A Microsoft szerint így csökkenthető a dokumentumfeldolgozás emberi terhe
A Microsoft egy nagy biztosítónál a dokumentumokból kinyert adatok eredetének visszakövetésével és bizalmi pontszámokkal irányította az emberi ellenőrzést. A vállalat szerint a megoldás közel 50 százalékkal csökkentette az ellenőrzési terhet, a nyomtatványok bevezetése pedig 75 százalékkal gyorsult.
- A Microsoft szerint közel 50 százalékkal csökkent az emberi ellenőrzés terhe.
- A nyomtatványok bevezetése 75 százalékkal gyorsult a biztosítói folyamatban.
- A grounding visszakapcsolja a kinyert adatot az azt alátámasztó dokumentumrészhez.
- A bizalmi pontszám 0 és 1 közötti, külön modell által előállított érték.
- A pontszámokat az ügyfelek saját, ellenőrzött dokumentumaikon kalibrálhatják.
Az érték akkor keletkezik, amikor az adat műveletet indít
A Microsoft Foundry 2026. október 14-én közzétett bejegyzése szerint a dokumentumok mesterséges intelligenciával történő beolvasása önmagában csak a folyamat egyik része. A kinyert értékek később számlafizetést, szabályzatnyilvántartás-frissítést vagy egy kárügy továbblépését is elindíthatják. Ilyenkor az alkalmazásnak azt is tudnia kell, honnan származik az adat, és mennyire bízhat benne.
A Microsoft Forward Deployed Engineering csapata egy nagy biztosítótársasággal közösen vizsgálta, hogyan használható erre az Azure Content Understanding osztályozása, adatkinyerése, grounding funkciója és bizalmi pontszáma. A vállalat közlése szerint a megoldás a korábbi rendszerekhez képest közel 50 százalékkal mérsékelte az emberi ellenőrzés terhét, miközben a nyomtatványok bevezetése 75 százalékkal gyorsult. Az eredményekhez 97 százalék feletti oldalszintű osztályozási pontosság, valamint a kockázatosabb eredményekre irányított emberi ellenőrzés járult hozzá.
A grounding megmutatja, honnan származik az érték
A grounding egy strukturáltan kinyert adatot visszakapcsol a dokumentum azon részéhez, amely alátámasztja. Ha például a rendszer egy számlán 14 228,02 dolláros végösszeget talál, a funkció megmutatja a kapcsolódó dokumentumtartalmat is.
Ez lehetővé teszi, hogy az ellenőrzést végző személy közvetlenül lássa az eredmény bizonyítékát, az alkalmazás együtt vizsgálja az értéket és annak forrását, valamint a vállalat nyomon követhető ellenőrzési láncot vezessen az üzleti rekordtól az eredeti oldalig. A Microsoft szerint a groundingot a legújabb kiadásban mélyebben beépítették a kinyerési folyamatba. Ennek eredményeként az átlagos következtetési tokenfelhasználás legfeljebb 28 százalékkal csökkent, a pontosság pedig javult.
A bizalmi pontszám kockázati rangsorként működik
Az Azure Content Understanding támogatott kinyert mezőihez 0 és 1 közötti bizalmi pontszám tartozhat. Ez nem a nyelvi modell saját bizonyosságérzete. A Microsoft külön bizalmi modellt használ, amelyet a helyes és hibás kinyerésekhez kapcsolódó mintázatok felismerésére tanítottak. A vállalat szerint a legutóbbi frissítés legfeljebb 14 százalékkal javította a pontszámok pontosságát az AUROC mérőszámmal mérve.
A modell figyelembe veszi a dokumentumot és a bizonyítékot, a mező típusát és helyét, a rendelkezésre álló címkézett példákat, valamint a kinyerés diagnosztikai jeleit. Ugyanaz az érték eltérő pontszámot kaphat attól függően, hogy önálló mezőben, táblázatban vagy összetett objektumban szerepel.
A bizalmi modell Microsoft által összeállított adatokon készül, nem az ügyfelek adatain. Közös szolgáltatásszintű modellről van szó, amelyet a Microsoft időről időre frissít. Az ügyfelek nem tanítják újra a modellt, saját, ember által ellenőrzött példáikon viszont kalibrálhatják, hogy az egyes pontszámok mit jelentenek a saját dokumentumaik esetében.
Az emberi ellenőrzés célzottabbá válhat
A biztosítói folyamatban a Content Understanding először dokumentumtípus szerint osztályozta és szegmentálta a beérkező oldalakat. Ezután a megfelelő osztályozó azonosította a nyomtatvány verzióját, a hozzá tartozó elemző pedig kinyerte a mezőket. A nagy dokumentumkatalógus miatt az osztályozást több, két szintre osztott elemzővel végezték.
A Microsoft szerint a Content Understanding v1 az osztályozásokhoz még nem ad vissza bizalmi pontszámot, ezért ezeket továbbra is embernek kellett ellenőriznie. Ahol rendelkezésre állt a dokumentumtípushoz és a kinyerési beállításokhoz illesztett kalibráció, a mezőszintű szabályok prioritási címkéket helyeztek el a human-in-the-loop, vagyis emberi ellenőrzést tartalmazó eszközben.
A biztosítási adatok érzékenysége miatt minden mezőt továbbra is ember ellenőrzött, a címkék csak a figyelem irányítását szolgálták. Kevésbé érzékeny munkafolyamatokban ugyanezek a kalibrált szabályok lehetővé tehetik a megjelöletlen értékek közvetlen továbbítását. A Microsoft hangsúlyozza, hogy a küszöbértékeket valós, reprezentatív és ember által ellenőrzött dokumentumok alapján kell kialakítani, mivel egy globális bizalmi pontszám önmagában nem jelent minden üzleti folyamatra érvényes döntési szabályt.
Microsoft Foundry: From extraction to action: Using grounding and confidence to build reliable document workflows
