Metode
Fra PDF til brugbare data: Sådan undgår I at AI gætter hullerne væk
AI kan flytte oplysninger fra PDF-filer til en oversigt på få øjeblikke. Det svære er at opdage den forkerte kolonne, den manglende side og det beløb, modellen selv har udfyldt. En fast metode gør fejlene lettere at se.
PDF er en beholder og ikke en garanti for gode data
To PDF-filer kan se næsten ens ud og være meget forskellige at behandle. Den ene indeholder digital tekst. Den anden er et fotografi af et papir. En tredje har tekst, men læserækkefølgen passer dårligt til tabellerne på siden.
OCR er tekstgenkendelse, som forsøger at omsætte billedet af bogstaver og tal til tekst. Derefter skal et system stadig forstå, hvilket tal der hører til hvilket felt. Et tydeligt beløb kan derfor ende i den forkerte kolonne, selv om alle cifre er læst korrekt.
Microsofts dokumentation for dokumentanalyse beskriver både tekst, tabeller og layout som dele af udtrækket. Det er en nyttig påmindelse om, at opgaven ikke kun handler om at læse ord. Forbindelserne mellem oplysningerne betyder også noget.
Beslut felterne før I uploader
Forestil jer, at I vil sammenligne ti leveringsbekræftelser. Start med at definere de nødvendige felter: dokumentnummer, bestillingsdato, lovet leveringsdato, antal, enhed og eventuelle forbehold. Undlad at bede om alle relevante oplysninger; relevant er for upræcist til en stabil arbejdsgang.
Beskriv betydningen af hvert felt. Leveringsdato kan være en ønsket dato, en lovet dato eller datoen for faktisk afsendelse. Hvis dokumentet kun viser afsendelse, skal modellen ikke præsentere den som levering.
Aftal tre forskellige resultater: fundet, ikke angivet og uklart. Ikke angivet betyder, at oplysningen ikke kunne findes. Uklart betyder, at der er tekst, men at den ikke kan fortolkes sikkert. Ingen af delene skal automatisk blive til nul eller et tomt felt uden forklaring.
Bed om belæg sammen med svaret
Et udtræk bør som minimum indeholde værdien, dokumentets navn og siden, hvor den står. Tilføj gerne et kort tekstuddrag eller en henvisning til feltet på siden. Så kan den person, der kontrollerer resultatet, finde tilbage uden at gennemlæse alt.
En instruktion kan være: Find kun de angivne felter. Brug ikke viden uden for filen. For hver værdi skal du angive filnavn, sidetal og et kort belæg. Skriv ikke angivet, hvis feltet mangler, og uklart, hvis der er flere mulige værdier. Beregn ikke manglende beløb.
Kontrollér, hvad sidetallet betyder. En fil kan have en forside og trykte sidetal, som ikke følger PDF-viserens nummerering. Skriv i skabelonen, om I bruger filens sidenummer eller det trykte. En præcis værdi med en forkert henvisning er stadig besværlig at efterprøve.
Test dokumenter der kan få metoden til at snuble
Begynd med et lille udvalg, som I selv gennemgår. Tag både en tydelig digital PDF, en scanning, en tabel over flere sider og et dokument med rettelser eller forbehold. Formålet er at se, hvor metoden svigter, før den bruges på hele bunken.
Kontrollér især decimaler, minusfortegn, valuta, enheder og om tusindseparatoren er fortolket rigtigt. Et antal kasser er ikke nødvendigvis det samme som et antal varer. En pris pr. enhed må ikke uden videre blive til en samlet pris.
Undersøg også fuldstændigheden. Er alle filer behandlet? Kom alle sider med? Er en fortsættelseslinje blevet en ny vare? Et korrekt uddrag af halvdelen af dokumentet kan se særdeles overbevisende ud, hvis ingen tæller efter.
Brug sikkerhedsscorer som et signal
Nogle specialiserede værktøjer giver en score for, hvor sikkert et felt er genkendt. Microsoft beskriver den som et estimat og viser, at kvalitet kan vurderes på forskellige niveauer, blandt andet ord, felter og tabeller. En score er derfor knyttet til en bestemt opgave og model.
En chatbots egen formulering om, at den er meget sikker, er ikke det samme som et dokumenteret mål for fejlrisiko. Og selv en teknisk score bør afprøves på jeres dokumenter, før den bruges til at sende oplysninger videre uden kontrol.
Aftal, hvilke felter der altid skal ses af et menneske. Ved et forsøg kan det være alle datoer og beløb. Når I kender fejlmønstret, kan I justere kontrollen. Der findes ikke én universel grænse, som gør alle dokumentudtræk pålidelige.
Lad oversigten vise det I endnu ikke ved
Gem det oprindelige dokument sammen med udtrækket eller en stabil reference til det. Bevar både den læste værdi og en eventuel normaliseret værdi. Så kan I se, om fejlen opstod under læsningen eller under omformningen til et fælles format.
Lad en ansvarlig person behandle uklare felter. Notér rettelsen og belægget, så den samme fejl ikke skal undersøges igen næste uge. Mål gerne tiden til kontrol med i den samlede opgave; hurtig udtrækning alene fortæller ikke, om I sparer tid.
Brug kun en løsning, der er godkendt til dokumenternes oplysninger, og begræns adgang og opbevaring efter jeres behov. Start med ufølsomme eksempler. En god PDF-arbejdsgang giver både et brugbart resultat og en tydelig vej tilbage til det, der faktisk stod på siden.
Læs også
Kilder og videre læsning
- Microsoft Learn: Document layout analysis – Leverandørdokumentation om tekst, tabeller og struktur i dokumentanalyse.
- Microsoft Learn: Interpret and improve accuracy and confidence scores – Forklarer scores og kvalitetsvurdering. Arbejdsgangen og eksemplerne i artiklen er selvstændige redaktionelle forslag.
- Datatilsynet: Forhold dig til AI-værktøjer – Baggrund for at afklare deling af personoplysninger før upload.
