抽出スキーマとは何か：文書から何をどの形式で抽出するかを定めた規格の完全整理

抽出スキーマとは、文書からどの項目をどの名前と形式、条件で抽出するかを定めた規格で、抽出結果を業務システムと後続の自動化がそのまま使えるデータ構造に合わせる基準です。

抽出スキーマが必要になった背景

同じ値を部署ごとに違う名前で呼んでいました。

文書から値を抽出する技術が良くなっても、結果をそのまま使えないことがよくあります。ある部署は代表者名、別の部署は代表者氏名と呼び、日付は和暦と西暦、スラッシュとハイフンが混ざり、金額は円単位と千円単位が入り混じって届きます。業務システムに入れる前に人が形式を合わせ直す必要があるなら、自動化の効果は小さくなります。

文書ごとに抽出する項目が違うことも問題です。事業者登録証では登録番号と開業日が、法人登記簿謄本では役員の氏名と変更日が必要です。どの様式から何を抽出するかが担当者の経験にだけ残っていれば、結果を検証する基準もありません。

抽出スキーマは、この約束を文書として固定します。定義されたフィールドに従って必要な項目だけを抽出し、項目と値の組に正規化すれば、その結果が後続の処理と自動化の土台になります。

抽出スキーマの正確な定義：座標テンプレートと何が違うのか

座標テンプレートと抽出スキーマ、三つの軸の違い

第一に、基準になるものが異なります。座標テンプレートは様式のどの位置にどの値があるかを定めます。抽出スキーマは位置ではなく、どのような意味の値をどの形式で受け取るかを定めます。

第二に、様式が変わったときの影響が異なります。座標テンプレートは欄の位置が少しずれるだけで作り直す必要があります。抽出スキーマは項目の意味が同じなら、様式が改定されてもそのまま使えます。

第三に、含む情報の範囲が異なります。座標テンプレートは値を探す方法だけを含みます。抽出スキーマは項目名と値の形式、必須かどうか、検証条件まで含み、結果を確認する基準になります。

視覚言語モデルによる抽出が広がり、位置を指定しなくても意味で値を探せるようになりました。その分、何をどの形式で受け取るかを定めたスキーマの比重が大きくなっています。値を探すことはモデルが得意になりましたが、見つけた値を業務でどう受け取るかは今も組織が決める必要があります。

抽出スキーマを構成する5つの要素

一つの項目を定義するときに書く5つの要素

第一に、項目名です。業務システムのフィールド名と合わせ、部署ごとに違っていた呼び名を一つに統一します。同じ項目が様式によって商号、法人名、会社名と書かれていても、結果では一つの名前で受け取ります。

第二に、値の形式です。日付は年月日の順序と区切り文字、金額は単位とカンマの有無、番号はハイフンを含むかどうかのように、結果が従うべき形式を定めます。

第三に、必須かどうかです。値がなければ例外に回す項目と、空欄でもよい項目を区別します。必須項目が空欄のときに補完を依頼するか、ほかの書類で探すかも併せて書いておきます。

第四に、正規化のルールです。大字や漢数字で書かれた金額を数字に変える、社名の前後の株式会社や（株）の表記をそろえる、というように原文の表記を標準の形式に変えるルールを書きます。

第五に、検証条件です。法人番号や登録番号の桁数、日付の前後関係、ほかの書類と一致すべき項目のように、値が正しいかを確認する条件を併せて置きます。

五つの要素を一枚の表に整理した文書が、一般にフィールド定義書と呼ばれる成果物です。この文書が、開発者と業務担当者が同じ基準で結果を見る出発点になります。

抽出スキーマの実際の適用方法

業務システムの入力項目から逆算して決めます

文書に見える項目をすべて抽出するより、結果を入れる業務システムにどのフィールドがあるかを先に確認します。システムが受け付けない項目まで抽出すると、検証する対象が増えるだけです。

逆に、システムにはないが判断に必要な項目は別に印を付けておけば、後の条件判断の段階で漏れません。システムのフィールドとスキーマの項目を一行ずつ対応させた表を作っておくと、連携の段階で形式の誤りを先に見つけられます。

様式ごとに分け、共通の項目はまとめます

様式ごとにスキーマを作りつつ、複数の様式に共通して現れる法人番号や代表者のような項目は同じ定義を共有します。共通の定義があって初めて、書類間の照合をルールにできます。

共通項目の定義を変えると、その項目を使うすべての様式に影響が及ぶため、変更の前に範囲を確認します。

バージョンで管理します

法令の改正や業務基準の変更で項目が追加されたり形式が変わったりすれば、スキーマも変わります。いつ何が変わったかをバージョンとして残し、変えたスキーマを既存と同じ評価文書で比べてから運用に反映します。変更を誰が依頼し誰が承認したかもバージョンと併せて記録します。

バージョンが残っていてこそ、過去に処理された結果がどの基準で作られたかを説明できます。

日本の環境における抽出スキーマ

日本の文書には、法人番号やインボイス制度の登録番号、マイナンバーのように形式の決まった番号と、和暦の日付、大字や全角数字で書かれた金額がよく現れます。こうした項目は正規化と検証のルールをスキーマに明記しておかなければ、結果が一貫しません。和暦を西暦に直す変換や登録番号の形式の確認は、モデルに任せずルールとして書いておきます。

マイナンバーのように利用範囲が法律で限られた項目は、抽出と同時にマスキングするか原本を保管するかをスキーマの段階で決めておかなければ、保存と権限管理が揺らぎます。

よくあるご質問