Belge işleme hattı kurmak: düzen anlama ve alan çıkarımı

Belge projeleri neredeyse her zaman "şu belgeden bilgi çıkaralım" cümlesiyle başlar ve bu cümlede özne belirsizdir. Hangi bilgi, hangi biçimde, kim kullanacak? Şema bu üç soruyu tek bir tabloya indirger ve projenin kapsamını da beraberinde sabitler.

Tek bir genel hat, gelen her belgeye aynı muameleyi yapar ve kaçınılmaz olarak en kötü örneğe göre kalibre olur. Girişteki basit bir ayrım — tür ve kalite — sonraki her adımı kolaylaştırır: dijital metin katmanı olan bir PDF'te OCR'a gerek yoktur, dahası OCR eklemek burada kesin metni tahmine dönüştürür.

1. 1Tür ayrımı

   Fatura, sözleşme, kimlik, başvuru formu: her tür kendi şemasına ve kendi çıkarım koluna gider.

2. 2Metin katmanı denetimi

   PDF içinde seçilebilir metin varsa doğrudan kullanılır; yoksa belge OCR koluna aktarılır. Katmanın dijital kökenli mi yoksa önceki bir OCR geçişinden mi kaldığını denetleyin: bozuk karakter oranı yüksek bir metin katmanı kesin metin değil, kaydedilmiş bir tahmindir.

3. 3Kalite denetimi

   Eğrilik, kırpılmış kenar, düşük çözünürlük ve aşırı sıkıştırma girişte yakalanır.

4. 4Erken ret

   Okunamayacak belge hattın sonunda düşük güvenle değil, girişte "yeniden gönderin" cevabıyla geri çevrilir.

Doğrulama adımı: bir gün boyunca gelen belgelerin tür ve kalite kırılımını sayın. Beklenmeyen bir türün payı yüksekse şemanız eksiktir; düşük kalitenin payı yüksekse sorun modelde değil belgeyi toplama sürecindedir ve orada çözülür.

Bir belge düz bir metin akışı değil iki boyutlu bir yerleşimdir. İki sütunlu bir sözleşmede satırları soldan sağa okumak cümleleri birbirine karıştırır; bir faturada "Toplam" etiketinin sağındaki sayı ile altındaki sayı farklı anlamlara gelir. Düzen analizi bu ilişkileri çıkarımdan önce görünür kılar.

• Okuma sırası: çok sütunlu sayfada blokların mantıksal sırası çıkarılır.
• Yinelenen bloklar: sayfa başlığı, altlık ve sayfa numarası içerikten ayrılır, aksi hâlde her sayfada metne karışır.
• Tablolar: hücre sınırları, birleştirilmiş hücreler ve sayfa atlayan tablolarda tekrar eden başlık satırı işaretlenir.
• İmza ve kaşe blokları: konumları işaretlenir, içerikleri metne zorlanmaz.
• Ekler: tek dosyada birleştirilmiş birden çok belge varsa sınırları bu adımda bulunur.

Çıkarımın çıktısı bir değer değil bir iddiadır: "bu belgenin şu sayfasındaki şu bölge, fatura tarihini söylüyor." Konumu saklamak ilk bakışta fazladan iş gibi görünür; incelemeye giden her belgede bu bilgi, incelemenin süresini belirleyen tek değişkene dönüşür.

{
  "belge_kimligi": "2026-fatura-00184",
  "tur": "fatura",
  "alanlar": {
    "fatura_tarihi": {
      "deger": "2026-03-04",
      "ham_metin": "04.03.2026",
      "guven": 0.94,
      "kaynak": { "sayfa": 1, "bolge": [312, 148, 402, 166] }
    },
    "toplam_tutar": {
      "deger": 18450.0,
      "para_birimi": "TRY",
      "ham_metin": "18.450,00",
      "guven": 0.71,
      "kaynak": { "sayfa": 2, "bolge": [520, 640, 612, 660] }
    }
  },
  "kurallar": { "satir_toplami_tutuyor": false }
}

Örnekteki belge ve değerler temsilîdir; önemli olan üç şeyin birlikte taşınmasıdır: normalize edilmiş değer, belgede yazan ham metin ve değerin nereden geldiği. Ham metni saklamak normalizasyon hatalarını sonradan yakalamanın tek yoludur — "04.03.2026" ifadesinde gün ve ay sırasının yanlış yorumlandığını ancak ham metne bakarak görebilirsiniz.

Güven skoru modelin kendi çıktısına dair bir ifadesidir; belgenin iç tutarlılığı hakkında hiçbir şey söylemez. Yüksek güvenle okunmuş satır tutarları belgedeki genel toplamı vermiyorsa atlanmış bir kalem, iki kez okunmuş bir satır ya da hesaba katılmamış bir indirim veya vergi satırı vardır; hangisi olursa olsun bunu güven skoru değil yalnızca kural yakalar.

Güven skoru bir olasılık gibi görünür ama kalibre olduğu garanti değildir: yüksek skorlu çıktıların gerçekten o oranda doğru olup olmadığı ancak ölçülürse bilinir. Kalibrasyon tam olarak budur — skoru kendi belgelerinizdeki gerçek doğruluk oranıyla eşleştirmek.

1. 01Doğrulama kümesinde her alan için tahmini, gerçek değeri ve güven skorunu yan yana yazın.
2. 02Skoru aralıklara bölün ve her aralıktaki gerçek doğruluk oranını hesaplayın; skor ile oran birlikte artmıyorsa o skoru eşik olarak kullanmayın.
3. 03Eşiği alan bazında seçin; tutar alanı ile serbest açıklama alanı aynı eşiği paylaşmak zorunda değil.
4. 04Eşiğin yanına bir de risk kuralı koyun: belirli bir tutarın üzerindeki belgeler skordan bağımsız incelemeye gitsin.
5. 05Model veya sağlayıcı sürümü değiştiğinde kalibrasyonu tekrarlayın; skor ölçeği sürümler arasında taşınmaz.

Doğrulama adımı: seçtiğiniz eşikle doğrulama kümesini yeniden geçirin ve iki sayıyı birlikte yazın — insansız geçen belge oranı ve insansız geçenlerin içindeki hata oranı. Bu ikisi birlikte anılmadığında eşik tartışması sonuçsuz kalır, çünkü her eşik birini iyileştirip diğerini bozar.

İnsana devir bir başarısızlık değil, hattın tasarlanmış kapasitesidir. Tasarlanmadığında da gerçekleşir — ama o zaman kontrolsüz biçimde, yani hatalı kayıtların haftalar sonra muhasebe tarafından yakalanması olarak.

1. 1Tetik

   Düşük güven, kural ihlali ve risk eşiği aynı kuyruğa değil, gerekçesi yazılı ayrı kuyruklara gider.

2. 2Bağlam

   İnceleyene belge sayfası, işaretli bölge ve modelin önerdiği değer birlikte gösterilir.

3. 3Düzeltme

   Kişi değeri düzeltir; düzeltme ham metinle birlikte kaydedilir, çünkü bu kayıt sonraki iyileştirmenin veri kümesidir.

4. 4Geri besleme

   Düzeltme oranı alan bazında raporlanır; bir alanda ani artış, belge şablonunun değiştiğinin ilk işaretidir.

Belge başına "doğru işlendi" oranı, yirmi alanın on dokuzunu doğru okuyan bir hattı başarısız gösterir; alan düzeyinde ölçüm ise hattı hangi alanın aşağı çektiğini tek bakışta söyler. İyileştirme bütçesi bu tabloya bakılarak dağıtılır.

Şablon kayması sessiz gelir: gönderen taraf formunu değiştirir, bir alan artık bulunamaz olur ve hat düşük güvenle boş değer üretmeye başlar. Alan boş dönme oranını haftalık izlemek bu değişikliği fark etmenin en ucuz yoludur; kullanıcıdan gelecek hata bildirimini beklemek en pahalısıdır.