Optical Character Recognition (OCR)-teknik i FSI-kärnprocesser

Optisk teckenigenkänning (OCR) är den tekniska processen att känna igen och konvertera både handskrivna och tryckta tecken till redigerbar och sökbar data. Den har två primära funktioner:eliminera manuell datainmatning och extrahera information automatiskt . Om du till exempel vill digitalisera och redigera ett papperskontrakt kan du antingen ägna lång tid åt att skriva in dokumentet, eller så kan du använda en skanner/foto och OCR för att konvertera filen inom några sekunder till en handlingsbar fil.

OCR-teknik uppnår nu en mycket hög noggrannhetsnivå i karaktärsigenkänning , på över 99 %. Utmaningen idag är att lokalisera och extrahera data i tryckta eller skannade dokument genom att identifiera relevanta kombinerade informationssträngar som behöver extraheras. Detta är särskilt utmanande när det gäller ostrukturerade dokument och tabeller. Naturlig språkbehandling (NLP) och maskininlärning kan användas för att identifiera och extrahera data från dokument och direkt aktivera funktioner som annars inte skulle vara möjliga (d.v.s. korsvalidering eller summering av tal i tabeller). Många OCR-leverantörer använder redan dessa tekniker för att förbättra funktionaliteten hos OCR-verktygen de erbjuder.

I digitaliseringsprojekt används OCR-teknik ofta tillsammans med arbetsflödesverktyg för att automatisera processer och minska manuellt arbete. Dessa verktyg samlar in, hämtar, bearbetar, redigerar, arkiverar eller vidarebefordrar data och dokument.

OCR är bara ett medel för att uppnå ett mål, och det måste kombineras med avancerad analysmjukvara för att lägga till verkligt funktionellt värde, genom att integrera data som extraherats av OCR-motorer från dokument med AI-drivna system, för många potentiella användningsfall, såsom bedrägeriupptäckt , regelefterlevnad eller processautomatisering.

Figur 1. Illustrativa OCR-bearbetningssteg

Figur 2. Exempel på ett användargränssnitt i utvinningsstadiet (Schweizisk skattedeklaration med automatiskt extraherade värden för validering)

Utvalda användningsfall för OCR-teknik

Kreditriskhanteringsprocess i bankverksamhet: Kreditbedömningar kan vara extremt tidskrävande, eftersom de använder sig av finansiella dokument som är original, fotokopierat eller skannat. Detta innebär att varje rad matas in manuellt i ett IT-system för bedömningen. Denna process har en ganska hög risk för inmatningsfel, med endast begränsade överföringar av data, med resultatet att den finansiella analysen för kreditändamål kan vara opålitlig. OCR i kombination med AI kan inte bara digitalisera skannade bokslut utan kan också omvandla dem till läsbara och sökbara datauppsättningar som är tillgängliga över IT-system. Detta kan automatisera en del av kreditanalytikerns arbete. I denna process är det första steget att digitalisera bokslut med OCR. Maskininlärningsalgoritmer lär sedan systemet att särskilja de underliggande mönstren i bokföringsutdragen, för att identifiera och extrahera de data som krävs. Detta ger en tidsbesparing på cirka två till fyra timmar per kreditgranskning, och kreditanalytikern kan också fokusera mer på själva kreditriskanalysen och fatta mer välgrundade lånebeslut.

1. Automatisk bearbetning av lån/inteckningar: Under bolåne-/lånehanteringen kan OCR möjliggöra automatisering och bearbetning av en mångsidig uppsättning dokument associerade med utlåning såsom skattedeklaration, lönebesked eller löneintyg, ID/pass etc, vilket förbättrar kundresan och optimerar processen. Detta är särskilt en fördel när man strävar efter en hög rak bearbetning i lånebeslutet, till exempel på utlåningsplattformar.
2. Kundintroduktion och KYC-process: OCR kan på samma sätt hjälpa till att automatiskt läsa, dirigera och bearbeta dokument som vanligtvis krävs i KYC-processer, vilket möjliggör snabbare och bättre kundservice från första interaktionen under kontoöppning och kundintroduktion.
3. Behandling av försäkringskrav: Under analys och behandling av försäkringskrav kan OCR minska eller till och med eliminera mänskliga fel och påskynda behandlingen och hanteringen av dessa anspråk.
4. Resekostnadsdokumentation: Affärsmän som reser kan behöva dokumentera och registrera sina utgifter för återbetalning och revision. De kan behöva ange sina utgifter i en portal för kontroll av en medlem av kontopersonalen. Denna process kan vara besvärlig och tidskrävande. Som ett alternativ kan OCR-teknik användas för att kopiera data från kvitton, godkänna eller avvisa den och överföra den direkt till en app eller portal.

Generellt sett kan ett välutvecklat/utbildat system lätt nå precisionsnivåer över 90 % när man extraherar data från små och medelstora företags balansräkningar för små och medelstora företag, klientintroduktion och andra olika dokument, vilket innebär att automatiseringen ofta är mer exakt än om processen görs manuellt, men till en bråkdel av kostnaden och tiden. Sammantaget kan OCR-teknik spara tid genom att skära ner på eller eliminera manuella processer, förbättra produktiviteten och minska sannolikheten för fel eller bedrägerier.

Stora aktörer på OCR-marknaden

Ett antal leverantörer erbjuder OCR redo att användas . Några av huvudprodukterna på marknaden för närvarande är ABBYY FlexiCapture, ABBYY Vantage, Googles Vision AI, Amazon Textract och Microsofts Computer Vision.

Deloitte och ABBYY:Användningsfall för en D-SIB detaljhandelsbank vid kreditbehandling

Vår kund, en ledande D-SIB, initierade flera digitaliseringsprojekt inom kreditsektorn, inklusive utvecklingen av en mobil B2C-bolåneplattform. Denna app låter slutkunder ansöka om bolån på distans, vilket förenklar och påskyndar ansöknings- och godkännandeprocessen. Eftersom kreditutlåningsprocessen i Schweiz fortfarande omfattar ett stort antal pappersblanketter, sökte banken en lösning för dokumentidentifiering och automatiserad dataextraktion av slutanvändarna själva, för att befria kunderna från den tråkiga uppgiften att manuellt mata in nödvändiga uppgifter manuellt för låneansökan.

Deloitte ansvarade för att bygga upp dessa funktioner och kunde i samarbete med ABBYY inom en kort tid implementera en OCR-lösning med ABBYY FlexiCapture, för att extrahera relevant data med hög noggrannhet (över 90 % efter utbildning) från skattedeklarationer, lönecertifikat, nationella legitimationshandlingar, samt utländska uppehållstillstånd och pensionsfondsbesked. Deloitte tillämpade sin expertis inom den tekniska implementeringen av OCR-lösningar och sin kunskap om regulatoriska krav och nuvarande bästa praxis i schweiziska låneprocesser. Det var viktigt att tillämpa en omvänd konstruktionsmetod för att identifiera och förenkla de datapunkter som krävs för kreditbeslut i linje med kundens kreditriskaptit och modell. att utveckla en plattform för att snabbt bearbeta bolåneapplikationer med en flexibel konfiguration av in- och utmatningsgränssnitt, vilket möjliggjorde en sömlös integration via API till mobilanvändare, vilket ger en intuitiv kundresa till bolånesökande.

Figur 3 ^. Arbetsflöde Exempel på OCR-app-integrering i en schweizisk ansökningsprocess för mobilt bolån

Datainsamlingen och extraheringsprocessen är som följer:Kunden laddar antingen upp en skanning av det nödvändiga dokumentet eller tar ett fotografi med smarttelefonen direkt via den mobila låneansökningsplattformen. Det uppladdade dokumentet analyseras sedan i FlexiCapture och klassificeras automatiskt. Beroende på dokumentet extraherar FlexiCapture vissa fält som innehåller den nödvändiga relevanta informationen. Därefter testas noggrannheten av teckenigenkänningen och om den ligger över en viss tröskel (i detta fall 90%) exporteras data automatiskt för vidare användning i bolåneapplikationen. Om noggrannhetstestet faller under tröskeln har användaren möjlighet att granska den extraherade informationen och korrigera den manuellt.

På Deloitte kan vi med vår långa erfarenhet av att implementera den senaste tekniken och vår expertis inom finansbranschen hjälpa dig att öka effektiviteten i dina processer, minska kostnaderna och låsa upp värde. Tveka inte att kontakta oss för ytterligare frågor.