مدت زمان تقریبی مطالعه: ۱۰ دقیقه
17 آبان 1405
OCR هوشمند زبان فارسی؛ تبدیل خودکار پرونده‌های اسکن‌شده و اسناد مالی به داده‌های ساختاریافته
فناوری OCR هوشمند زبان فارسی و پردازش خودکار اسناد (IDP)، تحولی اساسی در تبدیل میلیون‌ها پرونده اسکن‌شده به داده‌های ساختاریافته است. در بایگانی ادارات، بانک‌ها، شرکت‌های بیمه، بیمارستان‌ها و سازمان‌های مالی کشور، میلیون‌ها برگ سند کاغذی، فاکتورهای رسمی، اسناد مناقصات و پرونده‌های پرسنلی اسکن‌شده وجود دارند که به صورت فایل‌های PDF تصویری یا عکس‌های بی‌استفاده در پوشه‌های شبکه‌ای انباشته شده‌اند. جستجو میان این اسناد مستلزم ساعت‌ها کار دستی پرسنل است و ورود اطلاعات آن‌ها به سیستم‌های حسابداری و ERP هزینه‌های انسانی سنگین و خطاهای کاربری بی‌شماری به همراه دارد.
فناوری نویسه‌خوان نوری هوشمند (Intelligent Document Processing – IDP / OCR) بهترین راهکار OCR هوشمند زبان فارسی برای تبدیل کوه پرونده‌های اسکن‌شده به داده‌های تمیز، ساختاریافته و قابل جستجو در پایگاه‌های داده است. با این حال، زبان فارسی دارای پیچیدگی‌های نگارشی و خطی منحصر‌به‌فردی است که باعث شده موتورهای OCR عمومی و بین‌المللی در مواجهه با متون فارسی با شکست روبه‌رو شوند. در این مقاله به بررسی مهندسی موتورهای هوش مصنوعی بومی پردازش اسناد می‌پردازیم.
چرا موتورهای OCR استانداردهای بین‌المللی در زبان فارسی ناکام می‌مانند؟
بسیاری از سازمان‌ها تلاش کرده‌اند از موتورهای معروفی مانند Tesseract یا کتابخانه‌های رایج بین‌المللی استفاده کنند، اما خروجی حاصل سرشار از کلمات نامفهوم و کاراکترهای به هم ریخته است. دلایل ساختاری این ناکامی عبارتند از:
- طبیعت به هم پیوسته خط فارسی و تغییر شکل حروف (Cursive Script): در زبان‌های لاتین، هر حرف مستقل است؛ اما در فارسی یک حرف مانند «ع» بر اساس جایگاه خود در ابتدا، وسط، انتها یا منفرد ۴ شکل کاملاً متفاوت به خود می‌گیرد و به حروف قبل و بعد متصل می‌شود.
- چالش نقطه، سرکش و اعراب: جابه‌جایی یا محو شدن یک نقطه بر اثر کیفیت پایین اسکن یا کپی مکرر، کلمه «سند» را به «شند» یا «بند» تبدیل کرده و معنای حقوقی سند را دگرگون می‌سازد.
- چیدمان راست‌به‌چپ (RTL) و ساختار جداول اسناد مالی: فاکتورهای مالی رسمی پر از جداول تو در تو، مهرها و امضاهایی است که بر روی متن اصلی چاپ شده‌اند. موتورهای غربی قادر به تفکیک مهر از متن و خواندن جهت درست ستون‌ها نیستند.
معماری نوین هوش مصنوعی: فراتر از خواندن حروف، درک معنایی سند (VLM & LayoutLM)
نسل جدید سامانه‌های OCR هوشمند زبان فارسی که توسط تیم هوش مصنوعی نادین‌سافت توسعه یافته، صرفاً یک موتور تشخیص حروف نیست؛ بلکه یک سیستم پردازش اسناد هوشمند است که بر پایه شبکه‌های یادگیری عمیق بینایی-زبانی (Vision-Language Models) عمل می‌کند:
- لایه پیش‌پردازش تصویر و حذف اعوجاج: تصویر اسکن‌شده به صورت خودکار تراز می‌شود (Deskewing)، نویزهای حاصل از دستگاه‌های فکس و کپی محو شده و مهرهای اداری به طور هوشمند از لایه متنی تفکیک می‌گردند.
- استخراج ساختاریافته جدول و فیلدهای کلیدی (Key-Value Pair Extraction): هوش مصنوعی نیازی به ثابت بودن قالب سند ندارد. مدل آموزش‌دیده حتی در فاکتورهایی با چیدمان‌های گوناگون متوجه می‌شود که «شماره فاکتور»، «تاریخ شمسی صدور»، «شناسه ملی خریدار»، «جمع مبلغ کل» و «مالیات بر ارزش افزوده» کجاست و داده‌ها را به تفکیک استخراج می‌نماید.
- اعتبارسنجی محاسباتی خودکار (Cross-Validation Logic): سیستم پس از استخراج مبالغ، عملیات ریاضی فاکتور (ضرب تعداد در قیمت واحد و محاسبه درصد مالیات) را چک می‌کند؛ اگر جمع اقلام با عدد نهایی فاکتور همخوانی نداشته باشد، فاکتور برای بازبینی به کارشناس ارجاع داده می‌شود تا ضریب خطای سیستم به صفر برسد.
اعتبارسنجی ارقام مختلط، کدهای ملی و شناسه شبا در اسناد بانکی و فاکتورها
یکی از بزرگ‌ترین چالش‌های فنی در پردازش پرونده‌های مالی ایران، تداخل ارقام فارسی، عربی و انگلیسی در متن فاکتورهاست. برای نمونه، در یک برگه چک یا سند بانکی، ممکن است شماره حساب با ارقام انگلیسی، مبلغ به حروف فارسی، و تاریخ با ارقام فارسی چاپ شده باشد. موتور OCR نادین‌سافت در معماری OCR هوشمند زبان فارسی، مجهز به پایپ‌لاین نرمال‌سازی خودکار و اعتبارسنجی الگوریتمی است:
- کنترل الگوریتم رقم کنترلی کد ملی (Checksum Verification): کد ملی ۱۰ رقمی استخراج‌شده بلافاصله با فرمول رسمی ثبت احوال اعتبارسنجی می‌شود؛ اگر باگ یا خطایی در رقم دهم وجود داشته باشد، به کارشناس هشدار داده می‌شود.
- اعتبارسنجی ساختار شناسه شبا (IBAN IR): شماره‌های ۲۴ رقمی شبا با استاندارد بین‌المللی ISO 13616 و الگوریتم MOD-97 صحت‌سنجی می‌گردند تا از ورود شماره حساب‌های اشتباه به سامانه پرداخت جلوگیری شود.
- تطبیق خودکار مبلغ حروفی با عدد ریالی: هوش مصنوعی مبلغ حروفی سند (نظیر «یکصد و چهل میلیون ریال») را می‌خواند و آن را با رقم عددی تطبیق می‌دهد تا هرگونه دستکاری فیزیکی یا جعل چک کشف شود.
امنیت اطلاعات و استقرار محلی (On-Premises) مطابق با ضوابط افتا
اسناد مالی، قراردادها و پرونده‌های مراجعین جزو محرمانه‌ترین دارایی‌های هر سازمان هستند. استفاده از سرویس‌های ابری عمومی یا ارسال تصاویر اسناد به وب‌سرویس‌های خارجی ناقض صریح قوانین حفاظت از داده‌ها و استانداردهای مرکز افتای ریاست جمهوری است. راهکار OCR نادین‌سافت به طور کامل در زیرساخت سرورهای داخلی سازمان (On-Premises) بدون نیاز به اتصال به اینترنت مستقر می‌شود و کلیه پردازش‌ها در محیط امن محلی اجرا می‌گردند.
جدول مقایسه عملکرد OCR سنتی در برابر سامانه OCR هوشمند یادگیری عمیق
| معیار ارزیابی | موتورهای OCR سنتی مبتنی بر الگو | موتور هوش مصنوعی بومی نادین‌سافت |
|---|---|---|
| دقت در خواندن دست‌خط و اسناد قدیمی | بسیار ضعیف (کمتر از ۴۰٪ دقت) | بسیار بالا (بالای ۹۰٪ در متون مخدوش) |
| استخراج جداول مالی و فاکتورها | نظم جدول به هم می‌ریزد و اعداد پس‌وپیش می‌شوند | استخراج دقیق سلول‌های جدول در قالب JSON ساختاریافته |
| شناسایی و تصحیح نیم‌فاصله و ارقام فارسی | ارقام فارسی و کلمات مرکب را تخریب می‌کند | انطباق کامل با دستور خط و اعداد استاندارد فارسی |
| حذف مهرها و امضاهای تداخلی | مهر را به عنوان کاراکترهای تصادفی تشخیص می‌دهد | فیلتر هوشمند لایه مهر و استخراج خالص متن زیرین |
| محل استقرار و الزامات امنیتی | غالباً نیازمند ارسال تصویر به API خارجی | استقرار ۱۰۰٪ درون‌شبکه‌ای (On-Premises) با گواهی افتا |
پرسش‌های متداول در راه‌اندازی سامانه OCR سازمانی
آیا سیستم قادر به خواندن انواع مختلف فونت‌های اداری مانند زر، نازنین و لوتوس است؟
بله. مدل‌های زبانی هوش مصنوعی نادین‌سافت بر روی صدها هزار نمونه سند رسمی با انواع قلم‌های رایج اداری، متون چاپی، فکس و حتی فونت‌های سوزنی قدیمی بانک‌ها آموزش دیده‌اند.
داده‌های استخراج‌شده چگونه به سیستم ERP یا اتوماسیون سازمان منتقل می‌شوند؟
سامانه مجهز به وب‌سرویس‌های مدرن RESTful API است که می‌تواند داده‌های استخراج‌شده را به صورت خروجی‌های ساختاریافته JSON یا مستقیماً در پایگاه داده نرم‌افزارهای سازمانی تزریق نماید.
سخت‌افزار مورد نیاز برای پردازش میلیون‌ها برگ سند چیست؟
با بهینه‌سازی‌های انجام‌شده در مدل، پردازش حجم بالا می‌تواند بر روی سرورهای دارای کارت‌های گرافیک سازمانی (GPU) در کسری از ثانیه برای هر صفحه انجام شود؛ ضمن اینکه برای حجم‌های اداری کوچک‌تر، امکان اجرا بر روی CPU سرور نیز فراهم است.
درخواست آزمون نمونه اسناد سازمان شما با OCR بومی نادین‌سافت
آیا می‌خواهید قدرت موتور هوشمند پردازش اسناد نادین‌سافت را روی پرونده‌های اسکن‌شده یا فاکتورهای واقعی مجموعه خود محک بزنید؟ کارشناسان هوش مصنوعی ما آماده پردازش نمونه اسناد شما و ارائه گزارش دقت سامانه هستند.
ارسال نمونه اسناد برای آزمون دقت و مشاوره
