Fatura OCR Karşılaştırması: LLM'ler ve OCR'ların Çıkarma Doğruluğu
Fatura işleme, geleneksel olarak manuel veri çıkarma 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
- Claude Sonnet 3.5
- Docsumo
- Google Document AI
- Microsoft Azure Document Intelligence
- Rossum
Çalışmamız, bu araçların çeşitli fatura formatlarından ve kalitelerinden verileri doğru bir şekilde çıkarma 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 görüntülerde güçlü performans gösterirken, düşük kaliteli belgeleri işlerken 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 çıkarmanın doğruluğuna odaklandı. Çıkarılan her alan, ikili bir sınıflandırma kullanılarak değerlendirildi: doğru çıkarma veya yanlış/eksik çıkarma. 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 çıkarma performansının nesnel bir şekilde karşılaştırılmasını sağladı.
Örneklem büyüklüğü: Fatura verileri 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 bir şekilde işlerken, aşağıdaki gibi görüntülerde çıkarma kalitesi düştü:
Fine-tuning: Denediğimiz ürünler toplam tutarları bulmada başarılı olsa da, fiyatlandırma detaylarını çıkarmada sorunlar yaşadı. Bazı ürünlerde fine-tuning yaparak daha iyi sonuçlar elde etmek mümkündür. Birkaç üründe, kullanıcılar model çıktısını düzeltmek için görüntüdeki bir değere tıklayabilir.
Tüm sağlayıcılara adil olmak için herhangi bir fine-tuning yapmadık. Fine-tuning ile tüm sağlayıcılar, bu belgeleri ikinci kez işlediklerinde daha yüksek başarı oranları elde edebilmelidir. Ancak bu karşılaştırmadaki odağımız, modellerin daha önce görmedikleri belgelerden doğru ve güvenilir sonuçlar üretmesini gerektiren otonom operasyonlardır.
Zaman çizelgesi: Tüm testler Aralık 2024'te tamamlanmıştır.
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 araçlar kullanır.
Fatura ayrıştırıcı, aşağıdaki gibi bilgileri çıkaran bir yazılım programıdır:
Satıcı adı
Fatura numarası
Ödenecek tutar
ve bunları makine tarafından okunabilir bir formatta giriş yapar. 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'ın 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 kurallara veya şablonlara ihtiyaç duymadan 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 çıkarma
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 belirli satıcı veya ticari ortak düzeni için ayrı bir belge ayrıştırıcı oluşturarak tutarlı bir formata sahip faturalardan satır kalemi bilgilerini çıkarma yeteneği sunar:
4. Veri doğrulama
Veriler çıkarıldıktan sonra, ayrıştırıcı bilgilerin doğru ve eksiksiz olduğundan emin olmak için doğrular. Bu, tarihin doğru formatta olup olmadığını kontrol etmeyi, satıcı adının önceden tanımlanmış bir satıcı listesiyle eşleşip eşleşmediğini veya kalem detaylarının beklenen formata uyup uymadığını 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.
Tercih edilen kaynak olarak ekleManuel fatura veri çıkarmanın zorlukları
Faturalardan manuel olarak veri çıkarmak ve bir sisteme girmek, çeşitli karmaşıklıklar nedeniyle şirketler için zorlayıcı olabilir:
İnsan hatası
Faturalar büyük miktarda veri içerebilir ve manuel giriş, yazım hataları, rakamların yer değiştirmesi ve yanlış veri girişi gibi hata riskini artırır. Veri girişindeki yanlışlıkların yıllık tahmini $600 milyar kayba neden olduğu tahmin edilmektedir.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 bulunur ve bunların hepsi, her öğenin hem anahtar hem de 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 zorluklara yol açabilecek 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 çıkarmayı zorlaştırır ve hataya açık hale getirir.
Süreç verimsizliği
Fatura başına ortalama neredeyse $23 maliyete yol açan manuel fatura işleme3 , hem zaman alıcı hem de pahalı 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 çizgiler içermeyebilmesi ve OCR fatura işlemenin çıkarılan öğeler için bağlam oluşturmasını zorlaştırmasıdır. Toplanan dijital fatura veya fatura görüntüleri bu süreçte kullanılabilir.
Fatura 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 çalışma şekli iki türlüdür. Textract gibi şirketler anahtar-değer çiftleri döndürür. Yani, örneğin bir fatura toplam tutarı "Brüt tutar" olarak adlandırıyorsa, bir diğeri "Toplam tutar" ve bir Alman faturası "Summe" olarak adlandırıyorsa, Textract size bu 3 belge için 3 farklı yapıda veri verir.
Birinde anahtar "Brüt tutar" olan bir anahtar-değer çifti, diğerinde "Toplam tutar" ve Alman olanında "Summe" elde edersiniz. Diğer sağlayıcılar, 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 çıkarma oranlarını sorun
Ardından, şirketinizin aldığı faturalardaki gerçek oranları görmek için bir Kavram Kanıtı (PoC) projesi yürütün.
Yanlış pozitifler, auto-işlenen ancak veri çıkarmada hataları olan faturalardır. Bunların tespit edilmesi zordur ve operasyonları aksatabilir. Örneğin, ödeme tutarlarının yanlış çıkarılması sorunlu olacaktır. Bunu en aza indirmek mutlak odak noktası olmalıdır.
Manuel veri çıkarma, otomatik veri çıkarma sisteminin sonucuna olan güveni sınırlı olduğunda gereklidir. Bu, farklı bir fatura formatı, düşük görüntü kalitesi veya tedarikçi tarafından yapılan bir baskı hatası nedeniyle olabilir. Bunu en aza indirmek de önemlidir ancak yanlış pozitifler ile manuel veri çıkarma arasında bir denge vardır. Daha fazla manuel veri çıkarmaya 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'ten yararlanın
Bu, belgelerden çıkarmayı beklediğiniz alan sayısına bağlıdır. Satın alma siparişi kimliği, satıcı adı gibi öğeleri içeren ~10 alandan oluşan tipik bir set, ERP'ye veri girişi ve ödemeleri mümkün kılabilir.
En iyi uygulama sağlayıcıları, bu ~10 alanın tamamını zamanın ~%80'inde neredeyse hiç hata olmadan çıkararak ~%80 STP elde eder. Zaman zaman hatalar olsa da, en büyük ödemelerin manuel olarak kontrol edilmesi, önemli bir yanlış ödemenin ağdan sızmasını önleyebilir.
5. Sağlayıcı tarafından sunulan gelişmiş işleme seçeneklerini sorun
Çıkarma, veri toplamanın ilk adımıdır; çoğu durumda bunu veri işleme takip etmelidir. Örneğin, faturaların KDV uyumluluğu açısından kontrol edilmesi gerekir (örneğin, KDV'siz yurt içi faturaların KDV'nin neden hariç tutulduğunu açıklaması gerekir) ve bunun yapılmaması, ülkeye bağlı olarak şirket için önemli para cezalarına yol açabilir.
6. Çözümün yeni faturalar hakkında nasıl öğrendiğini sorun
En iyi çözümler, ekibinizin çözüme rehberlik etmesine olanak tanıyan 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 çözüm, 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 satışını iyileştirecek bir çözüm olmadığından, rakipler bile birbirleriyle fatura otomasyonu çözümleri hakkındaki görüşlerini paylaşabilir.
- Çözümü şirketinizin sistemlerine (örneğin, ERP) entegre etme seçenekleri nelerdir? BT, entegrasyon yaklaşımına onay veriyor 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 tahminde bulunabilirsiniz.
Daha fazla 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 ve OCR'ların Çıkarma Doğruluğu}},
year = {2026},
month = jan,
howpublished = {\url{https://aimultiple.com/invoice-ocr}},
note = {AIMultiple. Erişim tarihi: 22 Ocak 2026}
}Referans Linkleri
Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.