文書画像から必要項目をJSON化する2Bモデル、業務処理をどう変えるか

OCRの先にある「必要な項目」の抽出

請求書や申込書をOCR(画像から文字を読み取る技術)にかけると、紙面の文字は得られます。しかし、合計金額や支払期限がどの文字列なのかを特定し、業務システムの項目に割り当てる作業は別に残ります。Dharma Field Extractorは、この後工程を担う2億ではなく20億、つまり2-billion-parameter(20億パラメーター)のモデルです。文書画像を入力すると、必要な値を項目ごとに整理し、JSONという機械処理しやすい形式で返します。

特徴は、請求書や身分証など文書の種類ごとに個別調整しなくても、同じモデルで扱う設計にあります。表の明細は行ごとにまとめ、項目が見当たらない場合は値を作らずnullを返すとしています。ただし「どんな文書でも必ず正確に」という意味ではなく、実際の精度は文書の状態や項目、利用条件によって変わります。

自由抽出と、決まった形式への抽出

使い方は二つあります。一つは、あらかじめ項目を指定せず、文書内のラベルと値、表の見出しなどから構造化された情報を拾う方法です。文書に何が書かれているか分からない場合の確認や、後から項目を整理する用途に向きます。

もう一つは、必要な項目と型を指定する方法です。たとえば「supplier」「invoice_number」「due_date」のように既存システムのキー名を渡すと、その形に合わせた結果を返します。数値や文字列などの型も指定でき、書類にない項目はnullになります。表も指定した列に沿って出力されるため、後続処理につなげやすいのが利点です。導入時は、出力をそのまま登録する前に、重要項目の確認や例外処理を設けるのが現実的です。

学習方法とベンチマークの読み方

基盤にはOCR向けに調整したDharmaOCR-LITE v1.1を使い、その上にLoRAアダプターを追加学習しています。LoRAは、モデル全体を作り直さず、一部の追加パラメーターで用途に合わせる手法です。学習例は43,384件で、英語の多分野文書、ポルトガル語のブラジル文書、その他の欧州・アジア言語を含むと説明されています。領収書、請求書、銀行明細、身分証など、対象を一種類に限定しない構成です。

評価は546文書を三つの依頼形式で試した計1,638ケース。項目の一致だけでなく、値の類似度と有効なJSONとして返る割合もスコアに反映します。記事によると、総合スコアは0.834で、比較した汎用LLMは0.816から0.741でした。また、学習に使っていない公開データセットSROIEとFUNSDの例も示し、レシートやチェック欄への対応を紹介しています。限られたベンチマークでの結果であり、あらゆる業務文書で同じ差が出るとまでは言えません。

コスト比較と、試すときのポイント

記事では、単一のL40S GPUで動かした場合、比較対象のAPIより抽出コストが低かったと報告しています。差はモデルにより約6倍から約147倍とされます。ただし、これは販売価格ではありません。GPUの種類や処理量、必要な応答速度で自社運用の費用は変わり、API側の比較も公開料金と測定したトークン量に基づくものです。自社環境への導入費や運用負担まで含めた優位性は、別途見積もる必要があります。

今日から試すなら、まず匿名化した請求書など少量の実データを用意し、必要な項目名と型を決めてスキーマ指定で抽出してみましょう。出力を人手で照合し、誤読しやすい項目、空欄の扱い、表の行ずれを記録すると、導入効果と確認すべきリスクを具体的に判断できます。


参考リンク
Hugging Face:Dharma Field Extractor: Any Document In, Structured Fields in JSON Out

本記事はAIが生成し、自動公開しています。内容の正確性には努めていますが、重要な判断の際は必ず一次情報をご確認ください。