AI-OCRで輸出入書類の入力工数を約1/3削減、物流企業のデータ加工の工夫

読み取りの手がかりを座標ではなくキーワードに置いた選択が、この取り組みの土台になっています。多くのAI-OCRが採る座標指定の方式は、記載位置が固定された帳票なら強みを発揮しますが、明細行数が伸び縮みするInvoiceでは位置そのものがずれてしまいます。書類の「形」ではなく、そこに書かれた語を目印に情報を拾う方式へ切り替えたことで、非定型という前提を無理に定型へ押し込めずに済んだと考えられます。

読み取りの次に来るデータ加工までを同じ仕組みの中に含めた設計も、実運用を成り立たせた要因でしょう。品名や単価、数量、小計が1行に揃っていない明細を、ETL（複数システム間でデータを抽出・変換・連携する仕組み）で複数行から1行へ結合し、税関システムに登録できる形へ整える。請求書では、読み取った内容から該当する勘定科目を判定して情報を付加し、会計システムへ渡すデータを組み立てる。OCRの出力を人手で整え直す運用は現実的ではないという判断が、選定の条件そのものを「読み取り後まで面倒を見られるか」へと押し上げた点が興味深いところです。

精度改善の主導権を自分たちの側に残そうとした姿勢も見逃せません。学習モデルが作れても中身がブラックボックスであれば、どこをどう直せばよいか判断できない。この懸念を選定の条件に据え、文字を学習させるモジュールが用意された仕組みを選んだうえで、請求書処理では会計システムへの登録前に人が確認し、システムが提示した内容を修正した結果を学習へ戻す流れを組んでいます。誤読しやすい文字の置き換えをデータ加工側で吸収する運用も含め、精度を一度きりの導入成果ではなく、回し続ける対象として扱う設計になっています。