Optical Character Recognition (OCR)-teknologi i FSI-kerneprocesser

Optisk tegngenkendelse (OCR) er den teknologiske proces til at genkende og konvertere både håndskrevne og trykte tegn til redigerbare og søgbare data. Den har to primære funktioner:eliminering af manuel dataindtastning ogudtræk information automatisk . Hvis du for eksempel ville digitalisere og redigere en papirkontrakt, kunne du enten bruge lang tid på at indtaste dokumentet, eller du kunne bruge en scanner/foto og OCR til at konvertere filen på få sekunder til en handlingsvenlig fil.

OCR-teknologier opnår nu en meget høj grad af nøjagtighed i karaktergenkendelse , på over 99 %. Udfordringen i dag er at lokalisere og udtrække data i trykte eller scannede dokumenter ved at identificere de relevante kombinerede informationsstrenge, der skal udtrækkes. Dette er særligt udfordrende i tilfælde af ustrukturerede dokumenter og tabeller. Naturlig sprogbehandling (NLP) og maskinlæring kan bruges til at identificere og udtrække data fra dokumenter og direkte aktivere funktioner, som ellers ikke ville være mulige (dvs. krydsvalidering eller summering af tal i tabeller). Mange OCR-leverandører gør allerede brug af disse teknikker til at forbedre funktionaliteten af ​​de OCR-værktøjer, de tilbyder.

I digitaliseringsprojekter bruges OCR-teknologi ofte sammen med workflow-værktøjer til at automatisere processer og reducere manuelt arbejde. Disse værktøjer indsamler, henter, behandler, redigerer, arkiverer eller videresender data og dokumenter.

OCR er kun et middel til et mål, og det skal kombineres med avanceret analysesoftware for at tilføje reel funktionel værdi ved at integrere data udtrukket af OCR-motorer fra dokumenter med AI-drevne systemer til mange potentielle brugssager, såsom svindeldetektion , lovoverholdelse eller procesautomatisering.

Figur 1. Illustrative OCR-behandlingstrin

Figur 2. Eksempel på en brugergrænseflade i udtræksfasen (schweizisk selvangivelse med automatisk udtrukne værdier til validering)

Udvalgte use cases for OCR-teknologi

Kreditrisikostyringsproces i bankvirksomhed: Kreditvurderinger kan være ekstremt tidskrævende, da de gør brug af økonomiske dokumenter, der er originale, fotokopierede eller scannede. Dette indebærer, at hver linjepost manuelt indtastes i et IT-system med henblik på vurderingen. Denne proces har en ret høj risiko for inputfejl, med kun begrænsede overførsler af data, med det resultat, at den finansielle analyse til kreditformål kan være upålidelig. OCR kombineret med AI kan ikke kun digitalisere scannede regnskaber, men kan også gøre dem til læsbare og søgbare datasæt, der er tilgængelige på tværs af IT-systemer. Dette kan automatisere en del af kreditanalytikerens arbejde. I denne proces er det første trin at digitalisere regnskabsopgørelser ved hjælp af OCR. Maskinlæringsalgoritmer lærer derefter systemet at differentiere de underliggende mønstre i regnskabsopgørelserne for at identificere og udtrække de nødvendige data. Dette giver en tidsbesparelse på omkring to til fire timer pr. kreditgennemgang, og kreditanalytikeren er også i stand til at fokusere mere på selve kreditrisikoanalysen og træffe bedre informerede lånebeslutninger.

1. Automatisk behandling af lån/lån: Under realkredit-/udlånsbehandlingen kan OCR muliggøre automatisering og behandling af et mangfoldigt sæt dokumenter i forbindelse med udlån såsom selvangivelse, lønsedler eller lønbevis, ID/pas osv., og dermed forbedre kunderejsen og optimere processen. Dette er især en fordel, når man tilstræber en høj Straight-Through-Processing i udlånsbeslutningen, såsom på udlånsplatforme.
2. Kunde onboarding og KYC-proces: OCR kan på samme måde hjælpe med automatisk at læse, rute og behandle dokumenter, der typisk kræves i KYC-processer, hvilket muliggør hurtigere og bedre kundeservice fra første interaktion under kontoåbning og kundeonboarding.
3. Behandling af forsikringskrav: Under analyse og behandling af forsikringskrav kan OCR reducere eller endda eliminere menneskelige fejl og fremskynde behandlingen og behandlingen af ​​disse krav.
4. Dokumentation for rejseudgifter: Forretningsfolk, der rejser, skal muligvis dokumentere og registrere deres udgifter til refusion og revisionsformål. De skal muligvis indtaste deres udgiftsoplysninger i en portal til kontrol af et medlem af regnskabspersonalet. Denne proces kan være besværlig og tidskrævende. Som et alternativ kan OCR-teknologi bruges til at kopiere data fra kvitteringer, godkende eller afvise dem og overføre dem direkte til en app eller portal.

Generelt kan et veludviklet/uddannet system nemt nå nøjagtighedsniveauer over 90 % ved udtrækning af data fra SMV'ers balancer for SMV'er, klient onboarding og andre forskellige dokumenter, hvilket betyder, at automatisering ofte er mere præcis, end hvis processen udføres manuelt, men til en brøkdel af prisen og tiden. Samlet set kan OCR-teknologi spare tid ved at skære ned på eller eliminere manuelle processer, forbedre produktiviteten og reducere sandsynligheden for fejl eller svindel.

Store spillere på OCR-markedet

En række leverandører tilbyder OCR, der er klar til brug . Nogle af de vigtigste produkter på markedet i øjeblikket er ABBYY FlexiCapture, ABBYY Vantage, Googles Vision AI, Amazon Textract og Microsofts Computer Vision.

Deloitte og ABBYY:Use case for en D-SIB detailbank i kreditbehandling

Vores kunde, en førende D-SIB, har igangsat flere digitaliseringsprojekter i kreditsektoren, herunder udviklingen af ​​en mobil B2C realkreditlånsplatform. Denne app giver slutkunder mulighed for at ansøge om realkreditlån eksternt, hvilket forenkler og fremskynder ansøgnings- og godkendelsesprocessen. Da kreditudlånsprocessen i Schweiz stadig involverer et stort antal papirformularer, søgte banken en løsning til dokumentidentifikation og automatiseret dataudtræk af slutbrugerne selv, for at aflaste kunderne for den kedelige opgave at manuelt indsætte de nødvendige data manuelt. for låneansøgningen.

Deloitte var ansvarlig for at opbygge disse muligheder og var i partnerskab med ABBYY i stand til på kort tid at implementere en OCR-løsning ved hjælp af ABBYY FlexiCapture for at udtrække relevante data med høj nøjagtighed (over 90 % efter træning) fra selvangivelser, løncertificeringer, nationale identifikationsdokumenter, samt udenlandske opholdstilladelser og pensionsfondsopgørelser. Deloitte anvendte sin ekspertise i den tekniske implementering af OCR-løsninger og sin viden om de regulatoriske krav og nuværende bedste praksis i schweiziske udlånsprocesser. Det var vigtigt at anvende en reverse engineering-tilgang til at identificere og forenkle de datapunkter, der kræves til kreditbeslutningstagning i overensstemmelse med kundens kreditrisikoappetit og -model. at udvikle en platform til hurtig behandling af realkreditansøgninger med en fleksibel konfiguration af input- og output-grænseflader, som muliggjorde en problemfri integration via API til mobile brugere, hvilket giver en intuitiv kunderejse til realkreditansøgere.

Figur 3 ^. Workflow Eksempel på OCR-App-integration i en schweizisk mobillånansøgningsproces

Dataindsamlingen og udtræksprocessen er som følger:Kunden uploader enten en scanning af det påkrævede dokument eller tager et billede med smartphonen direkte gennem den mobile realkreditapplikationsplatform. Det uploadede dokument analyseres derefter i FlexiCapture og klassificeres automatisk. Afhængigt af dokumentet udtrækker FlexiCapture visse felter, der indeholder de nødvendige relevante oplysninger. Dernæst testes nøjagtigheden af ​​tegngenkendelsen, og hvis den er over en vis tærskel (i dette tilfælde 90%), eksporteres dataene automatisk til videre brug i realkreditansøgningen. Hvis nøjagtighedstesten falder under tærsklen, har brugeren mulighed for at gennemgå de udtrukne oplysninger og rette dem manuelt.

Hos Deloitte kan vi med vores omfattende erfaring med at implementere de nyeste teknologier og vores ekspertise inden for finanssektoren hjælpe dig med at øge effektiviteten i dine processer, reducere omkostninger og låse op for værdi. Tøv ikke med at kontakte os for yderligere spørgsmål.