Към съдържанието
ИИ9 мин

Четене на документи с ИИ: от личната карта и банковото извлечение до досието, без ръчно въвеждане

От · съосновател и Chief Executive Officer на Hábil ·

Как да автоматизирате въвеждането на документи с ИИ: лични карти, документи за адрес и извлечения, с доверие по поле, преглед и контрол.

За 1 минута

Днес ИИ може да прочете лична карта, документ за адрес или банково извлечение и да въведе данните в системата, без никой да ги пише. Това е лесната част. Онова, което отличава надеждното въвеждане от въвеждането, което създава проблеми, е какво става след четенето: всяко данно да се сравни с друг източник, да се отбележи прочетеното не добре и да се прати на човек, вместо празното място да се запълни с нещо, което изглежда вярно. Тази статия обяснява как да изисквате това от всеки проект за въвеждане с ИИ.

Представете си компания, която всяка седмица отваря стотици досиета на нови клиенти. Тя е измислена, но прилича на много други. Всяко досие съдържа лична карта, документ за адрес и банково извлечение, а в този пример те пристигат като снимки от телефон: някои изкривени, с отблясъци или отрязани. Екип от четирима души ги отваря едно по едно и преписва данните в системата.

Ръководството гледа демонстрация: ИИ прочита примерна лична карта и попълва видимите данни — име, адрес и дата на раждане. Някой задава естествения въпрос: „значи вече не ни трябва ръчно въвеждане?“.

Краткият отговор е, че писането престава да бъде работата, но работата не изчезва — тя се премества. Тази статия е за онзи, който ще одобрява такъв проект. Тя защитава една идея: четенето е лесната част; трудното е да сравните, да отбележите съмнителното и да не запълвате тихомълком празнините, като човек одобрява всичко, което движи пари.

Защо четенето не е същото като доброто въвеждане

Човек, който въвежда документ, прави три неща едновременно, без да се замисля: чете, забелязва, когато нещо не е ясно, и пита, преди да измисли. ИИ се справя много добре с първото. Другите две трябва да бъдат проектирани.

Има два начина да се сгреши. При разпознаването на символи — по-простият: грешно разпозната цифра или липсващо данно. А когато процесът използва генеративен ИИ, за да тълкува или допълва документа — по-деликатният: профилът за генеративен ИИ на NIST, институтът за стандарти на Съединените щати, нарича конфабулация създаването на невярно или грешно съдържание, изказано с увереност, което разговорно се нарича „халюцинации“ [1]. В документ това изглежда така: последната цифра на номер на сметка е размазана на снимката и вместо да я остави празна, системата слага една. Досието изглежда пълно. Грешката излиза наяве седмици по-късно, когато превод се върне. И в двата случая правилото е едно и също: нищо не се допълва тихомълком, а изключението отива за преглед.

Затова полезният въпрос пред демонстрацията не е „чете ли добре?“, а „какво прави, когато не чете добре?“.

Какво се изисква от проект за въвеждане с ИИ

1. Всяко данно да казва колко е сигурно

Няколко услуги за четене на документи на големите облачни доставчици връщат оценка на доверието за определени предсказания, като дума или извлечено поле: колко вероятно е да е прочетено правилно. Документацията на Microsoft казва, че там, където точността е критична, това доверие помага да се реши дали данното да се приеме автоматично, или да се отбележи за преглед от човек, и предупреждава, че не всички полета връщат такава оценка [2]. Тази на Amazon препоръчва да се определи минимален праг и под него резултатът да се отхвърли или да се отбележи за по-внимателен преглед от човек [3].

Преди да проектирате процеса, си струва да проверите какви оценки връща доставчикът за вашите документи. На тази основа проектът трябва да може да каже, поле по поле, какво доверие изисква, преди да приеме данно самостоятелно, и то не е задължително да е еднакво за всичко: номерът на сметката иска повече от квартала. И още нещо: тази оценка мери четенето, а не дали документът е автентичен, валиден или съвпада с друг източник. Това се проверява отделно.

2. Да сравнява, преди да приеме

Доброто четене не доказва, че данното е вярно, нито че документът е на този, който го представя. Добре прочетена лична карта може да е изтекла; добре прочетен адрес може да не съвпада с този в документа за адрес. Насоките на NIST за проверка на самоличността разделят отделни контроли: да се потвърди, че документът е истински и автентичен, да се потвърди, че данните в него са верни, и когато процесът го изисква, да се потвърди, че този, който го представя, е неговият титуляр [4]. Всеки контрол отговаря на различен въпрос.

В едно досие кръстосаната проверка означава да зададете въпроси като тези:

  • Името в личната карта същото ли е като в банковото извлечение?
  • Адресът в документа за адрес съвпада ли с посочения от клиента?
  • Датата на документа за адрес попада ли в срока, който изисква вашата политика?
  • Данните от личната карта съвпадат ли с това, което казва официалният източник, проверяван от вашия процес?

Всеки отговор, който не се връзва, е изключение, а не грешка, която някой поправя тайно.

3. Празното място да остане празно

Ако едно данно не е прочетено, системата трябва да го остави празно и да каже защо: „нечетливо“, „отрязано“, „липсва в документа“. Попълването му с най-вероятната стойност спестява минута днес и струва изясняване утре. Това правило си струва да се запише в договора за проекта, а не да се оставя на преценката на когото и да е.

4. Човек да вижда само важното

Целта не е никой да не гледа досиетата. Целта е екипът да спре да преписва и да се заеме с онова, което наистина иска преценка: това, което не се е вързало, прочетеното с ниско доверие и останалото празно. Ако ИИ прочита добре повечето документи, този екип вече не прекарва деня в писане, а в решаване на съмнителните случаи.

А всичко, което движи пари — откриване на кредитна линия, освобождаване на плащане, смяна на сметка за плащания, — се одобрява от човек, дори всички данни да са се вързали.

5. Да остане запис от прегледа

За всяко данно в досието би трябвало да може да се види от кой документ идва, с какво доверие е прочетено, с какво е сравнено и кой го е одобрил, ако е минало през преглед. Без тази следа, когато едно данно се окаже грешно, няма как да се разбере дали е сбъркала снимката, четенето, правилото или човекът.

Личните данни не са подробност

Личната карта и банковото извлечение съдържат лични данни, а извлечението — и финансови данни. Мексиканският федерален закон за защита на личните данни, притежавани от частни лица, обнародван в Държавен вестник на 20 март 2025 г., изисква от администратора да спазва, наред с други, принципите на ограничение в целите и пропорционалност и посочва, че финансовите или имуществените данни изискват изрично съгласие на техния титуляр, освен в изключенията, предвидени в самия закон [5]. Какво уведомление, какво съгласие и какви контроли се прилагат за вашия процес, потвърждава вашият правен отдел преди старта; тази статия не го замества.

За проект за въвеждане това води до въпроси, на които вашият правен отдел, отделът по сигурност и операциите трябва да могат да отговорят:

  • За какво се използва всяко извлечено данно и нужно ли е всичко, което се извлича?
  • Къде се обработват документите и кой може да ги вижда?
  • Колко време се пазят изображенията след въвеждането?

Сред проектните контроли, които си струва да оцените, е маскирането на личните данни в техническите журнали и на екраните на онези, на които не са им нужни. Пример с измислени данни: на екрана за преглед екипът вижда „Ana Ejemplo Prueba“ и „CURP (ключ в регистъра на населението): [измислено данно, маскирано]“; пълният ключ го вижда само този, на когото му трябва, за да одобри.

Преди да го отворите за всички

Изпробвайте въвеждането с извадка от скорошни досиета. Прегледайте отделно полетата с най-голям риск — самоличност, сметка и адрес — и пребройте три неща: колко досиета са минали без намеса, колко са отишли за преглед и защо, и колко данни, приети без преглед, е трябвало да се поправят после. Последното число не излиза в демонстрацията: научава се само като прегледате ръчно част от приетото самостоятелно от системата. Пълният метод за определяне на изходната точка, извадката и критерия за разширяване е в Пилотният проект с ИИ мина добре на демонстрацията.

Вашата първа диагностика на досиетата

Вземете петдесет скорошни досиета и отбележете за всяко кое данно е липсвало или не се е вързало, кое поле е изисквало преглед и колко време е отнело на човека да го реши. С това имате изходна точка, с която да измервате всяко предложение, и списъка с правилата за изключения, с които си струва да започнете.

И преди да подпишете, задайте на доставчика два въпроса: какво прави системата, когато не може да прочете едно данно — оставя го празно или го попълва — и с какво сравнява всяко данно, преди да го приеме.

Какво прави Hábil

В Hábil изграждаме по мярка ИИ, който работи с данните и правилата на вашите системи.

Ако екипът ви прекарва часове в преписване във вашите системи на данни от лични документи, документи за адресна регистрация, банкови извлечения и фактури, предложението е в Hábil AI: автоматизирано въвеждане, при което ИИ извлича данните, а екипът ви се занимава само с изключенията. Ако става дума за клиенти, които откриват сметката си от телефона, проверяваме, че пред камерата има реален човек, сравняваме лицето му с личния документ и валидираме данните му в INE (националния избирателен институт) и RENAPO (националния регистър на населението); съмнителните случаи минават при човек от вашия екип. Всичко, което движи пари или данни, се изпълнява с одобрението на човек.

Разговорът може да започне с вашето преброяване на петдесетте досиета, дори да е наполовина. Заедно преглеждаме къде отива времето и откъде си струва да се започне.

Пишете ни в WhatsApp; за да защитим информацията, не споделяйте по този канал документи или данни на клиентите си. В разговора ще договорим канала за случая.

Поискайте първия си разговор, безплатно.

Консултирани на 18 ноември 2026 г. Всеки източник носи степента си на доверие: висока (прочетен първичен източник).

Източници

  1. NIST, „Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile“ (NIST AI 600-1, юли 2024 г.), риск 2.2: „Confabulation: The production of confidently stated but erroneous or false content (known colloquially as "hallucinations" or "fabrications") by which users may be misled or deceived“. Използва се доброволно. Отворен на живо на 18-ное-2026. Доверие: високо. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
  2. Microsoft Learn, Azure AI Document Intelligence, „Interpret and improve model accuracy and confidence scores“: „A confidence score indicates probability by measuring the degree of statistical certainty that the extracted result is detected correctly“, „For scenarios where accuracy is critical, confidence can be used to determine whether to automatically accept the prediction or flag it for human review“ и „Currently, not all document fields return a confidence score“. Документация на доставчик, цитирана като практика. Отворен на живо на 18-ное-2026. Доверие: високо. https://learn.microsoft.com/en-us/azure/ai-services/document-intelligence/concept/accuracy-confidence?view=doc-intel-4.0.0
  3. Amazon Web Services, Amazon Textract Developer Guide, „Best Practices“: „In applications that are sensitive to detection errors (false positives), enforce a minimum confidence score threshold. The application should discard results below that threshold or flag situations as requiring a higher level of human scrutiny“. Документация на доставчик, цитирана като практика. Отворен на живо на 18-ное-2026. Доверие: високо. https://docs.aws.amazon.com/textract/latest/dg/textract-best-practices.html
  4. NIST, „Digital Identity Guidelines: Identity Proofing and Enrollment“ (SP 800-63A, ревизия 4), сред стъпките на проверката на самоличността: „Evidence validation: Confirm that supplied identity evidence is genuine, authentic, and accurate“, „Attribute validation: Confirm the accuracy of the core attributes“ и „Identity verification: Confirm that the applicant is the genuine owner of the presented evidence and attributes“. Отворен на живо на 18-ное-2026. Доверие: високо. https://pages.nist.gov/800-63-4/sp800-63a.html
  5. Камара на депутатите (Мексико), „Ley Federal de Protección de Datos Personales en Posesión de los Particulares“, „Nueva Ley publicada en el Diario Oficial de la Federación el 20 de marzo de 2025“; последното изменение е обнародвано в Държавен вестник на 14-11-2025. Член 5: „El responsable deberá observar los principios de licitud, finalidad, lealtad, consentimiento, calidad, proporcionalidad, información y responsabilidad en el tratamiento de datos personales“; член 7: „Los datos financieros o patrimoniales requerirán el consentimiento expreso de la persona titular, salvo las excepciones a que se refieren los artículos 9 y 36 de la presente Ley“ (финансовите или имуществените данни изискват изричното съгласие на титуляра, освен в изключенията по членове 9 и 36). Отворен на живо на 18-ное-2026. Доверие: високо. https://www.diputados.gob.mx/LeyesBiblio/pdf/LFPDPPP.pdf