出品 | 51CTO技術(shù)棧（微信號(hào)：blog51cto）

為提升信貸領(lǐng)域業(yè)務(wù)辦理過程中合同影像信息提取效率，中國工商銀行軟件開發(fā)中心利用業(yè)界前沿技術(shù)多模態(tài)識(shí)別技術(shù)對(duì)圖片、視頻等文件內(nèi)容進(jìn)行智能提取和解讀，逐步覆蓋傳統(tǒng)技術(shù)無法解決的影像識(shí)別場(chǎng)景，包括不規(guī)則表格、目標(biāo)信息描述模糊、打包影像等，大幅提升了合同處理效率。

工商銀行軟件開發(fā)中心先前引入了基于光學(xué)字符識(shí)別（OCR）與規(guī)則或自然語言處理（NLP）模型的自動(dòng)化識(shí)別技術(shù)；然而，該技術(shù)對(duì)合同元素位置、上下文結(jié)構(gòu)等不一致性的理解能力有一定局限，因此在某些復(fù)雜合同的信息提取上，精確度較難提升，主要體現(xiàn)在以下幾個(gè)方面：第一，合同格式一般具有多樣性，如不規(guī)則表格、傾斜文字、打鉤標(biāo)記以及不規(guī)則元素布局等，這些格式可能破壞文本結(jié)構(gòu)的完整性；第二，合同中目標(biāo)信息的描述可能較為散亂或模糊，如付款日期和支付方式等，需要深入理解上下文語義并進(jìn)行轉(zhuǎn)化；第三，客戶常常將多份文件打包上傳，識(shí)別前需準(zhǔn)確拆分文件，也增加了識(shí)別的復(fù)雜性。

為了解決上述問題，中國工商銀行軟件開發(fā)中心結(jié)合當(dāng)前業(yè)界最先進(jìn)的模型技術(shù)，形成“通用+專業(yè)”模型組合方案，具體方案如下：

1.利用通用模型增強(qiáng)多模態(tài)元素提取

借助多模態(tài)模型在圖文識(shí)別上的泛化能力，顯著提升在處理復(fù)雜非標(biāo)準(zhǔn)化合同中打鉤、表格、涂抹、印章等長尾場(chǎng)景下的關(guān)鍵信息提取精度，同時(shí)實(shí)現(xiàn)跨頁圖片內(nèi)容的深度理解。此外，通過對(duì)多模態(tài)模型進(jìn)行增量預(yù)訓(xùn)練、全參數(shù)微調(diào)以及模型視覺修復(fù)，進(jìn)一步優(yōu)化非標(biāo)準(zhǔn)化合同影像中目標(biāo)信息的理解準(zhǔn)確度。

（左：打鉤、標(biāo)黑選項(xiàng)的理解；右：不規(guī)則表格內(nèi)容提?。?/span>

2.專業(yè)模型組合適配垂類定制需求

首先，為了處理通用模型可能遇到的輸入限制，工商銀行軟件開發(fā)中心引入了合同拆分模型。這個(gè)模型專門設(shè)計(jì)用于從包含數(shù)十頁的合并合同影像包中，按照順序拆解出各個(gè)單獨(dú)的文件，如貿(mào)易合同、發(fā)票、補(bǔ)充條款等。這種拆分功能不僅解決了通用模型一次只能處理有限數(shù)量頁面的問題，還為后續(xù)的處理步驟提供了有序的輸入，提高了業(yè)務(wù)流程的效率。

其次，圖像精選和增強(qiáng)模型在處理過程中起到關(guān)鍵作用。它負(fù)責(zé)對(duì)拆分后的單份文件進(jìn)行篩選，只保留那些包含關(guān)鍵要素的頁面，同時(shí)對(duì)這些頁面進(jìn)行圖像增強(qiáng)，比如提高對(duì)比度、清晰度，以確保通用模型能夠準(zhǔn)確識(shí)別圖像中的文字和圖形。通過這種預(yù)處理，通用模型的輸入質(zhì)量得以優(yōu)化，從而提升了其在識(shí)別關(guān)鍵信息時(shí)的準(zhǔn)確率。

圖片

（合同拆分+精選效果圖示：模型將5頁影像拆分成2份合同，并剔除無關(guān)的一頁）

再次，為了滿足特定領(lǐng)域的定制需求，工商銀行軟件開發(fā)中心建設(shè)了專門的分類模型，對(duì)貿(mào)易合同、發(fā)票、補(bǔ)充條款等不同類型的文件進(jìn)行分類。基于深度學(xué)習(xí)算法，通過學(xué)習(xí)不同文件類型的特征，將文件正確地分配到適合的類別中。這種分類能力有助于通用模型專注于處理特定類型的文件，提高了整體處理的針對(duì)性和準(zhǔn)確性。

最后，為了系統(tǒng)性地提高準(zhǔn)確率，引入圖像文字校驗(yàn)?zāi)Ｐ?，?duì)通用模型輸出的識(shí)別結(jié)果進(jìn)行二次校對(duì)，通過比對(duì)原文本和識(shí)別結(jié)果，識(shí)別并修正可能存在的錯(cuò)誤。這種“雙保險(xiǎn)”策略有助于識(shí)別出錯(cuò)誤的信息，從而提升了整個(gè)識(shí)別流程的準(zhǔn)確率。

3.重塑交互方式提升用戶體驗(yàn)

通過引入元素高亮模型，優(yōu)化用戶界面，使得客戶經(jīng)理可以實(shí)時(shí)對(duì)照并進(jìn)行調(diào)整，這不僅增強(qiáng)了業(yè)務(wù)感知，也提高了參與度。調(diào)整前后數(shù)據(jù)的回流被用于形成再訓(xùn)練數(shù)據(jù)，形成一個(gè)高效的迭代優(yōu)化閉環(huán)，持續(xù)提升模型性能。

（AI輔助下的新交互模式）

相較于傳統(tǒng)技術(shù)，本方案在合同關(guān)鍵信息抽取的精確度和召回率上實(shí)現(xiàn)了30%以上的提升，同時(shí)合同影像的識(shí)別覆蓋率也提升了50%以上。因而，單份合同的處理耗時(shí)縮短了60%，多份合同處理時(shí)間減少80%以上。

中國工商銀行軟件開發(fā)中心已將該方案應(yīng)用到信貸業(yè)務(wù)非標(biāo)準(zhǔn)合同的智能解讀和提取上，不僅提高了復(fù)雜多模態(tài)數(shù)據(jù)內(nèi)容抽取的精確度和效率，也優(yōu)化了客戶經(jīng)理的使用體驗(yàn)，使他們能夠更加專注于核心業(yè)務(wù)決策。

本文轉(zhuǎn)載自??51CTO技術(shù)棧??