ERP 系統與 OCR 技術整合

2天前

讀畢需時 3 分鐘

許多使用者手上所使用的工具將發生前所未有的轉變，過去老師使用微軟的工具做簡報，員工使用微軟的工具件報表，創業家使用微軟的工具協提案計畫書，現再這些工具可能只剩下瀏覽的功能，剩下展示的功能，剩下呈現給第三方觀看的功能。工具一直在改變，從在本地電腦端安裝，變成在雲端不需要安裝舊直接使用，現在似乎又要回到電腦端，但這一次不是由工程式客製開發特定的程式，不是由設計師設計特定頁面，而是使用者有機會自己客製化自己的需求，只要使用者有 token，只要使用者知道方法，只要使用者知道邏輯與架構，就能自己搭建。

角度數據曾與一個創業家合作，這位創業家利用 chatGPT 建立了一個網站，這個網站在我的眼中十分完整，使用者介面也設計的十分流暢，應該只剩下最後的微調階段，雖然不知道這位創業家花了多久的時間與 chatGPT 溝通，但能獨自完成到接近完整的地步，不得不讓身經百戰的工程師豎起大拇指，好好的稱讚一番。如果您和我一樣只是重視程式的功能與完整性而不在乎軟體的介面，chatGPT 打造出來的網站前端已經十分完整，只少已經和現有的 Wix 不相上下，chatGPT 的有點成功讓創業家，表達自己的需求與實現自己的夢想。更多的細節可參閱 https://www.9do.tw/single-post/ai-生成太厲害，下一步文中說明。

這一編文章是延續 https://www.9do.tw/single-post/面對例行的帳務工作篇文章的內容，當時人工智慧還沒有這麼厲害，技術也沒有這麼成熟，工程師使用很傳統的方法串接公司的掃描器，將所有數據資料透過掃描器讀入取的影像，然後進行分析處理，雖然可以幫助公司的管理者解決問題，但是程式開發之後，程式主體很難變更功能與介面，每一次的調整都需要專業人士進行調整與修改。很多使用者都會有自己習慣的介面，雖然 windows 的桌面越來越花俏，但是角度數據依然有看到部分使用者還使喜歡使用傳統的介面，或許習慣是一種很難改變的特質。

MODEL = r'/model'
IMAGE = r'PXL_20261110_075015881.jpg'
PROMPT = (
    "Extract all information from the main body of the document image and represent it "
    "in markdown format, ignoring headers and footers. Tables should be expressed in OTSL "
    "format, formulas in the document should be represented using LATEX format, and the "
    "parsing should be organized according to the reading order."
)

device = 'cuda' if torch.cuda.is_available() else 'cpu'
dtype = torch.float32 if device == 'cpu' else torch.float16
processor = AutoProcessor.from_pretrained(MODEL)
model = AutoModelForImageTextToText.from_pretrained(MODEL, dtype=dtype).to(device).eval()
messages = [{
    'role': 'user',
    'content': [
        {'type': 'image', 'url': IMAGE},
        {'type': 'text', 'text': PROMPT},
    ],
}]
inputs = processor.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=True,
    return_dict=True, return_tensors='pt',
)
inputs = inputs.to(device)
print('input tokens', inputs['input_ids'].shape[1], flush=True)

with torch.inference_mode():
    output = model.generate(**inputs, max_new_tokens=2048, do_sample=False)

需求者不再需要開發系統，不需要寫程式，只需要簡單的描述，就能達成先前將發票的數據資料存進資料庫的功能，設定好語言模型如 chatGPT，載入模型提供代處理的影像，所有的文字辨識就全部完成，只需要將處理完的資料塞入對應的表格就完成。之前開發的技術只能辨識英、數字，而且辨識英、數字的方法還不能使用扭曲變形的字體，否則會出問題。對於中文的辨識很容易誤判產生失誤，訓練的資源只能依據標準字體進行處理，由於正確率還沒有達到商用的水準，如果有委託者需要繁體中文有較好的辨識效果，專案經理就必需採購中文辨識模組的函式庫，將函式庫併入專案中，但是現在只要讓人工智慧處理，就能變出正確的中文內容，讓開發的流程與複雜度大幅下降。

通常大型的 ERP 都有 API 可以串接，可以採用程式或指令將資料倒入，過去有經驗的工程師可以串接數據資料，現在一般的員工透過 AI 協作也有能力做到。過去可能需要一個轉換程式，將紙本資料透過 OCR 技術數位化，再加上一個資料對接程式將資料導入系統，減少打字輸入實現資料自動導入的工作，這樣的工作已經變的很容易，如果企業有這樣的需求，角度數據願意分享經驗與方法。