Nejprve navrhněte jednoznačné schéma a pravidla pro chybějící hodnoty, poté dokument bezpečně rozdělte a extrahujte pole spolu s důkazem. Formát i obchodní vazby ověřte kódem, konfliktní nebo nejisté údaje pošlete kontrolorovi a do cílového systému zapisujte pouze validovaný výsledek.
Smlouva, objednávka, protokol nebo formulář může obsahovat důležité údaje v různých rozloženích a formulacích. AI pomůže najít význam i tam, kde jednoduchá šablona nestačí, ale její odpověď musí projít do přesného datového schématu. Bez vazby na zdroj může přesvědčivě doplnit hodnotu, která v dokumentu vůbec není.
Extrakční systém proto odděluje získání textu, významovou interpretaci, technickou validaci a obchodní schválení. U každého pole zachová místo nebo úryvek, ze kterého vychází, a umožní stav neznámé. Cílem není vyplnit všechny buňky, ale vytvořit data, kterým navazující proces rozumí a dokáže je bezpečně prověřit.
Definujte pole podle pracovního významu
Každé pole potřebuje název, datový typ, povinnost, povolené hodnoty a vysvětlení, k čemu se použije. Rozlišujte datum podpisu od začátku platnosti a cenu položky od celkové hodnoty. Pokud pojem není jednotný ani mezi odborníky, model jej sám nevyřeší. Nejprve dohodněte definici a příklady hraničních případů.
Určete, zda výstup může být neznámý, nevztahuje se, nebo konflikt. Prázdný řetězec nesmí zastupovat všechny tři situace. U seznamů stanovte, zda se očekává jedna, nebo více položek a jak se zachová pořadí. Verzi schématu evidujte spolu s výsledkem, aby starší exporty zůstaly interpretovatelné i po změně procesu.
Připravte dokument a zachovejte jeho strukturu
Nejprve ověřte typ souboru, bezpečnost, čitelnost a počet stran. OCR nebo textová vrstva musí zachovat vazbu na stranu, tabulku a nadpis. Slepé spojení celého textu může promíchat sloupce či poznámky pod čarou. U obrázku zaznamenejte kvalitu a orientaci; nečitelná část má zůstat výjimkou, nikoli podnětem k hádání.
Dlouhý dokument rozdělte podle logických částí a k extrakci přidejte potřebný kontext, například název sekce. Překrývání úseků může ochránit větu na hranici, vytváří však duplicity, které je třeba sloučit. Přílohu a hlavní dokument držte jako samostatné zdroje. Pořadí důvěryhodnosti mezi nimi určete věcným pravidlem, nikoli náhodným pořadím vstupu.
- identifikátor dokumentu, strany a oblasti
- stav OCR nebo jiného získání textu
- logické sekce a zachované tabulkové vazby
- jasně oddělený hlavní dokument a přílohy
Vyžadujte hodnotu i podpůrný důkaz
Model u každého pole vrací normalizovanou hodnotu, původní úryvek a umístění. Důkaz musí být skutečně přítomen ve zpracovaném zdroji; aplikace to technicky ověří, kdykoli je to možné. Vysvětlení bez citace není náhradou. U hodnoty odvozené z více míst označte všechny zdroje a pravidlo spojení.
Nedovolte modelu opravovat zjevný překlep bez označení. Zachovejte původní hodnotu a normalizaci jako dvě pole, aby uživatel viděl rozdíl. Pokud dokument obsahuje dvě odlišné částky s podobným názvem, vraťte konflikt nebo kandidáty. Jedno modelové skóre nemusí odrážet skutečnou spolehlivost, proto nejistotu kombinujte s kvalitou zdroje a validačními pravidly.
Validujte formát, vztahy a obchodní pravidla
Schémová validace kontroluje datový typ, povinné pole, formát a povolenou hodnotu. Následná vrstva ověří vztahy: koncové datum nemá předcházet začátku, součet může odpovídat položkám a identifikátor se může nacházet v povoleném registru. Přesná pravidla držte v kódu, kde se dají testovat, verzovat a vysvětlit.
Validace nemá potichu změnit výsledek jen proto, aby prošel kontrolou. Rozdíl ukažte uživateli spolu s návrhem opravy. Při konfliktu zdrojů uveďte, které pravidlo určilo preferenci. Záznam připravený k exportu musí nést stav schválení a vazbu na verzi dokumentu, jinak by nová příloha mohla změnit význam již zpracovaného případu.
Testujte pole a provoz samostatně
Testovací sada obsahuje různá rozložení, skeny, tabulky přes více stran, chybějící pole, protichůdné údaje a dokumenty mimo rozsah. Hodnoťte každé důležité pole zvlášť, protože celkový průměr může skrýt nebezpečnou chybu v jedné hodnotě. Sledujte i nesprávný důkaz, nejen shodu normalizovaného textu.
V provozu měřte výjimky podle důvodu, opravy kontrolorů, selhání OCR, neznámé varianty, dobu čekání, náklady a chyby exportu. Novou verzi modelu před nasazením porovnejte na stejné sadě. Originály, pracovní data a výstupy mají odlišné přístupy a dobu uchovávání. Při výpadku se dokument bezpečně uloží do ručního toku.
Časté dotazy
Je validní JSON důkazem správné extrakce?
Ne. Potvrzuje pouze formát. Hodnota může být nesprávná nebo smyšlená, proto potřebuje vazbu na zdroj, obchodní validace a u rizikových polí lidskou kontrolu.
Co má systém udělat, když údaj v dokumentu chybí?
Má vrátit jednoznačný stav neznámé nebo nevztahuje se podle schématu. Nemá dosadit běžnou hodnotu ani údaj z jiného dokumentu bez transparentního pravidla.
Lze extrahovat i z tabulek a skenů?
Ano, pokud přípravná vrstva zachová rozvržení a kvalitu zdroje. Horší čitelnost a složité tabulky vyžadují zvláštní testy, důkazy a častější kontrolu.
Zdroje a další čtení
Adam Antoni vyvíja weby, aplikácie a softvér na mieru. Prepája firemné systémy, automatizuje procesy a vytvára AI agentov. Pôsobí v Spišskej Novej Vsi a spolupracuje s firmami na celom Slovensku.
