Как обрабатывать низкие оценки достоверности в Document AI и Power Platform

By Mirko Peters · 2026-09-18

Узнайте, как управлять низкими оценками достоверности в Document AI и Power Platform с помощью правил проверки, отслеживания в Dataverse и проверки исключений в Power Apps.

Automatically translated with AI from the original post. Read the English original

Управление низкими оценками достоверности в Document AI и Power Platform требует продуманной стратегии, которая сочетает извлечение с помощью ИИ и проверку человеком (human-in-the-loop). В этом руководстве рассматривается, как настроить правила проверки, включить отслеживание в Dataverse и создать интерфейсы исключений в Power Apps, чтобы автоматизированные процессы работы с документами не отказывали незаметно, когда точность извлечения падает.

Главное

• Оценки достоверности показывают уверенность ИИ в конкретных полях, а не точность всего документа.
• Критически важные данные, такие как итоговые суммы счетов и платежные реквизиты, требуют строгой проверки по бизнес-правилам независимо от высокой оценки ИИ.
• Power Automate выступает в роли механизма маршрутизации, направляя поля с низкой достоверностью в назначенные очереди исключений.
• Dataverse ведет полную историю извлечений, проверок и исправлений для соблюдения требований соответствия.
• Power Apps предоставляет экраны для сверки бок о бок, где проверяющие могут быстро исправить неточные поля.

Понимание оценок достоверности Document AI

Когда организации внедряют Microsoft Content Understanding и AI Builder, команды часто воспринимают оценку достоверности как бинарный сигнал «зеленый или красный» для всего документа. Однако оценки достоверности работают поле за полем. Чистое, машинно напечатанное наименование поставщика может получить 99% достоверности, тогда как номер счета, поставленный штампом на темном фоне или на сгибе, может получить 65%. Опора на единую совокупную оценку для всего PDF-файла приводит к тому, что команды либо блокируют слишком много хороших файлов, либо пропускают опасные ошибки.

Чтобы построить устойчивую облачную архитектуру, администраторы должны смотреть не только на документ в целом, а оценивать профиль риска отдельных полей. Внутренние поля с низким риском могут допускать более низкие пороги, но критически важные финансовые и юридические данные требуют тщательной проверки. Понимание того, что оценки достоверности — это вероятностные прогнозы, а не абсолютные гарантии, — первый шаг к созданию надежного автоматизированного конвейера.

Иллюзия чистого форматирования

Чистое форматирование легко создает ложное ощущение безопасности. Итоговая сумма счета с достоверностью 98% выглядит успокаивающе, но числовая точность не гарантирует бизнес-корректности. Если извлеченная сумма не совпадает с суммой позиций плюс налог или если наименования поставщика нет в утвержденном списке поставщиков, высокая достоверность ничего не значит. ИИ считывает символы на странице, а последующие проверки должны убедиться, что эти числа имеют смысл в более широком контексте ваших корпоративных приложений.

Построение шаблона маршрутизации исключений в Power Automate

После того как Content Understanding извлечёт нужные поля, процесс берёт на себя Power Automate. Если документ получает низкие показатели уверенности или не проходит проверки валидности, автоматизация не должна проталкивать данные дальше только для того, чтобы очередь не стояла. Вместо этого поток должен ветвиться в зависимости от заранее заданных пороговых значений бизнес-логики.

Представьте входящий договор, в котором дата окончания действия извлечена с высокой уверенностью, а имя владельца договора неоднозначно. Грамотно построенный поток Power Automate оценивает показатель каждого обязательного поля. Если хотя бы одно критически важное поле опускается ниже допустимого порога, поток приостанавливает автоматическое создание записи и направляет файл в выделенную очередь на проверку. Так плохие данные не попадут в ключевые корпоративные системы, а участие человека будет точечно сосредоточено только на исключениях.

Отслеживание истории процесса в Dataverse

Очереди необработанных исключений быстро превращаются в цифровые парковки, где документы лежат бесконечно, а участники команды думают, что кто-то другой ими занимается. Направляя записи о документах в Microsoft Dataverse, организация получает единый источник достоверных данных для каждого документа, попадающего в конвейер обработки. Dataverse хранит не только извлечённые поля и показатели уверенности, но и полный журнал аудита: когда поступил файл, какая модель извлечения была запущена, кто проверял исключение, какие исправления были внесены и куда документ был отправлен дальше.

Проектирование интерфейсов проверки для людей с Power Apps

Когда модель ИИ сталкивается с неоднозначным значением или низким показателем уверенности, нужно человеческое суждение. Если заставлять проверяющих искать нужную информацию в цепочках писем, открывать исходные PDF-вложения и вручную обновлять серверные системы, теряется смысл автоматизации. Power Apps решает эту задачу, предоставляя специально созданные экраны проверки, рассчитанные на управление исключениями.

Эффективное приложение для проверки показывает исходный документ или изображение рядом с извлечёнными полями формы. Проверяющий сразу видит, какое конкретное поле вызвало предупреждение о низкой уверенности, изучает исходный текст, вносит исправления и возвращает элемент в активный рабочий процесс. Так проверка с участием человека перестаёт быть неудобным обходным шагом и становится быстрой и плавной частью общего бизнес-процесса.

Заключение

Document AI и Microsoft Content Understanding могут значительно сократить ручной ввод данных, но одна только технология не заменит продуманного проектирования процессов. Если рассматривать показатели уверенности как детальные предупреждения, а не абсолютную истину, внедрять надёжные проверки валидности и использовать Power Automate, Dataverse и Power Apps для обработки исключений, организации смогут превратить хаотичный приём документов в надёжный автоматизированный процесс. Чтобы разобраться в базовых концепциях извлечения данных из документов и облачной автоматизации, послушайте полный выпуск и подписывайтесь на M365 FM, чтобы получать более экспертные материалы о Microsoft 365, Power Platform и ИИ.

Часто задаваемые вопросы

Что на самом деле означает показатель уверенности в Document AI?

Показатель уверенности — это статистическая оценка, которую модель ИИ выдаёт для конкретного извлечённого поля, например даты или суммы в счёте. Он отражает вероятность точности извлечения на основе визуальных и текстовых признаков, но не гарантирует, что бизнес-данные верны и корректны.

Как Power Automate должен обрабатывать извлечения с низкой уверенностью?

Power Automate должен сверять показатели уверенности критически важных полей с заранее заданными пороговыми значениями бизнес-логики. Если показатель ниже требуемого уровня, поток должен обойти автоматическое создание записи и направить документ в назначенную очередь ручной проверки или в процесс обработки исключений.

Почему Dataverse важен для рабочих процессов обработки документов?

Dataverse выступает централизованной бизнес-базой данных для ваших процессов работы с документами: он хранит структурированные записи, метрики уверенности и историю обработки. Он не даёт файлам и метаданным застревать в разрозненных почтовых ящиках и обеспечивает понятную ответственность и возможность аудита для каждого документа.

Какова роль Power Apps в обработке исключений для документов?

Power Apps предоставляет специальный пользовательский интерфейс, в котором проверяющие могут видеть исходные документы вместе с извлечёнными полями ИИ, исправлять неуверенные или отсутствующие данные и возвращать проверенные записи обратно в автоматизированный процесс.