Интеллектуальная обработка документов: Build vs Buy — выбор правильной стратегии

Бизнес работает на документах и коммуникациях. Они лежат в основе почти любого процесса, который можно представить — везде, где сообщение (как email или чат) или документ читается или отправляется. Неудивительно, что рынок интеллектуальной обработки документов (IDP) растет на 28,9% ежегодно и ожидается достижение $17,8 млрд к 2032 году.

IDP обычно смешивает множество ИИ-технологий, включая обработку естественного языка (NLP) и распознавание изображений, чтобы помочь предприятиям быстро обрабатывать документы и коммуникации в масштабе. По мере того как бизнес-лидеры принимают ИИ-агентов — мощные ИИ-сущности, способные выполнять работу за людей и от их имени — документоориентированные процессы стали идеальным кейсом для агентной автоматизации. Комбинирование ИИ-агентов с роботами и возможностями IDP, под надзором людей в цикле, дает быстрые возвраты и серьезное влияние на эффективность.

Однако это поднимает вопрос: строить или покупать свои возможности IDP? Важно оценить все варианты и считать, какой подход может дать наивысший ROI, лучшую производительность и самое быстрое время к ценности. Для большинства бизнесов правильный вариант — купить существующее IDP-решение. Объясню почему:

Строить свое (BYO) IDP

С ростом публично доступных больших языковых моделей (LLM) и растущей доступности поддерживающих API, предприятия никогда не имели столько инструментов для построения кастомных IDP-систем. Однако много инструментов в ящике не делает саму задачу легче.

В BYO IDP системе каждый компонент (от понимания языка до извлечения данных и автоматизации) нужно строить с нуля или, более вероятно, закупать у множественных сторонних провайдеров. Например, для поставки необходимого NLP-компонента для понимания документов и коммуникаций, бизнес может построить свою IDP-систему вокруг внешней LLM вроде ChatGPT или Claude от Anthropic.

BYO IDP система дает бизнесу end-to-end владение и больший потенциал кастомизации по сравнению с вендорскими решениями. У них гибкость адаптировать свою систему к меняющимся бизнес-потребностям, без необходимости тесно работать с другой организацией. Однако в большинстве случаев эти выгоды перевешиваются ключевыми вызовами BYO подхода:

Затраты

Частое заблуждение: BYO дешевле оплаты IDP как сервиса. В большинстве случаев это не так ни в краткосрочной, ни в долгосрочной перспективе. Разработка и поддержка собственной IDP-системы требует значительного времени и дорогого специализированного таланта. Нужны разработчики ПО для создания платформы и UI, дата-сайентисты для подготовки данных, пред- и пост-обработки, и многие другие эксперты для задач вроде мониторинга производительности (для которых придется создавать свои дашборды отчетности), аудита и логирования.

Рассмотрите, что даже сторонние LLM требуют ИИ-специалистов и инженеров для тонкой настройки выбранной модели под точные бизнес-требования. Даже самые популярные и мощные vision-language модели (VLM) — фундаментальные модели, обученные на массах разных типов данных от структурированных документов до изображений. По умолчанию они не будут тонко настроены на точный тип документа или схему, которую вам нужно, что означает более низкую точность и больше ошибок.

Поддержка собственной IDP-системы также требует непрерывных обновлений и ресурсов. Любая BYO система, требующая аннотации данных, будет нуждаться в обучающих материалах для пользователей, которые придется обновлять для отражения вашего UI.

Риск

Зависимость от редкого и дорогого технического таланта для поддержания системы операционной — риск. Из-за затрат и дефицита талантов эти команды склонны быть небольшими. Они могут сталкиваться с ограничениями в количестве кейсов и бизнес-юнитов, которые могут реально поддерживать. Отток талантов также может сделать систему неработоспособной или нежизнеспособной в долгосрочной перспективе. Есть вечный риск, что финансирование проекта может быть прекращено.

Эти вызовы усугубляются, когда требуются ИИ-навыки и тонкая настройка моделей. Согласно недавнему исследованию McKinsey & Company, почти половина (47%) C-suite decision makers чувствует, что они разрабатывают ИИ-решения слишком медленно, причем пробелы в навыках талантов — главная причина.

Сложность

Когда вы строите IDP-систему, вы единственно отвечаете за сложное управление ИИ-моделями и платформой. Действительно, системы для сложных кейсов могут требовать сотни ИИ-моделей, которые нужно управлять. Например, крупный банк может нуждаться в нескольких сотнях моделей, тонко настроенных для различных кейсов для достижения необходимого уровня точности. Даже если ИИ-система может обрабатывать документы и коммуникации «из коробки», значительное количество промпт-инженерии или сбора контекста все еще нужно для приемлемой производительности. Масштабирование этого до сотен кейсов было бы невероятно сложно, так как нужно аннотировать данные, бенчмаркать, деплоить и поддерживать сотни промптов.

Есть много скрытых затрат в IDP-системе, построенной самостоятельно. Каждый компонент системы — важное решение, и каждая технология требует специализированных навыков и увеличивает технический долг (вместе с повышенным риском). Неизбежно, BYO — тяжелая нагрузка и означает более медленное время к ценности. Более высокая lifetime стоимость вероятно из-за талантов, управления и требований поддержки. Неудивительно, что 69% технологических decision makers считают кейсы извлечения и маршрутизации документов высоко сложными для деплоя, согласно анализу Forrester для UiPath.

Преимущества покупки IDP-системы

Альтернатива построению своей системы — покупка IDP как сервиса у стороннего вендора. Есть два основных подхода:

• Покупка IDP как point solution и интеграция с остальным enterprise tech stack.
• Покупка IDP как части большего решения или платформы. Это дает доступ к дополнительным возможностям, таким как автоматизация, по мере необходимости.

Покупка IDP как сервиса дает бизнесу меньше контроля над разработкой платформы по сравнению с кастомной системой. Однако провайдеры платформ будут работать с клиентами, чтобы обеспечить эволюцию системы под их нужды. Есть также много других преимуществ:

Время к ценности

Внедрение существующей IDP-платформы обычно быстрее разработки новой. Установленные платформы проверены годами использования в крупных предприятиях через разнообразные кейсы. Ресурсы обучения и enablement уже созданы, и во многих случаях профессиональные сервисы поддержки предоставлены, чтобы помочь пользователям ударить по земле и начать генерировать ценность от внедрений.

Фундаментальные LLM требуют дорогой и трудоемкой тонкой настройки и промпт-инженерии перед готовностью к бизнес-использованию. Даже тогда могут быть кейсы настолько сложные или крупномасштабные, что они заканчиваются «тупиками», где никакое количество промптинга не может доставить точную, надежную извлечение. В контрасте, ИИ, лежащий в основе IDP как сервиса, обычно спроектирован вокруг быстрой кастомизации модели и low-code обучающего опыта. Например, они могут использовать active learning, где обычные бизнес-пользователи и ИИ-модели активно сотрудничают для завершения процесса обучения быстрее.

Снижение риска

Выбор IDP как сервиса существенно снижает различные формы риска. Вы больше не зависите от дорогого внутреннего таланта для поддержания вашей IDP-системы операционной. Вендор владеет поддержкой системы, а также управлением платформы и моделей. Провайдеры IDP-решений также ожидаются доставлять высшие уровни enterprise-grade безопасности данных.

Стоимость владения также должна рассматриваться. Поспешная разработка, несовершенный код или использование скоро устаревающих технологий в BYO IDP системе все повышают риск технического долга. Со временем это требует дорогостоящих коррекций и обновлений системы.

Покупка IDP как сервиса сильно снижает риск и технический долг для покупателя. Вендоры приоритизируют технологические обновления для конкурентоспособности, принимая последние возможности и непрерывно итерируя и улучшая свой сервис. Они занимаются необходимой переработкой, тестированием, обновлением и заменой устаревших компонентов.

Не пытайтесь строить модели сами. Привлекающие внимание заголовки делают это проще, чем есть. Найдите вендора, который делал ИИ до хайпа LLM. Компетенция в смежных ИИ-процессах нужна: unsupervised learning, подготовка данных, базовые ML вычисления.

Simon Knowles, Head of Technology, Vabble

Масштабируемость

Кастомная система требует кастомных коннекторов и API для интеграции с релевантными enterprise системами. В зависимости от размера и сложности бизнеса, это может требовать сотни или даже тысячи совокупных часов разработки. Установленные IDP-платформы будут иметь готовые коннекторы для самых популярных enterprise систем, обеспечивая быстрые интеграции и время к ценности. С облачной IDP-системой вы также можете ожидать доступ к последним ИИ-апгрейдам и возможностям без поедания затрат на их построение или интеграцию самостоятельно.

По всем этим причинам IDP как сервис должен быть предпочтительным вариантом для предприятий, ищущих быстрое время к ценности, точность и надежность в своей IDP-системе. Кастомные билды зовут значительный технический долг, вместе с повышенным риском и ответственностью в долгосрочной перспективе. IDP как сервис перекладывает бремя ответственности на специализированную платформу, заточенную годами конкуренции и итераций.

Enterprise-ready платформа для масштабирования ИИ и IDP

Возможности UiPath IDP — идеальный выбор для предприятий, ищущих внедрение лучших в классе ИИ и IDP безопасно и успешно. IDP встроен в наш сквозной фреймворк автоматизации, позволяя автоматизировать обработку документов и коммуникаций. Можно также использовать предстроенные возможности, кастомизировать их и привозить свои или сторонние компоненты по требованию.

UiPath Intelligent Xtraction and Processing (IXP) предоставляет ведущий в отрасли solutioned подход к IDP. Благодаря последним ИИ-моделям, UiPath IXP позволяет извлечение растущего числа типов корпоративного контента: всё от структурированных документов вроде счетов до сложных и неструктурированных вроде юридических контрактов. Мы предоставляем обширные возможности платформы и контролы над нашими IXP-моделями, позволяя им быстро масштабироваться по предприятию:

Enterprise-ready

UiPath IXP построен для быстрого времени к ценности и бесшовного пользовательского опыта. Это убирает боль из обработки документов всех типов и сокращает время до деплоя.

Первое — его inference-first процесс обучения. Никакого обучения не требуется для точного извлечения полезных данных из сложных неструктурированных документов прямо из коробки. Вместо этого пользователи просто дают инструкции (как промпт) модели о том, что извлекать и как это выглядит в документе. Однако UiPath IXP все еще дает пользователям возможность аннотировать, если они хотят дальше уточнить модель или дать ей ground truth для оценки.

UiPath IXP также предоставляет сильные контролы над схемой этих генеративных моделей. Пользователи могут создавать свои «группы полей», указывая точную информацию, которую хотят извлечь. UiPath оптимизирует много работы в пост-обработке, и выход — в точном формате, нужном для взятия полученных структурированных данных, использования в автоматизациях и дележки с ИИ-агентами для создания ценности.

Контролируемое и комплаенсное

UiPath first-party модели управляются под сильнейшими enterprise контролями. UiPath Platform доставляет надежное rules-based access control (RBAC), версионирование моделей и обширные performance guardrails для наших first-party IXP моделей. Human in the loop также встроен в наш платформенный опыт, гарантируя, что сгенерированные выходы правильно валидируются.

Кроме того, UiPath управляет всеми third-party моделями через UiPath AI Trust Layer, доставляя управление, доверие и безопасность для GenAI. Это означает zero data retention и никакого внешнего обучения моделей на ваших бизнес-данных.

Гибкая, открытая стратегия моделей

ИИ-модели продвигаются быстро, и лучшая модель сейчас может не быть лучшей для вашего кейса через шесть месяцев. Мы постоянно инвестируем в создание лучших специализированных LLM для базовых бизнес-процессов и постоянно их улучшаем. Релиз нашей последней модели для сложной и неструктурированной обработки документов — доказательство этому.

Но наша ИИ-стратегия остается открытой. Мы предоставляем тулинг для интеграции ваших любимых third-party или проприетарных LLM и управления ими под UiPath AI Trust Layer. С UiPath у вас гибкость использовать комбинацию лучших в классе моделей для каждой задачи через ваши кейсы.

Оптимизация для улучшенной точности и надежности

Наши IXP возможности оптимизированы для продвинутого извлечения данных с техниками вроде RAG и curated system prompting. Context grounding означает, что IXP модели безопаснее, более производительны и точны. Наш Validation Station интерфейс показывает доказательства, где извлеченная информация найдена в документе, значит сгенерированные выходы могут быть легко верифицированы с доказательствами.

Проектный опыт

Наши инновации направлены реальными, на-земле IDP деплоями в крупных предприятиях. Наши пользователи просто определяют тип документа и могут использовать множество моделей. Они также могут оценивать производительность, мониторить и управлять версиями моделей — все ключевые возможности для деплоя ИИ, поддержки и затем масштабирования через бизнес.

Один клиент, испытывающий выгоды UiPath IDP возможностей — топ-20 взаимная страховая компания Encova Insurance. Для автоматизации инвойсинг претензий Encova изначально разработала свое IDP-решение, построенное вокруг традиционного OCR и сторонней ИИ-модели для понимания языка. Однако, когда они приняли UiPath Platform для IDP, они заметили немедленное улучшение точности:

Когда речь идет о понимании документов, с традиционным оптическим распознаванием символов мы получали 40% без проблем и 30% частично завершенных. С этим новым [UiPath] процессом, коэффициент успеха 99%.

Jeffrey Martin, Solution Architect, Encova

Возможности UiPath IDP доставили быстрое время к ценности и значительно повысили эффективность в финансах, продажах, андеррайтинге, операциях и поддержке клиентов Encova. В программе приема полиса, например, время ручного ввода данных сократилось на 98%. 95% снижение годового времени обработки аналогично достигнуто в коммерческих эндорсментах.

UiPath также признан лидером в IDC MarketScape: Worldwide Unstructured Intelligent Document Processing Software 2024 Vendor Assessment. Согласно отчету:

«UiPath рассматривает GenAI и LLM как критически важную технологию и все более интегрирует их через все фазы своего IDP, communications mining и портфолио автоматизации... Далее, UiPath продолжает приоритизировать и развертывать enterprise-grade безопасность, приватность, доступ, context grounding и контрольные функции для обеспечения того, что GenAI модели и сервисы могут быть безопасно и надежно использованы в поддержке mission-critical кейсов».

Отчет также комментирует: «Мультимодальный ИИ-фокус UiPath дает ему стратегическое преимущество для непрерывного вождения новых методов и подходов к максимизации ценности традиционного (то есть предиктивного ИИ) и GenAI для неструктурированного IDP».

Узнайте, как возможности IDP платформы UiPath доставляют быстрое время к ценности и помогают масштабировать передовое ИИ по всему предприятию.