[論文レビュー] Intelligent Document Processing -- Methods and Tools in the real world

Graham A. Cutting, Anne-Françoise Cutting-Decelle|arXiv (Cornell University)|Dec 28, 2021

Currency Recognition and Detection被引用数 9

ひとこと要約

本稿は、インダストリー志向の実用的分析を通じて、知的文書処理（IDP）を提示し、実際の請求書やフォームにおけるOCR、文書分類、データ抽出の分野で商業的ツールを評価している。現在のシステムの限界、特に表の処理における課題を示しながらも、100％の正確性を求める産業界のニーズと最先端のAI研究との間のギャップを浮き彫りにし、商業的開発スケジュールと学術的進展の整合性に疑問を呈している。

ABSTRACT

The originality of this publication is to look at the subject of IDP (Intelligent Document Processing) from the perspective of an end-user and industrialist and not that of a Computer Science researcher. This domain is one part of the challenge of information digitalisation that constitutes the Industrial Revolution of the twenty first century (Industry 4.0) and this paper looks specifically at the difficult areas of classifying, extracting information and subsequent integration into business processes with respect to forms and invoices. Since the focus is on practical implementation a brief review is carried out of the market in commercial tools for OCR, document classification and data extraction in so far as this is publicly available together with pricing (if known). Brief definitions of the main terms encountered in Computer Science publications and commercial prospectuses are provided in order to de-mystify the language for the layman. A small number of practical tests are carried out on a few real documents in order to illustrate the capabilities of tools that are commonly available at a reasonable price. The unsolved (so far) issue of tables contained in invoices is raised. The case of a typical large industrial company is evoked where the requirement is to extract 100 per cent of the information with 100 per cent reliability in order to integrate into the back-end Enterprise Resource Planning system. Finally a brief description is given of the state-of-the-art research by the huge corporations who are pushing the boundaries of deep learning techniques further and further with massive computing and financial power - progress that will undoubtedly trickle down into the real world at some later date. The paper finishes by asking the question whether the objectives and timing of the commercial world and the progress of Computer Science are fully aligned.

研究の動機と目的

• 企業環境における実際の展開を想定した、商業的に利用可能なIDPツールの評価を目的とする。
• 特に表認識に注力した、請求書やフォームからの情報抽出における実務的課題を解決することを目的とする。
• ディープラーニング分野の学術的研究と、100％の正確性と信頼性を求める産業界の要件とのギャップを埋めることを目的とする。
• ビジネスおよびIT分野の非研究者向けに、技術用語をわかりやすく解説することを目的とする。
• IDPの出力をERPシステムに完全に信頼性を持って統合する可能性を評価することを目的とする。

提案手法

• 安価で商業的に入手可能なIDPツールを用いて、実際の文書を対象に実地テストを実施する。
• OCR、分類、データ抽出ツールに関する公開市場データをレビューし、利用可能な場合の価格情報を含める。
• 研究文書および商業文書で一般的に使用される用語の明確な定義を提供する。
• ERPのような企業のバックエンドシステムへの抽出データのエンドツーエンド統合に焦点を当てる。
• 特に請求書内の表を含む複雑な文書レイアウトにおけるツールのパフォーランスをベンチマークする。
• 産業界の要件とディープラーニング研究の現状の技術水準を対比する。

実験結果

リサーチクエスチョン

• RQ1 商業的に利用可能なIDPツールは、実際の請求書やフォームからのデータ抽出においてどれほど効果的か？
• RQ2 現在のIDPシステムにおける主な制限要因、特に表認識に関しては何か？
• RQ3 大規模な産業界企業のパフォーマンス要件は、現在のAI研究の能力とどの程度整合しているか？
• RQ4 ディープラーニング分野における商業的ツールと学術的研究は、開発スケジュールと目的においてどのように異なるか？
• RQ5 安価で即時利用可能なIDPツールは、エンドツーエンドのERP統合において100％の正確性と信頼性を達成できるか？

主な発見

• 現在の商業的IDPツールは、請求書における表抽出において顕著に困難を抱えており、解決がまだなされていない主要な課題である。
• 高度なツールでさえも、実際の展開においてERPシステムへの完全なデータ統合を100％の正確性と信頼性で達成できていない。
• 産業界の要件とディープラーニング分野における学術的進展との間には、顕著なギャップが存在し、産業界のニーズが利用可能な技術を上回っている。
• 市場のツールは価格とパフォーマンスにおいてばらつきがあるが、大規模かつミッションクリティカルな文書処理の要件を満たすものは存在しない。
• 研究文書と商業文書で使用される言語や用語は、専門外の理解を妨げる場合がある。
• 大手企業による最先端の研究は急速に進展しているが、近い将来に産業利用者にまで技術が流れ込む可能性は低い。