Использование Ario для инвентаризации активов АО "СИСТЭМ ЭЛЕКТРИК"

Предыстория

В нашей компании долго стояла дилемма «Что больше, вложения в искусственный интеллект или польза, которую он приносит?».

По итогу летом мы взяли на тестирование вариант поставки RX Intelligence, далее прошли курсы и самостоятельно провели установку с настройкой. Реализовали распознавание писем и заполнение по ним свойств, индексацию всех сканов в системе и сравнение версий документов. Внутренний клиент был очень доволен этим. 

А далее начался мозговой штурм, в каких ещё задачах можно задействовать ИИ. И ниже приведён один из кейсов.

Задача

В рамках инвентаризации активов компании возникла необходимость в автоматизации процесса распознавания и обработки Актов приёма-передачи.

Сложность заключалась в том, что раньше не было единого шаблона, и каждый специалист заполнял поля без какого-либо ограничения. Шаги, которые были пройдены для реализации распознавания архива по API через сервис ARIO, опишу в хронологическом порядке.

История проекта в 15 шагах

1. Создал новый проект в AVIA, загрузил 10 файлов для разметки.

2. Задал атрибуты.

3. Разметил документы и выгрузил файл bio.

4. Создание новой грамматики для Актов приёма-передачи.

5. Обучение модели по размеченным документам.

6. Проверка фактов грамматики “LaptopAcceptanceCertificate”.

На примерах: 

• стандартный файл
• с повторяющимся значением
• с нестандартной датой
• идентификатор сотрудника в скобках
• с рукописным текстом
• и др.

Стандартный файл (успех)

Второй пример

С повторяющимся значением (успех)

Третий пример

С нестандартной датой (успех)

Идентификатор сотрудника в скобках (провал, кроме одного кейса)

Успешный кейс:

С рукописным текстом (провал)

7. Переход на использование S/N вместо Asset

В рамках обсуждения было принято решение использовать S/N вместо Asset, так как далее планируется расширение на телефоны, где поле Asset пустое.

Повторно разметили 22 документа на тестовом стенде.

8. Создание новой грамматики для Актов приёма-передачи (на тестовом стенде)

9. Обучение модели по размеченным документам:

10. Проверка фактов грамматики “AssetAcceptanceCertificate”.

На примерах: 

• стандартный кейс
• двойная SEA
• нестандартная дата + кавычки
• SEA в кавычках с подчёркиванием
• и др.

Стандартный кейс (успех)

Двойная SEA (Успех):

Нестандартная дата + кавычки (успех):

SEA в кавычках с подчёркиванием (успех):

11. Добавление форматеров для нормализации даты и SEA.

Прописал новый форматер:

Включил новый форматер в общий список:

Добавил папку и файл для форматеров грамматики:

12. Проверка форматирования (успех):

13. Тестирую скрипт на разовое распознавание документа:

14. Скрипт для массового распознавания:

15. Проверка уровня обучения модели:

При обучении модели около 10-15% слов откладывается и используется для тестирования модели.

f1Measure - гармоническое среднее между метриками precision (точность) и recall (полнота).

probability - вероятность факта, confidence - уверенность в распознавании текста

При наличии составных атрибутов метрика ETER (Entity Tree Error Rate) может использоваться для сравнения нескольких моделей. Чем меньше значение данной метрики, тем лучше модель работает с составными фактами.

Итоги

Возможно было провести дообучение модели для увеличения уровня распознавания фактов, однако текущее качество устроило бизнес-заказчика. Проект по распознаванию Актов приёма-передачи был успешно реализован и показал высокую эффективность.

Технология распознавания документов значительно упростила процесс инвентаризации, сократив время на ввод в 3-5 раз. Это позволило сотрудникам сосредоточиться на более важных задачах, повысив общую производительность и качество работы.

Учитывая изменение требований посередине, на весь процесс "от и до" ушло 3 дня.

Все вышеперечисленные настройки были произведены без использования студии разработчика.