ثمّة عرض توضيحي رآه الجميع: تُلقي ملف PDF نظيفًا إلى نموذج لغوي كبير، وتطلب منه رقم الإيرادات وتاريخ التجديد، فيعيدهما صحيحين. يبدو الأمر وكأنه قد حُلّ. ثم يوجّه أحدهم المُحفّز نفسه إلى ثلاثة آلاف إفصاح ومجلّد من العقود الممسوحة ضوئيًا، فتتبخّر الدقّة التي قِستها على مستند واحد.
تلك الفجوة هي المشكلة برمّتها. نادرًا ما يدور استخلاص المستندات في القطاع المالي حول الحالة النظيفة، بل حول نموذج 10-K الذي تتجاوز إحدى حواشيه الرقم الرئيسي، والعقد الممسوح بزاوية مائلة، والجدول الممتدّ عبر فاصل صفحات، والطرف المقابل الذي يُكتب اسمه بأربع صيغ مختلفة. فالبيانات غير المهيكلة التي تتلقّاها فعليًا ليست هي البيانات غير المهيكلة التي في العرض التوضيحي.
لماذا لا يخبرك ملف PDF واحد جيد بشيء
يُخفي المستند الواحد أنماط الإخفاق التي تهمّ عند التوسّع. فالتنسيقات غير متّسقة بين الجهات المُصدِرة ومن سنة إلى أخرى. وتصل العقود الممسوحة ضوئيًا كصور، فتجد نفسك قبل أي استخلاص تتعامل مع جودة التعرّف الضوئي على الحروف (OCR) وترتيب القراءة. أما الحقل الذي تريده فيقع داخل جدول في الصفحة 40، يُعرّفه بندٌ في الصفحة 12، ويأتي استخراج النص الساذج ليطمس كليهما في خليط يعجز النموذج عن التفكير فيه.
لذا لا نتعامل مع استخلاص الإفصاحات بوصفه طلبًا واحدًا للنموذج، بل بوصفه خطّ معالجة:
- تحليل واعٍ بالتخطيط أولًا، كي تبقى الجداول والترويسات وترتيب القراءة سليمة بدل أن تنهار إلى سلسلة نصية مسطّحة
- الاسترجاع فوق المستند المُحلَّل، كي يرى النموذج الصفحة والبند الصحيحين بدل الإفصاح بأكمله
- نموذج لغوي كبير يقرأ السياق المُسترجَع ويعيد حقولًا مهيكلة
- التحقّق من كل حقل مقابل نوعه ونطاقه المتوقّعَين
- توجيه النتائج منخفضة الثقة إلى شخص قبل الوثوق بأي شيء
خطوتا التحليل والاسترجاع هما ما يجعل استخلاص بيانات العقود يصمد أمام التنسيقات الواقعية. أما النموذج اللغوي فيؤدّي الجزء السهل: قراءة مقطع قصير ووثيق الصلة. أما الهندسة الصعبة فتقع على جانبَيه.
تحقّق من القيمة، لا من الصيغة وحدها
الرقم المُعاد الذي يُحلَّل بنظافة قد يظلّ خاطئًا. لذا تُفحَص الحقول المُستخلَصة مقابل ما يُفترض أن تكون عليه: فتاريخ السريان يجب أن يكون تاريخًا، والمبلغ الاسمي يجب أن يكون موجبًا وضمن نطاق معقول، وفترة الإبلاغ يجب أن تكون متّسقة مع المستند الذي وردت منه. وحين تُخفق قيمةٌ في اجتياز هذه الفحوص، فذلك إشارة تُغذّي مستوى الثقة الذي يُسنده النظام إلى مُخرجاته.
ومستوى الثقة هو حيث يدخل العنصر البشري. فإحالة كل شيء إلى المراجعة تُفرغ الغاية من مضمونها، والوثوق بكل شيء هو الطريق الذي يصل به رقم خاطئ إلى تقرير. وبين هذين تقع عتبة: فالحقول التي يثق النظام بها وتجتاز التحقّق تمرّ، أما الحقول دون العتبة أو التي تُخفق في فحص ما فتُوجَّه إلى مراجع والمستند مفتوح على الصفحة المعنية. يصحّح المراجع القيمة، فيغدو ذلك التصحيح مثالًا موسومًا يُضاف إلى مجموعة التقييم.
كل قيمة تشير إلى مصدرها
العنصر الذي لا نتخلّى عنه أبدًا هو الإسناد المرجعي. فكل قيمة مُستخلَصة تحمل مؤشّرًا يعود إلى الصفحة والبند اللذين وردت منهما: رقم الإيرادات يرتبط بالجدول الذي احتواه، وحقّ الإنهاء يرتبط بالفقرة التي تمنحه.
هذا ما يجعل المُخرَج قابلًا للتدقيق لا مجرّد مقبول ظاهريًا. فحين يسأل أحدهم من أين جاء رقمٌ ما، يكون الجواب موضعًا في مستند، لا جملة واثقة من نموذج. إنه المعيار نفسه الذي نلتزم به مع أي بيانات مالية: الإجابة التي لا يمكنك تتبّعها هي إجابة لا يمكنك وضعها أمام مدقّق. ولا يكتسب الاستخلاص مكانه في سير العمل المالي إلا حين يصبح في الإمكان التحقّق من كل حقل يُنتجه بالرجوع إلى السطر الذي قُرئ منه.