OCR فیش واتساپی — هوش مصنوعی چطور فیش را می‌خواند و کجا اشتباه می‌کند

بیشترین حجم کار روزانهٔ یک صرافی، تایپ دستی فیش است. مشتری در واتساپ عکس می‌فرستد، اپراتور نگاه می‌کند، و مبلغ و تاریخ و شماره پیگیری و بانک را دستی در سند وارد می‌کند. صد فیش در روز یعنی صد بار همین کار تکراری — و هر بار یک فرصت برای اشتباه تایپی.

هوش مصنوعی می‌تواند این تایپ را حذف کند: عکس فیش را بخواند و فیلدها را خودش پر کند. اما «خواندن فیش با هوش مصنوعی» به همان اندازه که مفید است، اگر کورکورانه به آن اعتماد کنید خطرناک هم هست. این مقاله دربارهٔ این است که این خواندن دقیقاً چطور کار می‌کند، کجا اشتباه می‌کند، و چرا خروجی‌اش باید همیشه قابل‌تأیید بماند.

این مقاله مکمل راستی‌آزمایی فیش واریزی است. آن مقاله به این می‌پردازد که «آیا پول واقعاً رسیده»؛ این مقاله به این که «فیش چطور خوانده می‌شود». استخراج و راستی‌آزمایی دو کار جدا هستند و هیچ‌کدام جای دیگری را نمی‌گیرد.

دو مرحله: اول کلاسیفای ارزان، بعد استخراج کامل

اشتباه رایج این است که فکر کنیم هوش مصنوعی هر عکس ورودی را یک‌جا و کامل می‌خواند. در عمل، یک خط لولهٔ درست دو مرحله دارد، و ترتیبش مهم است.

مرحلهٔ اول — کلاسیفای ارزان: قبل از هر استخراجی، یک بررسی سبک و ارزان تصمیم می‌گیرد که این عکس «اصلاً سند مالی هست یا نه». در گروه واتساپ صرافی، همه‌چیز رد و بدل می‌شود: عکس سلفی، استیکر، عکس همکار، اسکرین‌شات بی‌ربط. اگر روی هر عکسی استخراج کامل اجرا کنید، هزینهٔ هوش مصنوعی را روی چیزهای بی‌ربط حرام کرده‌اید.

مرحلهٔ دوم — استخراج کامل: فقط عکس‌هایی که مرحلهٔ اول آن‌ها را «سند مالی» تشخیص داد به مدل کامل می‌روند تا فیلدها استخراج شوند: مبلغ، تاریخ، شماره پیگیری، بانک مبدأ و مقصد.

چرا این تفکیک مهم است؟ چون هزینه. یک استخراج کامل با مدل GPT حدود ۱.۵ تا ۳ سنت خرج دارد. اگر روزی ۳۰۰ عکس در گروه‌ها بیاید و فقط ۱۰۰تای آن‌ها فیش واقعی باشد، بدون مرحلهٔ کلاسیفای ارزان دارید هزینهٔ ۲۰۰ عکس بی‌ربط را هم می‌دهید.

در نکستو، این مرحلهٔ پیش‌کلاسیفای همین کار را می‌کند و عکس‌های غیرمالی به‌صورت محلی و رایگان (با ابزار محلی مثل tesseract) skip می‌شوند، نه اینکه به مدل پولی فرستاده شوند. نتیجه این است که فقط برای چیزی پول می‌دهید که واقعاً فیش است.

کجا هوش مصنوعی اشتباه می‌کند

مهم‌ترین بخش کار همین‌جاست. هوش مصنوعی در خواندن متن قوی است، اما بی‌خطا نیست — و خطاهایش دقیقاً روی حساس‌ترین بخش‌ها می‌افتد: ارقام.

• حرف و رقم شبیه‌به‌هم: حرف l (ال) و رقم 1 (یک)، یا حرف O و رقم 0. در یک شماره پیگیری بلند، یک جابه‌جایی کافی است که تطبیق خودکار به هم بریزد.
• ارقام مبهم: ۱ و ۷، ۰ و ۵، ۳ و ۸ روی فیش کم‌کیفیت یا عکس تار به‌راحتی جابه‌جا خوانده می‌شوند.
• جداکنندهٔ سه‌رقمی: گاهی نقطه یا ویرگول مبلغ حذف یا اضافه می‌شود و ۱٬۲۰۰٬۰۰۰ به ۱۲۰٬۰۰۰ تبدیل می‌شود — یک صفر کم، ده برابر خطا.
• تاریخ: فرمت‌های مختلف (شمسی/میلادی، دستی‌نوشته) منبع خطای مکرر تاریخ هستند.

یک مثال عددی ساده نشان می‌دهد چرا این مهم است. فرض کنید فیش واقعی مبلغ ۴۸٬۵۰۰٬۰۰۰ ریال است و هوش مصنوعی رقم پنجم را ۸ به‌جای ۵ می‌خواند: ۴۸٬۸۰۰٬۰۰۰. اختلاف ۳۰۰٬۰۰۰ ریال است. اگر این عدد بدون تأیید مستقیم وارد سند شود، مغایرت خزانه بعداً پیدا می‌شود — وقتی که پیدا کردنش سخت‌تر است.

نتیجهٔ عملی این واقعیت‌ها یک اصل است: خروجی هوش مصنوعی یک پیشنهاد است، نه یک حقیقت.

چرا خروجی باید قابل‌تأیید و اصلاح باشد

اگر هوش مصنوعی گاهی اشتباه می‌کند، طراحی درست این نیست که آن را دقیق‌تر کنیم تا هرگز اشتباه نکند — این ممکن نیست. طراحی درست این است که خروجی را طوری نشان دهیم که اپراتور در یک نگاه ببیند و اصلاح کند.

یعنی فرم سند باید فیلدهای پیشنهادی را پر و آماده نشان دهد، در کنار خودِ عکس فیش، طوری که اپراتور بتواند مبلغ روی صفحه را با مبلغ روی عکس مقایسه کند. تأیید باید یک نگاه و یک کلیک باشد؛ اصلاح یک عدد اشتباه هم باید یک نگاه و یک تایپ کوتاه.

این کاملاً متفاوت است با «هوش مصنوعی خودش ثبت کند و برود». تفاوت در مسئولیت است:

• در حالت خودکارِ کامل، خطای هوش مصنوعی مستقیم وارد دفتر می‌شود و کسی متوجه نمی‌شود تا مغایرت.
• در حالت پیشنهاد-و-تأیید، هوش مصنوعی کار خسته‌کننده (تایپ) را برمی‌دارد و انسان کار مهم (قضاوت و کنترل) را نگه می‌دارد.

اپراتور دیگر تایپ‌کنندهٔ صد فیش نیست؛ تأییدکنندهٔ صد پیشنهاد است. این هم سریع‌تر است، هم امن‌تر.

در نکستو، فیش‌های ورودی از واتساپ با هوش مصنوعی خوانده می‌شوند و فیلدهای سند پیشنهادی — مبلغ، تاریخ، شماره پیگیری، بانک — پر می‌شوند، اما ثبت نهایی با تأیید اپراتور است. برای همین یک نرم‌افزار حسابداری صرافی که هوش مصنوعی دارد، باید همان‌قدر که استخراج را جدی می‌گیرد، امکان تأیید و اصلاح را هم جدی بگیرد.

استخراج، راستی‌آزمایی نیست

یک نکتهٔ پایانی که زیاد اشتباه می‌شود: اینکه هوش مصنوعی مبلغ فیش را «درست خواند» به این معنا نیست که «پول رسیده». استخراج یعنی عدد روی عکس درست دیده شد؛ راستی‌آزمایی یعنی آن واریز واقعاً در گردش حساب بانکی شما نشسته و برنمی‌گردد.

یک فیش جعلی که با ویرایشگر عکس ساخته شده، ممکن است کاملاً تمیز و خوانا باشد — و هوش مصنوعی آن را بی‌نقص استخراج کند. استخراج تمیز، هیچ چیزی دربارهٔ واقعی‌بودن پول نمی‌گوید. برای همین بعد از استخراج، تطبیق با گردش واقعی حساب لازم است — همان تفکیک استخراج از راستی‌آزمایی که در ابتدای این مقاله به آن اشاره شد.

چک‌لیست: یک خط لولهٔ OCR درست چه دارد

1. مرحلهٔ کلاسیفای ارزان قبل از استخراج کامل، تا هزینه روی عکس‌های بی‌ربط حرام نشود.
2. skip محلی و رایگان برای عکس‌های غیرمالی.
3. استخراج ساختارمند به فیلدهای مشخص (مبلغ، تاریخ، پیگیری، بانک)، نه یک متن خام.
4. نمایش پیشنهاد کنار عکس برای مقایسهٔ چشمی سریع.
5. امکان اصلاح تک‌فیلد قبل از ثبت — خروجی پیشنهاد است، نه حقیقت.
6. تطبیق با گردش حساب بعد از استخراج — چون استخراج، راستی‌آزمایی نیست.

خلاصه

هوش مصنوعی می‌تواند تایپ دستی فیش را حذف کند و این یک صرفه‌جویی واقعی است. اما درست انجام دادنش یعنی: اول کلاسیفای ارزان تا هزینه هدر نرود، بعد استخراج کامل؛ پذیرفتن اینکه روی ارقام حساس اشتباه می‌شود؛ و طراحی خروجی طوری که همیشه قابل‌تأیید و اصلاح باشد. هوش مصنوعی کار خسته‌کننده را می‌گیرد، ولی مسئولیت عدد نهایی دست انسان می‌ماند.

می‌خواهید ببینید خواندن خودکار فیش واتساپی و تأیید آن در عمل چطور کار می‌کند؟ یک دموی اختصاصی از نرم‌افزار حسابداری صرافی نکستو بسازید و یک فیش را از پیام واتساپ تا سند تأییدشده دنبال کنید.