文件影像理解再進化 - 讓企業降本增效的InsAI智慧辨識
隨著人工智慧技術的發展，文件影像理解技術正逐漸改變著我們處理資訊的方式。叡揚資訊作為台灣企業e化應用軟體開發與專案服務的領導廠商，結合了End to end VDU（Visual Document Understanding）和 LLM（Large Language Model）技術，為企業客戶提供更精準、更有效率的文件影像擷取加生成的企業應用解決方案。
2023 年橫空出世的 GPT-4 因其準確性較先前的大型語言模型的大幅提高而受到稱讚，並且受到世人的大幅期待。但大語言模型是通用模型，在廣泛的任務中表現出色，卻不是針對特定任務（例如情感分析、命名實體識別或數學推理）進行訓練，因此當目標是想應用到特定任務時，有所侷限 ; 同時大型語言模型對於運算資源的仰賴程度極高，GPU, 記憶體, 電力等等都是企業運用時遇到的瓶頸。為此，叡揚資訊從早期的 Deep Learining AI OCR 轉投入了End to end VDU的研究，期望有新的方案可解決現況。
End to End VDU 是一種文件影像視覺理解技術，它能將文件影像中的文字、圖像、表格等資訊，轉化為電腦可理解的結構化資料。其技術來自於GenAI興起之後的 LLM 中的一種 - LVLM（Large Vision Language Model，大型視覺語言模型），也是一般大家在使用 AI生成圖像背後的技術，LVLM的知識豐富且可以生成充滿創造力的圖像，如同 LLM 要在組織中使用會碰到的困擾，知識豐富增加了推論的成本，充滿創造力則容易扭曲具體的答案，叡揚資訊透過知識蒸餾的方法，將 LVLM 縮小成特定領域可以使用的視覺模型，不僅降低部署及營運成本，也可以更精準地控制模型解析出來的答案。
它能理解整個圖像的意義，並具備生成結構化資料的能力，叡揚資訊應用 End to End VDU 打造出強大且先進的文件影像理解平台 InsAI，應用於各個以往無法解決的表單辨識領域。
InsAI 智慧辨識平台架構概念
VDU 文件影像理解，以財務報表自動化為例
財務報表自動化是 InsAI 的一個重要應用場景，我們特地取名為 InsAI.FS。傳統的財務報表處理方式，需要人工閱讀、登打和校對，效率低下且容易出錯。叡揚資訊的 InsAI.FS 財報智慧辨識解決方案，可以自動辨識財務報表中的各項資訊，包括科目名稱、金額、日期等，並將其轉化為結構化資料，大幅提高了財務報表處理的效率和準確性，已經實際運用在客戶端。
InsAI.FS 財報智慧辨識系統: 財報自動化應用
InsAI.FS財務報表智慧辨識系統彷彿具備了邏輯推理能力，能夠理解財務報表中不同欄位代表的意義，在數據資訊擷取之後，系統可協助提示表格中的數據是否需要驗證、找出數據之間的矛盾之處等等。這就像是一位經驗豐富的專家，幫您審核文件、找出潛在問題，輔助使用者大幅縮減繁瑣動作所需要的執行時間，而可以把寶貴的時間投入更需要決策判斷的環節。
文件影像理解再進化，客戶給我們的題目
然而我們發現客戶企盼需要由影像擷取的資訊五花八門，原以為是成熟領域的 OCR 辨識技術，原來在很多地方仍然有瓶頸。以財務應用方面為例，除了財務三大表之外就還有企業年報、稅報、401報表、403報表、暫結報表…等等。傳統上無法突破的原因，可能是表格過於細碎、影像品質不優、各式雜訊、手寫文字、外文… 甚至是上述數種特徵的結合體。
因此除了財務報表自動化，叡揚資訊的InsAI 智慧辨識技術目前已經實際測試許多客戶提供的應用場景，例如：
- 金融業：付款授權書、取款條、匯款條、外匯相關申請書、存摺、對賬單...等，節省大量金融從業人員手動登打的時間。
- 企業全球化：申報單、發票、報價單、訂單...等，多數目的為對國外業務及政府溝通的表單辨識。
- 政府單位：公文書、報關單、扣繳憑單、身份證、護照、健保卡，協助公部門簡化必要的表單輸入時間。
- 企業永續：水電費單據、高鐵票據等憑證類，多數為企業為了 ESG 進行碳排計算使用。
我們透過持續優化 End to End VDU 技術，以及所研發出的 InsAI智慧辨識平台，試圖解決大量因爲法規而存在的紙本文件影像數位化痛點。而結構化之後的數位資訊除了提供原有的作業流程及系統使用，我們也發現可以作爲 LLM 生成時的一種 Prompt 組合的來源，可以協助使用者在完成文件影像辨識後，直接得到最後的報告，保留大量的人員作業時間在更重要的審閲及結果判斷。
InsAI 智慧辨識的 VDU + LLM 成果: 影像自動生成報告應用
美好的未來需要持續的投入研究與努力
近兩年的 AI 發展速度大幅超越以往各個年代的科技進展速度，技術的演化在此當下仍然在進行中。叡揚資訊將持續投入研發資源，不斷打通瓶頸並拓展務實應用領域，為企業提供更智慧化的文件影像解決方案。持續進化基於輕量化 End to End VDU 模型開發的 InsAI 智慧辨識平台，據以降低實際運用的硬體資源需求，減少訓練需要的實際影像資料量，提高數據擷取準確度。
願景是可以透過自然語言直接與其溝通，完成特定領域任務，取得文件影像的關鍵資訊並進一步執行其他應用，甚至考量法規實務面因素，我們也朝著直接讓企業客戶搭配 InsAI 智慧平台，自己標記、自己訓練屬於自己的VDU模型。當然，如何巧妙結合不同的 AI 技術，包含 NLP/NLU 等叡揚十年來的累積技術經驗，讓我們的解決方案能減少幻想而更具體幫助企業運行，由 AI 輔助決策進一步轉為 AI 驅動決策，讓我們稀量的人才資源可以將時間用在更具價值的環節，降低人力時間成本，提高人才貢獻度，使企業效率再進化，我們相信未來指日可待。