कानूनी दस्तावेजों के साथ कृत्रिम बुद्धिमत्ता कैसे काम करती है? एबीबीवाई से ईगोर बुडनिकोव द्वारा व्याख्यान

हाल ही में, एबीबीवाई के प्रौद्योगिकी विभाग के एक सिस्टम विश्लेषक, यूगॉर बडनिकोव ने कॉन्फ्रेंस डेटा एंड साइंस: लॉ एंड रिकॉर्ड्स मैनेजमेंट में यांडेक्स में बात की। उन्होंने बताया कि कंप्यूटर विज़न कैसे काम करता है, वर्ड प्रोसेसिंग होती है, कानूनी दस्तावेजों से जानकारी निकालते समय क्या ध्यान देना जरूरी है और भी बहुत कुछ।


- एक कंपनी ने डेटा विश्लेषण और इलेक्ट्रॉनिक दस्तावेज़ प्रबंधन के लिए कार्यप्रणाली विकसित की हो सकती है, जबकि वर्ड में बनाए गए दस्तावेज़ ग्राहकों या पड़ोसी विभागों से, मुद्रित, फोटोकॉपी, स्कैन किए गए और फ्लैश ड्राइव पर लाए जा सकते हैं।

दस्तावेज़ प्रवाह के साथ क्या करना है, जो अब "गंदे" दस्तावेज़ों के साथ है, कागज भंडारण के साथ, इस तथ्य तक कि दस्तावेज़ों को स्कैन किए जाने से पहले 70 साल तक संग्रहीत किया जा सकता है और उन्हें मान्यता दी जानी चाहिए?


ABBYY व्यावसायिक कार्यों के लिए कृत्रिम बुद्धिमत्ता तकनीक विकसित कर रहा है। आर्टिफिशियल इंटेलिजेंस लगभग वही काम करने में सक्षम होना चाहिए जो एक व्यक्ति रोज़ या पेशेवर गतिविधियों में करता है, अर्थात्: एक तस्वीर या चित्रों की धारा से वास्तविक दुनिया के बारे में जानकारी पढ़ें। यह न केवल कंप्यूटर दृष्टि हो सकता है, बल्कि सेंसर से डेटा की सुनवाई या मान्यता भी हो सकती है, उदाहरण के लिए, धूम्रपान या तापमान सेंसर से। इसके अलावा, इन सेंसर से डेटा सिस्टम में प्रवेश करते हैं और निर्णय में भाग लेना चाहिए। इस फ़ंक्शन को सफलतापूर्वक कार्यान्वित करने के लिए, सिस्टम को बेवकूफ तार्किक त्रुटियों को रोकना चाहिए, जैसा कि तस्वीर में है:


ग्रंथों का विश्लेषण करना मुश्किल है: भाषा की विविधता और विकास उन्हें सुंदर और अभिव्यंजक बनाता है, लेकिन यह उनके स्वचालित प्रसंस्करण के कार्य को जटिल बनाता है। आमतौर पर, शब्दों की अस्पष्टता इस तथ्य से दूर होती है कि हम उस संदर्भ से निर्धारित कर सकते हैं कि किसी विशेष शब्द का क्या अर्थ है, लेकिन कभी-कभी संदर्भ व्याख्या के लिए जगह छोड़ देता है। वाक्यांश में " इन प्रकार के स्टील स्टॉक में हैं " संदर्भ के संदर्भ में पूर्ण सटीकता के साथ समझना असंभव है: चाहे वह कमरे में रहने वाले लोग हैं, या ये कुछ प्रकार के स्टील हैं जो गोदाम में संग्रहीत हैं। इस अस्पष्टता को हल करने के लिए, एक व्यापक संदर्भ की आवश्यकता है।
कोलाज का निचला हिस्सा फिल्म "ऑपरेशन" वाई "और शूरिक के अन्य कारनामों से एक फ्रेम है।"

सामान्य स्थिति में, कृत्रिम बुद्धि या एक स्मार्ट रोबोट को अंतरिक्ष में स्थानांतरित करने और वस्तुओं के साथ सफलतापूर्वक बातचीत करने में सक्षम होना चाहिए - उदाहरण के लिए, बॉक्स को बार-बार उठाएं, जो प्रशिक्षक उसके हाथों से बाहर निकलता है।

अंत में, सामान्य बुद्धि और ज्ञान का प्रतिनिधित्व: ज्ञान इस जानकारी से अलग है कि इसके हिस्से सक्रिय रूप से एक दूसरे के साथ बातचीत करते हैं, जिससे नया ज्ञान उत्पन्न होता है। कॉकटेल मिश्रण की समस्या को प्रभावी ढंग से हल करने के लिए, आप सरल तरीके से जा सकते हैं: सामग्री को सूचीबद्ध करें और इंगित करें कि उन्हें किस क्रम में मिश्रण करना है। इस मामले में, सिस्टम अपने हित के विषय के बारे में मनमाने सवालों का जवाब देने में सक्षम नहीं होगा। उदाहरण के लिए, अगर आप टमाटर के रस को अनानास से बदल दें तो क्या होगा। सिस्टम को अधिक गहराई से मास्टर करने के लिए डेटाबेस, टैक्सोनोमी (एक दूसरे से तार्किक रूप से संबंधित अवधारणा पेड़), एक तार्किक इंजेक्शन प्रक्रिया को जोड़ा जाना चाहिए। इस मामले में, हम वास्तव में कह सकते हैं कि सिस्टम समझता है कि वह क्या कर रहा है, और यह प्रक्रिया के बारे में एक मनमाना सवाल का जवाब देने में सक्षम होगा।

ABBYY द्वारा विकसित कृत्रिम बुद्धिमत्ता इन दस्तावेजों से निकाले गए संरचित सूचनाओं में दस्तावेजों, अर्थात कागज, स्कैन और इलेक्ट्रॉनिक मीडिया को संसाधित करता है। आइए हम दो घटकों पर ध्यान केंद्रित करें, जैसे कंप्यूटर विज़न और वर्ड प्रोसेसिंग। कंप्यूटर दृष्टि आपको पीडीएफ, स्कैन की गई छवियों, चित्रों को संपादन योग्य पाठ प्रारूपों में बदलने की अनुमति देती है। यह एक मुश्किल काम क्यों है? सबसे पहले, दस्तावेजों में एक मनमाना संरचना हो सकती है।

इसका मतलब है कि पहले आपको दस्तावेजों के संरचनात्मक विश्लेषण की समस्या को हल करने की आवश्यकता है: यह समझने के लिए कि पाठ ब्लॉक, चित्र, टेबल, सूचियां कहां स्थित हैं, और फिर यह निर्धारित करने के लिए कि वे एक-दूसरे के साथ कैसे बातचीत करते हैं। दूसरे, दस्तावेज विभिन्न भाषाओं में हो सकते हैं। इसका मतलब यह है कि विभिन्न प्रकार के लेखन का पता लगाने और शब्दों और पात्रों को पहचानने की क्षमता का समर्थन करना आवश्यक है जो एक दूसरे से बहुत अलग हो सकते हैं। तीसरे, चित्र वास्तविक दुनिया से हमारे पास आते हैं, जिसका अर्थ है कि उनके साथ कुछ भी हो सकता है। वे विकृत हो सकते हैं, गलत दृष्टिकोण के साथ फोटो खिंचवा सकते हैं, उनके पास कॉफी के दाग, प्रिंटर से लकीरें और फिर स्कैनर से हो सकते हैं। यह सब बाद में जानकारी निकालने के लिए किसी तरह प्रबंधित किया जाना चाहिए।

छवि मान्यता हमारे साथ कैसे काम करती है? पहले चरण में, हम चित्र प्राप्त करते हैं और संसाधित करते हैं। दस्तावेज़ को समतल किया गया है, विकृतियों को ठीक किया गया है। फिर पृष्ठ संरचना का विश्लेषण किया जाता है, इस स्तर पर ब्लॉकों के प्रकार पाए जाते हैं और निर्धारित होते हैं। जब ब्लॉकों को परिभाषित किया जाता है, तो पंक्तियों या स्तंभों को गठबंधन किया जाता है, आप इन पंक्तियों को शब्दों और प्रतीकों में विभाजित कर सकते हैं - उदाहरण के लिए, काले रंग के वितरण के ऊर्ध्वाधर और क्षैतिज हिस्टोग्राम द्वारा।



इस प्रकार, यह निर्धारित करना संभव है कि प्रतीकों और शब्दों की सीमाएं कहां हैं, और फिर पहचानें कि ये प्रतीक और शब्द क्या हैं। अंत में, मान्यता प्राप्त ब्लॉकों को एकल पाठ दस्तावेजों में संश्लेषित किया जाता है और निर्यात किया जाता है।

आप इस प्रक्रिया को विभिन्न स्तरों की संस्थाओं के दृष्टिकोण से देख सकते हैं। पहले हमारे पास एक दस्तावेज है जो कि पृष्ठांकित है। फिर इन पन्नों को खंडों, खंडों में रेखाओं, शब्दों में लाइनों, शब्दों को वर्णों में विभाजित किया जाना चाहिए, और फिर इन वर्णों को मान्यता दी जानी चाहिए। उसके बाद, हम पहचाने गए वर्णों को शब्दों में, शब्दों को लाइनों में, ब्लॉकों को लाइनों में, पन्नों में ब्लॉक, पृष्ठों को एक दस्तावेज़ में इकट्ठा करते हैं। इसके अलावा, रास्ते में, प्रारंभिक विभाजन भिन्न हो सकते हैं। सबसे सरल उदाहरण यह है कि यदि आरंभिक रूप से टूटे हुए ब्लॉक समान संख्या वाली सूची से संबंधित हैं, इसलिए उन्हें अंततः समान सूची वाले प्रकार के ब्लॉक से संबंधित होना चाहिए। दूसरे शब्दों में, मान्यता की गुणवत्ता में सुधार के लिए आसन्न चरण एक-दूसरे को प्रभावित कर सकते हैं।

दस्तावेज़ को मान्यता दी गई थी, फिर आपको उससे जानकारी निकालने की आवश्यकता है। दस्तावेजों को अधिक संरचित और कम संरचित लोगों में विभाजित किया जा सकता है। अधिक संरचित में व्यवसाय कार्ड, चेक, चालान शामिल हैं। कम संरचित में पावर ऑफ अटॉर्नी, चार्टर्स, पत्रिकाओं में लेख शामिल हैं। यदि दस्तावेज़ का प्रकार तय हो गया है, तो यह कम या ज्यादा संरचित है और इस प्रकार के दस्तावेज़ संरचना में एक दूसरे से बहुत कम भिन्न होते हैं, आप ऐसे तरीकों को लागू कर सकते हैं जो पाठ और ग्राफिक विशेषताओं का उपयोग करके पाठ दस्तावेज़ से आवश्यक विशेषताओं को सीधे निकालना सीखते हैं। उदाहरण के लिए, आवर्तक तंत्रिका नेटवर्क का उपयोग करके, आप चालान से उत्पाद आइटम निकाल सकते हैं। चालान दस्तावेज हैं जिसमें माल की स्थिति और इन सामानों के भुगतान के तरीकों का विवरण प्रस्तुत किया जाता है।



एक और उदाहरण जाँच है। दृढ़ तंत्रिका नेटवर्क का उपयोग करके, आप एकल विशेषताओं को प्राप्त कर सकते हैं, जैसे टिन, चेक संख्या, दिनांक-समय, कुल स्कोर। स्पष्ट रूप से, दोनों तरीकों और जाँचों का उपयोग चेक और चालान में किया जाता है, लेकिन विभिन्न उद्देश्यों के लिए। संवेदी तंत्रिका नेटवर्क एकल विशेषताओं के लिए अच्छे होते हैं जिनमें किसी प्रकार की स्थिति होती है, और बार-बार तत्वों के लिए आवर्तक नेटवर्क होते हैं।



यदि दस्तावेज़ कम संरचित हैं, तो प्राकृतिक भाषा प्रसंस्करण, प्राकृतिक भाषा प्रसंस्करण, या एनएलपी विधियाँ खेल में आती हैं। क्यों मुश्किल है? मैंने पहले से ही शब्दों के पुलिस के बारे में बात की थी। उदाहरण के लिए, शब्द का पता किसी कंपनी के पते का मतलब हो सकता है, या इसका मतलब कुछ ग्राहकों की समस्याओं को हल करने की उसकी प्रतिबद्धता हो सकता है।


इसके अलावा, ग्रंथों को अक्सर छोड़ दिया जाता है, लेकिन शब्द निहित होते हैं। जानकारी निकालने के लिए, आपको इन लापता शब्दों को पुनर्प्राप्त करने की आवश्यकता है। भाषाविज्ञान में इस प्रभाव को "दीर्घवृत्त" कहा जाता है।

भाषा विविध है, और आमतौर पर एक और एक ही विचार व्यक्त करने के अनगिनत तरीके हैं। स्वचालित रूप से ग्रंथों को संसाधित करने के लिए, किसी तरह इस परिवर्तनशीलता को कम करना आवश्यक है: एक शब्द या अभिव्यक्ति को बदलने के लिए समानार्थक शब्द और इसी तरह के निर्माण का उपयोग; शब्दों की क्रमबद्धता या व्याकरणिक आवाज़ का परिवर्तन। उदाहरण के लिए, "कंपनियों ने एक समझौते का समापन किया" और "कंपनियों के बीच एक समझौता किया गया था" उसी बात को कहने के लिए। पर्यायवाची के मामले में, कोई तथाकथित शब्दार्थ स्थान का परिचय दे सकता है, एक सदिश स्थान जिसमें शब्दों को डॉट्स के रूप में दर्शाया जाता है। क्लोज़ पॉइंट्स संबंधित अवधारणाओं को दर्शाते हैं, दूर के बिंदु अधिक दूर अवधारणाओं को दर्शाते हैं। योगों की परिवर्तनशीलता को कम करने के लिए, आप वाक्यात्मक और अर्थपूर्ण पार्स पेड़ों को पेश कर सकते हैं। इस मामले में, एक समान समस्या भी हल हो गई है, और सूचना निष्कर्षण एल्गोरिथ्म जानकारी निकालने में सक्षम है, भले ही यह निर्माण या शब्दों का सामना करता हो जो पहले प्रशिक्षण सेट में नहीं पाए गए थे।

जानकारी कैसे निकाली जाती है? पहले चरण में, दस्तावेज़ का एक शाब्दिक विश्लेषण किया जाता है। पाठ को पैराग्राफ, वाक्यों में पैराग्राफ, शब्दों में वाक्यों में विभाजित किया गया है। यह तुच्छ नहीं हो सकता है: आप में से जो एनएलपी से परिचित हैं, उन्हें पता हो सकता है कि वाक्यों में पाठ को तोड़ना इतना आसान काम भी मुश्किल हो सकता है: डॉट्स हमेशा एक वाक्य के अंत का संकेत नहीं देते हैं। ये अज्ञात परिप्रेक्ष्य हो सकते हैं, इसलिए, शाब्दिक विश्लेषण में, हम वाक्यों को शब्दों में तोड़ने के लिए सभी संभव विकल्पों को छाँटने की कोशिश करते हैं और सबसे संभावित छोड़ देते हैं। यह समस्या, एक नियम के रूप में, हम उन भाषाओं में मुठभेड़ करते हैं जिनमें एक छोटी संख्या या रिक्त स्थान की पूर्ण अनुपस्थिति, जैसे कि जापानी या चीनी। या जिनके पास एक समृद्ध शब्द गठन है। यह, उदाहरण के लिए, जर्मन जैसी भाषा है: इसमें बहुत लंबे शब्द हैं जो कई शब्दों से मिलकर बने होते हैं (ऐसे शब्दों को कंपोजिट कहा जाता है)। इसके अलावा, इन सभी शब्दों के लिए, सभी संभावित व्याख्याओं की गणना की जाती है। उदाहरण के लिए, यदि "जी" टेक्स्ट में बिंदी के साथ दिखाई देता है, तो इसका मतलब बहुत हो सकता है: शहर, वर्ष, चना, प्रभु और यहां तक ​​कि चौथा पैराग्राफ (ए, बी, सी, डी)।



तब विभाजन किया जाता है, अर्थात्, हमारे लिए ब्याज के वर्गों की खोज। इसका निर्माण विभिन्न कारणों से किया जाता है, उदाहरण के लिए, दस्तावेज़ प्रसंस्करण में तेजी लाने या ऐसी जानकारी प्राप्त करना जो हमें रुचिकर लगे; पार्टी के दायित्वों का वर्णन करने वाले दस्तावेज़ के कुछ टुकड़े को खोजने के लिए। या यह प्रसंस्करण का एक त्वरण है, उदाहरण के लिए, हमारे दस्तावेज़ में विशेष रूप से उन्नत मामलों में कई दसियों या यहां तक ​​कि सैकड़ों पृष्ठ शामिल हो सकते हैं, जबकि दिलचस्प जानकारी केवल कुछ पृष्ठों में निहित है। विभाजन आपको इन दिलचस्प टुकड़ों को खोजने और केवल उनका विश्लेषण करने की अनुमति देता है। फिर, दस्तावेज़ का एक अर्थपूर्ण विश्लेषण किया जा सकता है या नहीं किया जा सकता है, यह कार्य पर निर्भर करता है, और इस स्तर पर खोज वाक्य की सर्वोत्तम व्याख्याओं, दस्तावेज़ के सभी वाक्यों या केवल उन लोगों के लिए बनाई गई है जिन्हें हमने पिछले चरण में पाया था। क्लासिफायर के लिए शब्दार्थ सुविधाएँ भी अगले चरण में उत्पन्न होती हैं।

अंत में, विशेषताओं के प्रत्यक्ष निष्कर्षण का चरण। मशीन-प्रशिक्षित मॉडल यहां उपयोग किए जाते हैं या सरल पैटर्न लिखे जाते हैं। एक तरह से या किसी अन्य, वे पिछले चरणों द्वारा उत्पन्न संकेतों पर भरोसा करते हैं। ये संरचनात्मक विशेषताएं हैं, दोनों शाब्दिक और अर्थ। कार्य की जटिलता के आधार पर, हम कई अलग-अलग तरीकों का उपयोग करते हैं: मशीन सीखने के तरीके और टेम्पलेट लेखन के तरीके। इस स्तर पर, हम उन विशेषताओं की तलाश कर रहे हैं जो हमारी रुचि रखते हैं। यह पार्टियों, दायित्वों, हस्ताक्षर करने की तारीख आदि के नाम हो सकते हैं।

अंत में, कुछ विशेषताओं को पोस्ट-प्रोसेसिंग की आवश्यकता हो सकती है। सामान्य रूप में लाना या डेट टेम्प्लेट में कास्टिंग करना। कुछ विशेषताओं को सिद्धांत रूप में गणना की जा सकती है, उन्हें अनुबंध से नहीं निकाला जाता है, लेकिन उन विशेषताओं के आधार पर गणना की जाती है जिन्हें अनुबंध से निकाला जाता है। उदाहरण के लिए, कार्रवाई की शुरुआत और उसके अंत के आधार पर अनुबंध की अवधि।

इस परिदृश्य में से एक पर विचार करें, इसे "कानूनी इकाई के साथ खाता खोलना" कहा जाता है। चुनौती क्या है? एक कानूनी इकाई, या बल्कि, इसका प्रतिनिधि, बैंक में आता है और दस्तावेजों का भारी ढेर लाता है। एक अच्छे मामले में, उसने पहले ही इन दस्तावेजों को स्कैन कर लिया है, लेकिन यह स्पष्ट नहीं है कि किस गुणवत्ता के साथ है। प्रक्रिया का अनुकूलन करने के लिए, सिस्टम में इस जानकारी को दर्ज करने में त्रुटियों की संख्या को कम करें, इस प्रक्रिया को गति दें, और इसलिए, निर्णय लेने में तेजी लाने और ग्राहक वफादारी बढ़ाने के लिए, निम्नलिखित योजना प्रस्तावित की गई थी:



विभिन्न दस्तावेजों में, जिसमें विभिन्न प्रकार के बहुत सारे दस्तावेज़ शामिल हैं, पहले स्कैन किए जाते हैं, फिर उन्हें पहचाना जाता है। इसके अलावा, मान्यता के बाद, उन्हें विभिन्न प्रकारों द्वारा वर्गीकृत किया जाता है, और प्रकार के आधार पर, जानकारी को पहचानने और निकालने के लिए विभिन्न एल्गोरिदम का उपयोग किया जा सकता है। फिर यह निकाले गए जानकारी, यदि आवश्यक हो, सत्यापन के लिए लोगों को भेजा जाता है, और उसके बाद निर्णय लेना संभव है: एक खाता खोलें, या कुछ अन्य अतिरिक्त दस्तावेजों की आवश्यकता है। इस निर्णय का मुख्य परिणाम खाता खोलते समय डेटा प्रविष्टि की लागत को आधा करना है। हमारे ग्राहक के माप के आधार पर परिणाम।

आपको किन विशेषताओं को पुनः प्राप्त करने की आवश्यकता है? बहुत सारी चीजें। मान लीजिए हमारे पास किसी तरह का चार्टर आ रहा है। पहले हम इसे पहचानते हैं। जैसा कि हम याद करते हैं, यह काफी समस्याग्रस्त हो सकता है अगर यह स्कैन या फोटोग्राफ है। फिर हम दस्तावेज़ के प्रकार का निर्धारण करते हैं, और यह महत्वपूर्ण है क्योंकि हमें जो जानकारी चाहिए वह एक विशिष्ट अध्याय या उप-खंड में निहित हो सकती है, और इसलिए जब यह अध्याय या उपखंड शुरू होता है या समाप्त होता है, तो ज्ञान निष्कर्षण एल्गोरिदम में बहुत मदद करता है।



फिर मशीन उन सभी मूलभूत संस्थाओं को पुनः प्राप्त करती है जो उस तक पहुँच सकती हैं:



यह आवश्यक है ताकि विशेषताओं को निकालने या भूमिकाओं को परिभाषित करने के अगले चरण में, एल्गोरिथ्म न केवल संदर्भ का उपयोग कर सके, बल्कि पिछले चरणों में उत्पन्न की गई विशेषताओं का भी उपयोग कर सके। उदाहरण के लिए, यह निर्धारित करने के कार्य को बहुत सरल कर सकता है कि कानूनी इकाई का निदेशक कौन है, जानकारी है कि यह किसी प्रकार का व्यक्ति है। तदनुसार, दस्तावेज़ में दिखाई देने वाले व्यक्तियों के सेट के बीच, हमें उन्हें, निर्देशक को या निदेशक को वर्गीकृत नहीं करना चाहिए। जब हमारे पास सीमित संख्या में ऑब्जेक्ट होते हैं, तो यह कार्य को सरल करता है।

पिछले दो वर्षों में, हमने ग्राहकों के कई और कार्यों का सामना किया है और उन्हें सफलतापूर्वक हल किया है। उदाहरण के लिए, कॉर्पोरेट जोखिमों के लिए मीडिया की निगरानी।



यहां व्यवसाय चुनौती क्या है? उदाहरण के लिए, आपके पास एक संभावित साथी या ग्राहक है जो आपसे ऋण लेना चाहता है। इस ग्राहक के डेटा के प्रसंस्करण में तेजी लाने और एक खराब साझेदारी या इस कानूनी इकाई के भविष्य के दिवालियापन के जोखिम को कम करने के लिए, यह सुझाव दिया जाता है कि मीडिया को इस व्यक्ति या कानूनी इकाई के संदर्भ में और समाचार में तथाकथित जोखिम संकेतकों की उपस्थिति के लिए निगरानी की जाए। अर्थात्, यदि, उदाहरण के लिए, समाचार में यह लगातार पॉप अप करता है कि कानूनी कार्यवाही में एक कानूनी इकाई शामिल है या एक कंपनी शेयरधारक संघर्ष से टूट गई है, तो विश्लेषकों या विश्लेषणात्मक प्रणाली को यह जानकारी देने के लिए पहले से इसके बारे में पता लगाना बेहतर है और यह समझना कि यह आपके व्यवसाय के लिए कितना बुरा या अच्छा है। । इस समस्या को हल करने का परिणाम उधारकर्ता के बारे में अधिक पूर्ण और सटीक जानकारी प्राप्त करना है, और इस जानकारी को प्राप्त करने के लिए समय की मात्रा भी कम हो जाती है।



एक आवेदन का एक और उदाहरण जिसमें दिनचर्या की मात्रा और त्रुटियों की संख्या को कम करना आवश्यक है, जब सिस्टम में जानकारी दर्ज करना अनुबंधों से डेटा का निष्कर्षण है। यह प्रस्तावित है कि अनुबंध पहचानें, उनसे जानकारी निकालें और सिस्टम में तुरंत भेजें। उसके बाद, कार्मिक विभाग धन्यवाद देता है और हर बैठक में आपका हार्दिक स्वागत करता है।


आने वाले प्रलेखन के साथ न केवल मानव संसाधन विभाग बहुत सारे नियमित काम करता है, बल्कि लेखा विभाग, बिक्री विभाग और क्रय विभाग भी होता है। कर्मचारियों को इनवॉयस, इनकमिंग एक्ट्स इत्यादि की जानकारी दर्ज करने में काफी समय देना पड़ता है।



वास्तव में, इन सभी दस्तावेजों को संरचित किया जाता है, और इसलिए उन्हें पहचानना और उनसे जानकारी निकालना आसान होता है। डेटा प्रविष्टि की गति 5 गुना तक बढ़ जाती है, और त्रुटियों की संख्या कम हो जाती है, क्योंकि मानव कारक को बाहर रखा गया है। सशर्त रूप से, यदि कोई कर्मचारी दोपहर के भोजन के बाद लौटा, तो वह असावधानी से डेटा दर्ज करना शुरू कर सकता है। हमारे अपने माप और उद्योग, जो एक तरह से या किसी अन्य सिस्टम में सूचनाओं के मैनुअल इनपुट में लगे हुए हैं, यह सुझाव देता है कि यदि कोई व्यक्ति किसी दस्तावेज़ से डेटा दर्ज करता है, और इसे निरंतर आधार पर करता है और एक स्ट्रीम में, वह शायद ही कभी 95% से अधिक की गुणवत्ता प्राप्त करता है, और अधिक बार और 90% से अधिक। इसलिए, एक व्यक्ति को एक मशीन के पीछे की तुलना में दोगुना, गिनने की आवश्यकता है।

इसके अलावा, यदि मशीन किसी प्रकार के आत्मविश्वास का आकलन करती है, जो उसने नहीं निकाला है - उदाहरण के लिए, कुछ दस्तावेज़ गंदे हो सकते हैं - और मशीन को यकीन नहीं है कि उसने ऐसा किया है, लेकिन यह सत्यापनकर्ता को संकेत दे सकता है कि यह इस परिणाम के बारे में सुनिश्चित नहीं है : "कृपया डबल-चेक करें।" और एक व्यक्ति व्यक्तिगत जानकारी को दोहराता है ताकि यह उच्च गुणवत्ता का हो। यह ऐसा नियमित ऑपरेशन नहीं है: वह केवल वास्तव में महत्वपूर्ण और कठिन क्षणों की जांच करता है, उसकी आँखें धुंधली नहीं होती हैं।

यदि दस्तावेजों से जानकारी निकाली जा सकती है, तो इस जानकारी की तुलना की जा सकती है।



यह दो मामलों में महत्वपूर्ण है। सबसे पहले, एक दस्तावेज़ के विभिन्न संस्करणों की तुलना करने के लिए, उदाहरण के लिए, एक अनुबंध जो लंबे समय से सुसंगत रहा है, दोनों पक्षों द्वारा इसमें लगातार संशोधन किए जा रहे हैं। दूसरे, यह विभिन्न प्रकार के दस्तावेजों की तुलना है, उदाहरण के लिए, यदि कोई समझौता है जो इंगित करता है कि हमारे साथी से क्या आना चाहिए, दूसरी ओर, अलग-अलग चालान और रिपोर्ट, अनुमान, आदि हैं। हमें उन्हें सहसंबद्ध करने और यह समझने की आवश्यकता है कि सब कुछ क्रम में है, और यदि क्रम में नहीं है, तो किसी तरह जिम्मेदार लोगों को संकेत दें।

कंप्यूटर दृष्टि में प्रौद्योगिकी का वर्तमान विकास, संरचित और असंरचित दस्तावेजों का प्रसंस्करण इतना अधिक है कि अब भी और आने वाले वर्षों में कंपनियों में दिनचर्या प्रक्रियाओं का एक डिजिटल परिवर्तन होगा, क्योंकि यह सस्ता, तेज और अक्सर बेहतर होता है।

इसके अलावा, ये सभी तरीके लोगों को बदलने के इरादे से नहीं हैं। बल्कि, मुझे एक्सेल टूल के साथ तुलना का उदाहरण पसंद है, जिसमें आप बहुत कुछ कर सकते हैं और इस टूल का उद्देश्य विश्लेषकों, प्रबंधकों या किसी और को बदलना नहीं है। यह मानव क्षमताओं का विस्तार करने और उसके लिए कार्यों के समाधान को सरल बनाने के लिए बनाया गया है।



इस प्रकार, कृत्रिम बुद्धिमत्ता से संबंधित समाधान भी दोहराए जाने वाले नियमित संचालन की संख्या को कम करने के लिए डिज़ाइन किए गए हैं, जिसमें एक व्यक्ति अक्सर कंपनी के संसाधनों को उतारने के लिए मशीन से अधिक गलतियां करता है और उन्हें अधिक रचनात्मक और बौद्धिक कार्यों को हल करने के लिए निर्देशित करता है। और ऐसा लगता है कि हम वहां पूरी भाप में घूम रहे हैं। आपका धन्यवाद