Одним из ключевых конкурентных преимуществ финансовых организаций сегодня является сервис. Банки, страховые и лизинговые компании постоянно совершенствуют свои продукты, но в большинстве случаев клиенты делают выбор в пользу тех из них, которые предоставляются удобнее, проще и быстрее.
Именно поэтому финансовый сектор уделяет огромное внимание совершенствованию процессов взаимодействия с клиентами. Например, скорость и точность обработки заявок на приобретение финансовых продуктов, поступающих из розничных точек или интернет-сервисов, напрямую влияют на количество продаж и получение новых клиентов.
В одном из крупных российских банков в прошлом году была внедрена система автоматической обработки документов из POS-точек на основе нейросетевых технологий. Система стала эффективным решением задач высокоскоростного и точного извлечения данных из электронных копий паспортов, заявок, проверки комплектности документов и наличия подписей.
В точках POS-кредитования специалисты отправляют электронные копии документов по заявкам в АБС, откуда централизованно документация уходит в систему обработки. После распознавания в АБС возвращаются сведения о заказанных продуктах и реквизиты заявителя, а электронные копии документов в целях обеспечения конфиденциальности удаляются. Система синхронизирована с АБС, имеет собственный интерфейс и состоит из автоматизированных рабочих мест операторов для администрирования и верификации.
Система распознает документы с качеством не менее 95%, обрабатывая 15 документов в секунду и не менее 10 тысяч документов в час.
До недавнего времени у финансовых компаний для обработки клиентских заявок на свои продукты было два пути – либо использовать OCR-технологии (англ. optical character recognition - оптическое распознавание символов), либо полностью ручную обработку. Излишне говорить, что ручной перенос данных в систему не отличается высокой скоростью и зависит от пресловутого человеческого фактора. А внедрение OCR не решает задачи автоматизации в полной мере из-за дорогого лицензирования, требовательности к вычислительным ресурсам оборудования и сложности использования шаблонов. Например, для распознавания электронных копий паспортов извлечение индексной информации с помощью шаблонов крайне неэффективный метод – такие системы не справляются с изображениями низкого разрешения, размытыми засвеченными фотографиями, отсканированными темными ксерокопиями. Когда поток неоднородных документов огромен, использование OCR-систем становится нецелесообразным.
Сегодня для финансовых компаний разработано экономичное и эффективное решение на основе технологий машинного обучения (нейросети).
Нейросеть можно «научить» эффективно работать с определенными документами для автоматизации конкретного бизнес-процесса, например, обработки поступающих заявок
Главное преимущество нейронных сетей – самообучаемость и гибкость. Такие системы используют совокупность разных математических алгоритмов, каждый из которых отвечает за определенное действие обработки. Нейросеть можно «научить» эффективно работать с определенными документами для автоматизации конкретного бизнес-процесса, например, обработки поступающих заявок.
Если для офиса, где обрабатываются разные виды типовой документации достаточно FineReader, то для высоконагруженного решения необходимо учитывать и скорость распознавания, и оптимизацию вычислительных мощностей, и сложность определенных документов (например, паспортов).
К примеру, в нескольких сотнях POS-точек, расположенных на территории всей страны, перевод документов в электронный вид может проходить по-разному. Поэтому одно из главных требований – без потери скорости и качества распознавать не только хорошо отсканированные документы, но и сканы ксерокопий, фотографии паспорта на листе А4, сделанные с помощью телефона и т.п.
Система самостоятельно классифицирует документы по типам (паспорт, заявка, приложения и т.п.), автоматически выравнивает, обрезает, удаляет «шумы» со скан-копий. Из электронных копий извлекаются необходимые данные: автоматически – ФИО, серия, номер, вручную операторами – адрес прописки со штампа.
Сомнительно распознанные символы маркируются, оператор может их исправить. При исправлении актуальное написание заносится в словарь. Затем при частом совпадении такое значение будет использоваться автоматически. То есть система обучается, она самостоятельно анализирует документы и сохраняет верные решения. Фактически, в процессе работы качество и скорость обработки документов только возрастает.
Безусловно, такое решение не является универсальным коробочным продуктом. Проектная команда разработчика проводит экспертизу документов и бизнес-процессов, настраивает и обучает нейросеть для распознавания определенных типов документов. И только потом происходит внедрение. Система, конечно же, может работать не только с паспортами и комплектами клиентских заявок: при необходимости решение настраивается для других документов, например, финансовых.
Один из главных плюсов решения – гибкость внедрения. Система может быть развернута на корпоративном сервере или на основе сервисной модели. В этом случае процессы обработки и верификации документов передаются операторам специализированной компании – со стороны финансовой организации поступают только изображения документов, назад возвращаются распознанные данные и сведения о заказанных услугах, которые напрямую загружаются в учетную систему.
Благодаря микросервисной архитектуре, систему можно масштабировать в периоды увеличения сезонных нагрузок без дополнительных затрат на основе задействованного оборудования. Это происходит за счет распределения нагрузки между доступными ядрами процессоров. При выходе из строя оборудования или недостаточных мощностях автоматически подключаются резервные ядра других доступных процессоров. В случае увеличения розничной сети производится наращивание рабочих мест операторов либо среди своего персонала, либо с привлечением специализированной сервисной компании.
«В результате внедрения системы автоматической обработки документов финансовая организация повышает свои экономические показатели за счет увеличения количества обрабатываемых клиентских заявок и роста производительности централизованной модели обслуживания. Существенно оптимизируется работа розничных продаж» – комментирует представитель разработчика (корпорация ЭЛАР) Юрий Спельник.
Стоит отметить что сегодня эти технологии уже отработаны и апробированы в крупных проектах. Финансовым организациям доступен полностью готовый и комплексный продукт.
Корпорация ЭЛАР работает на российском ИТ-рынке с 1992 года. Компания впервые в России в 1996 году разработала и применила промышленную технологию перевода бумажного библиотечного каталога в машиночитаемый формат, которая получила название «ретроконверсия». В дальнейшем этот опыт был перенесен на другие типы документов и данных. со временем созданы собственные обучаемые алгоритмы и математические модели для обработки и распознавания.
