel fatura veri çıkarımının zorlukları
Faturalardan manuel olarak veri çıkarmak ve bunları bir sisteme girmek, çeşitli karmaşıklıklar nedeniyle şirketler için zorlayıcı olabilir:
İnsan hatası
Faturalar büyük miktarda veri içerebilir ve manuel giriş, yazım hataları, sayıların yer değiştirmesi ve yanlış veri girişi gibi hata riskini artırır. Veri girişindeki yanlışlıklar, yıllık tahmini 600 milyar dolarlık kayıptan sorumludur.1 Borç hesapları gibi süreçler, finansal belgelerden doğru veri çıktısı gerektirir.
Zaman alıcı
Ortalama olarak, tek bir faturanın manuel olarak işlenmesi 17 gün veya bir ayın yaklaşık %75'ini alır.2
Faturalarda birçok önemli bilgi parçası yer alır ve bunların hepsi, her öğenin hem anahtar hem değer olarak hizmet ettiği bir anahtar-değer tarzında sunulur. Bu çiftleri manuel olarak çıkarma süreci zaman alıcıdır ve doğruluğu sağlamak için birden fazla inceleme gerektirir. Bazı OCR algoritmaları bile bağlam olmadan çıkarılan değerleri tespit etmekte zorlanır. Otomatik fatura işleme, çalışanların daha karmaşık görevlere odaklanmasına yardımcı olabilir.
Standardizasyon eksikliği
Farklı tedarikçilerden gelen faturalar farklı formatlara sahip olabilir. Her fatura, bu örüntüleri işlerken ve yorumlarken zorluklar yaratabilecek benzersiz bir formatla oluşturulur. E-postalar, kağıt ve PDF'ler gibi belgeler, ödeme için onaylanmadan önce birçok dijital ve kağıt kaydından geçebilir, bu da manuel veri çıkarımını zorlaştırır ve hataya açık hale getirir.
Süreç verimsizliği
Fatura başına ortalama neredeyse 23 dolar maliyete yol açan faturaların manuel olarak işlenmesi2 , hem zaman alıcı hem de maliyetli olabilir, verimsiz ve tekrarlayan bir sürece yol açar.
Veri kaybı potansiyeli
Faturaların kaybolması veya hasar görmesi ya da verilerin sisteme doğru girilmemesi durumunda veri kaybı riski vardır.
OCR yazılımları, faturalardan satır kalemlerini çıkarmada da sıklıkla zorluklarla karşılaşır. Bunun nedeni, işlem tablolarının yatay veya dikey çizgilerden yoksun olabilmesi ve ocr fatura işlemenin çıkarılan öğeler için bağlam oluşturmasını zorlaştırmasıdır. Toplanan dijital fatura veya fatura görüntüleri bu süreçte kullanılabilir.
Tercih edilen kaynak olarak ekleFatura işleme sağlayıcınızı nasıl seçersiniz?
1. Şirketinizin veri gizliliği politikalarıyla uyumlu bir çözüm sunar.
Şirketinizin veri gizliliği politikası, Amazon AWS Textract gibi harici API'leri kullanmaya engel teşkil edebilir. Çoğu sağlayıcı şirket içi çözümler sunar, böylece veri gizliliği politikaları şirketinizin bir fatura yakalama çözümü kullanmasını mutlaka engellemez. Borç hesapları iş akışı, sıklıkla gizli iş ve finansal bilgiler içerdiğinden dikkatli bir şekilde ele alınmalıdır.
2. Belgelerdeki metinden bağımsız olarak tutarlı bir veri yapısı sağlar.
Derin öğrenme tabanlı fatura yakalama şirketlerinin iki çalışma şekli vardır. Textract gibi şirketler anahtar-değer çiftleri döndürür. Yani, örneğin bir fatura toplam tutarı "Brüt tutar" olarak adlandırıyorsa, bir diğeri "Toplam tutar" olarak adlandırıyorsa ve başka bir Alman faturası "Summe" olarak adlandırıyorsa, Textract bu 3 belge için size 3 farklı yapıda veri verir.
Birinde "Brüt tutar" anahtarına sahip bir anahtar-değer çifti, diğerinde "Toplam tutar" ve Almanca olanda "Summe" elde edersiniz. Diğer sağlayıcılar ise tüm faturalar için çalışan tutarlı veri yapıları tasarlamıştır. Her 3 senaryoda da, çıktı dosyalarında kullandıkları anahtar olan "Toplam tutar"ı alırsınız. Bu, birçok farklı yapılandırılmış veri formatıyla uğraşmanız gerekmediğinden analitiği ve işlemeyi kolaylaştırır.
3. Yanlış pozitif ve manuel veri çıkarım oranlarını sorun
Ardından, şirketinizin aldığı faturalardaki gerçek oranları görmek için bir Kavram Kanıtlama (PoC) projesi yürütün.
Yanlış pozitifler, otomatik-işlenen ancak veri çıkarımında hatalar bulunan faturalardır. Bunları tespit etmek zordur ve operasyonları aksatabilir. Örneğin, ödeme tutarlarının yanlış çıkarılması sorunlu olacaktır. Bunu en aza indirmek mutlak odak noktası olmalıdır.
Manuel veri çıkarımı, otomatik veri çıkarım sisteminin sonucuna dair sınırlı güvene sahip olduğu durumlarda gereklidir. Bu, farklı bir fatura formatı, düşük görüntü kalitesi veya tedarikçinin yanlış baskısından kaynaklanabilir. Bunu en aza indirmek de önemlidir ancak yanlış pozitifler ile manuel veri çıkarımı arasında bir denge vardır. Daha fazla manuel veri çıkarımına sahip olmak, yanlış pozitiflere sahip olmaya tercih edilebilir.
Bu, bu alanda gördüğümüz ilk nicel karşılaştırmadır ve kendi karşılaştırmamızı hazırlamak için benzer bir metodoloji izleyeceğiz.
4. Potansiyel otomasyon oranını ölçmek için bir PoC'den yararlanın
Bu, belgelerden yakalamayı beklediğiniz alan sayısına bağlıdır. Satın alma siparişi kimliği, satıcı adı gibi öğeleri içeren yaklaşık 10 alandan oluşan tipik bir set, ERP'ye veri girişi ve ödemeleri mümkün kılabilir.
En iyi uygulama sağlayıcıları, bu yaklaşık 10 alanın tamamını neredeyse hatasız bir şekilde zamanın yaklaşık %80'inde çıkararak yaklaşık %80 STP elde eder. Zaman hatalar olabilse de, en büyük ödemelerin manuel olarak kontrol edilmesi, ağdan önemli bir yanlış ödemenin sızmasını önleyebilir.
5. Sağlayıcının sunduğu gelişmiş işleme seçeneklerini sorun
Çıkarım, veri toplamanın ilk adımıdır; çoğu durumda bunu veri işleme takip etmelidir. Örneğin, faturaların KDV uyumluluğu açısından kontrol edilmesi gerekir (örneğin, KDV'siz yurt içi faturalar KDV'nin neden hariç tutulduğunu açıklamalıdır) ve bunun yapılmaması, ülkeye bağlı olarak şirket için önemli para cezalarıyla sonuçlanabilir.
6. Çözümün yeni faturalar hakkında nasıl öğrendiğini sorun
En iyi çözümler, ekibinizin çözüme rehberlik etmesine yardımcı olacak bir arayüze sahiptir. Şirketinizin çalışanı anahtar-değer çiftlerini seçerken, fatura yakalama çözümü bunu not eder, böylece bir dahaki sefere benzer bir fatura hakkında daha emin olabilir.
7. Manuel veri girişi çözümlerinin kullanım kolaylığını değerlendirin
Bu, şirketinizin arka ofis personeli tarafından, güvenle otomatik olarak işlenemeyen faturaları manuel olarak işlerken kullanılacaktır.
Bunun ötesinde, en iyi uygulama tedarik soruları anlamlıdır. Örneğin:
- Çözümleri ne kadar yaygın olarak benimsenmiştir? Fortune 500 müşterileri var mı?
- Müşterileri çözümlerinden ve desteklerinden memnun mu? Halihazırda çözümlerini kullanan bir şirketten bir tanıdığa sormak iyi olabilir. Fatura otomasyonu, bir şirketin pazarlamasını veya satışlarını iyileştirecek bir çözüm olmadığından, rakipler bile fatura otomasyon çözümleri hakkındaki görüşlerini birbirleriyle paylaşabilir.
- Çözümü şirketinizin sistemlerine (örneğin, ERP) entegre etme seçenekleri nelerdir? BT, entegrasyon yaklaşımını onaylıyor mu?
- Toplam Sahip Olma Maliyetleri (TCO) nedir? Farklı çözümler farklı fiyatlandırma birimleri kullanır (örneğin, sayfa başına fiyat veya belge başına fiyat), bu da bu karşılaştırmayı zorlaştırır. Ancak, arşivinizden bir örnek kullanarak maliyet hakkında bir tahmin yapabilirsiniz.
İleri okuma
Bu benchmarkı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Fatura OCR Karşılaştırması: LLM'ler ile OCR'ların Çıkarım Doğruluğu}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/invoice-ocr}},
note = {AIMultiple. Erişim tarihi: 4 Ağustos 2026}
}Referans Linkleri
Cem'in çalışmaları Business Insider, Forbes, Washington Post gibi önde gelen küresel yayınlar, Deloitte, HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır.
Cem, kariyeri boyunca teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımlamıştır.
CEO'ya rapor verirken bir telekomünikasyon şirketinin teknoloji stratejisini ve satın alımını yönetmiştir. Ayrıca, 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetmiştir. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alınmıştır.
Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun olmuş ve Columbia Business School'dan MBA derecesine sahiptir.
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.