Van
facturen contracten CMR Orders
naar directe actie

Traditionele OCR-systemen “kijken” naar letters en cijfers, maar begrijpen niet wat ze zien. Ze herkennen tekst, maar weten niet dat het getal rechtsonder op een factuur het totaalbedrag is. Een factuurnummer in kolom A is voor OCR exact hetzelfde als een ordernummer in kolom B: tekens zonder betekenis.

AI data-extractie gaat fundamenteel verder. Het systeem leest en begrijpt de context van je documenten, vergelijkbaar met hoe een ervaren medewerker dat doet. Of een bedrag nu linksboven of rechtsonder staat, de AI herkent het als “Totaalbedrag” door de omliggende tekst, lay-out en documentstructuur te analyseren. Het systeem combineert visuele herkenning (waar staat iets op de pagina?) met taalbegrip (wat betekent de tekst eromheen?) om tot de juiste interpretatie te komen.

Dit verschil is cruciaal. Waar OCR je een platte tekst geeft die je alsnog handmatig moet interpreteren, levert AI data-extractie direct gestructureerde, bruikbare data op: leveranciersnaam, factuurnummer, bedragen, BTW-tarieven, datums, allemaal netjes in de juiste velden. En dat werkt niet alleen voor standaarddocumenten. Ook ongestructureerde bronnen als e-mails, bijlagen en handgeschreven notities worden verwerkt door dezelfde AI-technologie. Het systeem leert bovendien van elk document dat het verwerkt, waardoor de nauwkeurigheid continu toeneemt naarmate je meer documenten aanbiedt.

Eeen enkel AI-model maakt fouten. Dat is onvermijdelijk. Maar wat als je meerdere modellen onafhankelijk van elkaar laat werken en ze vervolgens laat “stemmen” op het juiste antwoord?

Dat is precies wat onze Large Model Voting-methodologie doet. Meerdere AI-engines analyseren hetzelfde document. Elk model extraheert de data op zijn eigen manier. Vervolgens vergelijken we de resultaten en selecteren we de waarden waar de modellen het over eens zijn.

Het principe is vergelijkbaar met een team van experts dat onafhankelijk naar hetzelfde probleem kijkt. Waar ze het eens zijn, is de kans op fouten minimaal. Waar ze van mening verschillen, weten we precies welke velden extra aandacht nodig hebben. Die velden worden automatisch gerouteerd naar de human-in-the-loop verificatie, zodat een medewerker alleen de onzekere gevallen hoeft te controleren.

Het resultaat is hoge extractienauwkeurigheid, zonder dat je afhankelijk bent van een enkel model of een enkele leverancier. Komt er morgen een beter model beschikbaar? Dan voegen we het toe aan het stemteam. Wil je een model vervangen? Het systeem blijft gewoon werken. Dat is de kracht van een open-source AI aanpak: geen vendor lock-in op modelniveau.

In de praktijk betekent dit dat je extractienauwkeurigheid hoger ligt dan bij welk enkel model dan ook, terwijl je de flexibiliteit behoudt om mee te bewegen met de snelle ontwikkelingen in de AI-wereld. Waar concurrenten vastzitten aan een enkel model dat ze niet kunnen vervangen zonder hun hele systeem te herbouwen, kun je bij EasyData modellen toevoegen, vervangen of combineren zonder downtime. Die architecturale vrijheid is wat het verschil maakt tussen een AI-implementatie die over twee jaar verouderd is en een die meegroeit met de technologie. Lees meer over hoe ons ESV Platform deze multi-engine aanpak mogelijk maakt.