OCR、AI、RPAを活用した高度なデータインサイトの獲得

この記事はCosmin Nicolae氏との共著です。Nicolae氏はUiPathのプロダクトマネージャーです。

非構造化データは至る所に存在します。文書、音声ファイル、動画、メール、画像、ログファイルなど、挙げればきりがありません。実際、非構造化データは現在、全データの約80〜90%を占めています。しかし、その豊富さと価値にもかかわらず、非構造化データは、抽出・分析に必要なツールを持たない企業にとって、最も無駄にされているリソースの一つです。

この状況は変わりつつあります。ビッグデータ分析とワークフロー自動化の需要が高まっており、これらはいずれも構造化データを必要とします。多くの企業が、印刷文字や手書き文字を機械可読テキストに変換する光学文字認識（OCR）という技術を活用し始めています。スタンドアロン技術としてのOCRには限界があります（後述）。しかし、OCR、ロボティックプロセスオートメーション（RPA）、人工知能（AI）という「三位一体」を通じて、企業は高度なデータ処理と自動化を実現できます。

OCRは、以下の2つのUiPathソリューションの主要コンポーネントです：

1. UiPath Document Understanding：多様な文書の自動処理を可能にする

2. UiPath AI Computer Vision：仮想デスクトップや動的インターフェースでの自動化を可能にする

このブログでは、OCRの概要を説明し、UiPathがこの技術を用いて次世代のデータ処理と分析をどう実現しているかを探ります。

まず、OCRのクイックガイドから始めましょう。

OCR：概要

平たく言えば、OCRは画像からテキストを編集可能な文書に変換するプロセスです。

OCRは特定のタスクにおける手作業を削減、甚至排除できます。その結果、バックエンドワークフローを迅速化し、従業員をより重要な責任ある業務に解放できます。

ビジネスでOCRがよく使われる用途をいくつか紹介します。

1. データ入力の自動化

手作業によるデータ入力は時間がかかり、エラーも起こりやすいです。OCRを使えば、書類をデジタル化し、人的介入を最小限に抑えながら、データの完全性を高められます。

2. 文書の編集（スキャン文書やPDF）

従業員は、編集可能なフォーマットではないスキャン文書やファックス通知を受け取ることがよくあります。これは財務、サプライチェーン管理、人事、法務、コンプライアンス部門でよくあるケースです。従来のスキャナは、文書を画像やPDFとしてしか出力できません。例えば、契約書や発注書をスキャンして、Microsoft WordやGoogle Docsで編集することはできません。しかし、OCRエンジンを使えば、テキストを認識し、機械可読フォーマットで出力して、さらなる編集と処理が可能になります。

3. 視覚障害のある従業員の支援

視覚障害のある従業員は、紙の文書をデジタルフォーマットに変換する必要があります。OCRは、書き文字をテキスト読み上げ用テキストに変換することで、このプロセスを効率化します。

4. 文書の整理

OCRは、多様な文書の山を自動的に仕分け、特定のルールに従って整理できます。典型的な例は、請求書をタイプやベンダー別に整理することです。また、郵便仕分け機でマルチラインOCR（MLOCR）を用いて宛先をスキャンし、郵便ルーティングを決定するような、クリティカルなプロセスでも活用されています。

5. インターフェース上のテキスト理解

OCRにより、リモートインターフェース越しのデータ処理が可能になり、リモートチームのコラボレーションがより速く、容易になります。

OCRの限界

OCRは非常に強力ですが、スタンドアロン技術として使う場合、いくつかの限界があります。

OCRの主な限界をいくつか挙げます。

1. OCR単体ではデータを理解できない

第一に、OCRは文書からテキストをデジタル化し、機械可読にすることしかできません。補完的なメカニズムなしに、データを理解・解釈することはできません。したがって、OCRはより大規模でインテリジェントなソリューションのコンポーネントとして利用されることが多いです。真の大規模プロセス自動化を実現するには、OCRとRPAをAIと組み合わせる必要があります。

2. OCRには文脈がない

OCRシステムには文脈理解がありません。例えば、「bail（保釈金）」と「ball（ボール）」を聞き間違えることがあります。OCRエンジン単体では、文脈をスキャンしてどちらが適切か判断する認知能力を持ちません。このため、スタンドアロンのOCR技術はエラーが発生しやすく、人間が介在して精度を確認する必要があります。結果として、OCR単体では自動化ツールとして最適な価値を発揮できません。

3. OCRは変動を処理できない

さらに、OCRは文書のテキストやレイアウトの変動を処理できません。構造が異なる文書を処理する際の大きな問題となります。

4. OCRは文書を分離できない

ファイルを自動化プロセスに組み込む前に文書ごとに分離する必要がある場合や、ワークフローのインデックスフィールドやキー値に重複がある場合、さらなる問題が生じます。

5. OCRは十分に正確でもスケーラブルでもない

結局のところ、純粋なOCRだけでは、複雑で認知的なプロセスには十分な精度とスケーラビリティがありません。企業には、限定的でエラーしやすいコンポーネントではなく、成熟して柔軟なソリューションが必要です。

ご覧の通り、スタンドアロンのOCR技術は、今日の高度なエンタープライズワークフローを支えるには十分ではありません。しかし、RPAソフトウェアとAIと組み合わせれば、OCRは極めて有用なツールになります。次のセクションでは、UiPathがOCRを用いていかに高精度な自動化を実現しているかを探ります。

ユースケース：UiPath Document UnderstandingにおけるOCR

UiPath Document Understandingは、RPAとAIを用いて文書からデータをデジタル化し、処理・分析可能にします。Document Understandingは構造化・非構造化の両データを扱え、手書き、表、チェックボックス、署名など多様なオブジェクトに対応します。

Document Understandingには、正確で柔軟な文書処理、運用効率の向上、ヒューマンエラーリスクの低減、複雑なプロセスのエンドツーエンド自動化など、多くのメリットがあります。

文書理解テクノロジーはOCRではない点に注意が必要です。両者が同一視されるのは一般的な誤解です。むしろ、文書理解は、非デジタル文書のテキストをデジタル化するためにOCRを利用する、より高度な技術です。

特筆すべき違いは、UiPathがOCRとデータ抽出を分離（デカップリング）していることです。この分野の多くの企業はOCRと抽出を一体化しています。UiPathはこれらを分離することで、抽出側に影響を与えずに別のOCRエンジンを選択できるため、より多くの選択肢、柔軟性、精度を提供します。また、UiPath OCRパブリックコントラクトを用いて、独自のOCRエンジンを導入することも可能です。

Document UnderstandingがOCRをどう活用するか

OCRは、Document Understandingプロセスの早い段階で登場します。タクソノミーがワークフローに読み込まれ、すべてのファイルとデータが抽出用に定義された直後です。

Document UnderstandingはOCRエンジンを用いてテキストを検出・デジタル化し、ロボットが読めるようにします。そこから、文書が指定リストから分類され、データが抽出され、必要に応じて人間が抽出データを確認した後、関連リポジトリにエクスポートされます。

UiPath Document Understandingでは、独自のUiPath Document OCRだけでなく、サードパーティのOCRエンジンも利用できます。お客様は、ユースケースで最も精度の高いエンジンを選択できます。

この図が示す通り、OCRはUiPath Document Understandingフレームワークの一部です。その唯一の目的は、テキストを機械可読にすることです。

ユースケース：UiPath AI Computer VisionにおけるOCR

UiPath AI Computer Visionは、RPAの最大の課題の一つである、仮想デスクトップインフラストラクチャ（VDI）の自動化を解決します。Citrix、VMware、Microsoft Windowsリモートデスクトップなどが対象です。

AI Computer Visionにより、ソフトウェアロボットは、隠れたプロパティに頼るのではなく、コンピュータ画面上のすべての要素を「見て」理解できるようになります。AI Computer Visionを使えば、フレームワークやOSに関わらず、VDIの自動化が可能になります。

AI Computer Visionは、ドロップダウンメニューやチェックボックスなどの動的UI要素を含む自動化を可能にし、幅広いインターフェースタイプをサポートします。このソリューションは、仮想マシン自動化の実装時間を短縮し、自動化のレジリエンスと信頼性を高めます。

AI Computer VisionもOCRを利用しますが、文書のデジタル化には使いません。これは微妙ですが、よくある誤解です。

UiPath AI Computer VisionがOCRをどう活用するか

標準的なOCRとRPAだけでは、リモートデスクトップが所詮ビデオフィードに過ぎないため、仮想環境での自動化は不可能です。テキストを解釈し、さらに重要なことに、インターフェース内でのそのタイプと目的を理解するには、高度なソリューションが必要です。

AI Computer Visionは、過去数年間にUiPathで開発されたカスタムスクリーンOCRと高度なニューラルネットワークを用いて、仮想デスクトップフィード上のUIを分析し、人間のように理解します。このソリューションは、ボタンのクリックだけでなく、テーブル全体の抽出やドロップダウンメニューとのインタラクションなど、複雑な操作も含め、あらゆる利用可能なインターフェースを容易にナビゲートできます。

要素識別には、ファジーマッチングと呼ばれるテキスト解釈技術を使用します。この技術により、OCR結果の不整合があっても、UiPathロボットが毎回正しい要素を特定できるため、結果として自動化の信頼性が向上し、開発時間も全体的に短縮されます。

UiPathでOCRを次のレベルへ

ご覧の通り、OCRを組み込んだAIベースのソリューションを使うことには、非常に大きな価値があります。UiPath Document UnderstandingとUiPath Computer Visionツールは、基本的なOCRを大きく超え、エンタープライズスケーラビリティを備えた迅速かつ信頼性の高い自動化を実現します。これにより、非構造化データやVDIの背後にロックされているデータを含め、データの完全な価値を引き出せます。

以下のチャートで、Document UnderstandingとComputer Visionのどちらがお客様のニーズに合うか判断できます：

文書データとVDIシステムを活用する準備はできましたか？

まずは、UiPath Automation Cloudに登録し、UiPath Document UnderstandingとUiPath AI Computer Visionを今すぐ使い始めてください。

UiPath Automation Cloudの無料トライアルを開始し、非構造化データを活用して、ビジネスプロセスにより多くの構造と効率をもたらすことがいかに簡単かを体験してください。