導入と運用
OCR APIとは何か: 文書認識をシステムに連携する方法の完全ガイド
Korea Deep Learning作成
OCR APIとは、開発者が文書の画像やファイルを決められた仕様で送信すると、認識されたテキスト、各値の位置、信頼度を構造化された応答として受け取れるようにした、インターフェースです。これにより、結果を自社のシステムへ直接つなげられます。
OCR APIが必要な理由
画面に結果を表示するだけでは、業務は減りません。
文書認識ツールを導入したのに、担当者の仕事がそのままという場合があります。認識結果が別の画面に表示され、担当者はその画面と業務システムを行き来して、値を書き写し直します。2つのウィンドウを開き、片方で読み取ってもう一方に入力するという元の作業がそのまま残っているのです。自動化というより、確認の段階が1つ増えた状態に近いといえます。
認識結果を既存のシステムに流し込むには、人ではなくプログラムが受け取れる形になっている必要があります。OCR APIはその経路です。文書を送ると、値、位置、信頼度が構造化されたデータとして返り、そのデータが審査システムや文書管理システムへそのまま渡されます。
OCR APIの正確な定義: 構築型とどう違うのか
API連携と構築型導入、3つの軸での違い
第一に、対象が違います。API連携は認識機能だけを対象にします。リクエストとレスポンスの仕様を合わせればよく、モデルがどこでどのように動くかには関与しません。構築型は、モデル、推論環境、ストレージ、運用ツールまでを対象にします。顧客企業の内部に1つのシステムを構築することに近いものです。
第二に、目的が違います。API連携の目的は、素早く接続して性能と適合性を確認することです。初期の検証段階では、文書を数種類送って結果を受け取るだけなら数日で十分です。構築型の目的は、原本の文書を外部に出さずに、運用規模の処理量をまかなうことです。
第三に、評価指標が違います。API連携では、応答の正確さ、遅延時間、処理量の上限を見ます。構築型では、これに加えて必要なGPUの仕様、閉域網でのインストール可否、モデルの更新手順、監査ログの要件も合わせて見ます。実際の運用では、API方式による認識精度が確認された事例があり、バッチ単位の処理時間と時間あたりの処理量も測定されています。
2つの方式は代替関係ではありません。初期の検証はAPIで素早く進め、運用の段階で構築型へ移行する経路が一般的です。そのため検討の段階で確認すべきことは、APIの性能だけでなく、同じエンジンを構築型としても提供しているかどうかです。
業務に投入できるOCR APIの6つの条件
実際の連携で求められるOCR APIの6つの条件
第一に、応答のスキーマが業務の基準で定義されている必要があります。文字列のかたまり1つを返す応答では、システムへの入力を自動化できません。文書の種類ごとに、どのキーにどの値が入って返るのかを事前に定義しておく必要があり、受信側の開発はそれによってはじめて可能になります。
第二に、値の位置と信頼度が一緒に返ってくる必要があります。各値について原文の座標と確信の度合いが付いてくれば、信頼度の低い項目だけを確認画面に表示する構成が可能になります。この2つのフィールドがないと、結局すべてを手で確認することに戻ってしまいます。
第三に、対応フォーマットが実際に受け付けるファイルを網羅している必要があります。業務の現場にはPDFと画像だけが届くわけではありません。韓国語ワープロ文書、オフィス文書、表計算ファイル、スキャン画像が一緒に受け付けられます。対応一覧にこれらの形式が含まれているかを確認してください。
第四に、大量処理の経路があることが必要です。1件ずつの同期的な呼び出ししか提供されていなければ、月末や特定の時間帯に集中する量をさばけません。バッチ処理、ジョブの状態照会、完了通知のためのコールバックが一緒に提供されているかを確認してください。
第五に、認証と権限管理が整っている必要があります。文書には個人情報が含まれるため、キーの発行と失効、呼び出し履歴の記録、役割ごとのアクセス制御が求められます。金融や公共では、監査対応のためにこのログが必要とされます。
第六に、構築型の併用提供の有無を確認する必要があります。今はAPIで十分でも、セキュリティ要件が強化されたり処理量が増えたりすれば、社内へのインストールが必要になります。そのとき、エンジンを丸ごと入れ替えずに済むかどうかが、導入判断の重要な基準になります。
OCR APIの実際の適用方法
連携のポイントを先に決めます
設計の最初の決定は、認識結果をどこに接続するかです。文書管理システムに原本とともに保存するのか、審査システムの入力項目へ直接入れるのか、自動化ツールを経由して基幹システムへ送るのかによって、必要な応答の形式が変わります。
実際の運用構成では、認識結果が文書管理システムに保存され、その後自動化ツールを経て基幹システムに登録される流れがよく見られます。この接続が設計されていないと、担当者が結果を再入力することになります。そのため、連携のポイントの定義は、認識性能の検証より先に行うほうがよいでしょう。
リクエストとレスポンスの仕様を合わせます
典型的な構成は、ファイルアップロード方式のリクエストと、構造化されたレスポンスの組み合わせです。文書を送信すると、形式変換、レイアウト分析、文字認識、後処理を経て結果が生成され、テキスト、位置情報、信頼度がまとめて返ります。結果の形式は用途によって分けて受け取るのがよいでしょう。システムへの入力が目的であれば、項目のパスをキーとする構造化データを、検索や生成に使う文書であれば、構造を保ったマークアップ形式を受け取ります。
大量処理では、リクエストを作業単位で登録し、状態を照会する方式が安定しています。完了時点を知らせるコールバックを併用すると、受信側がポーリングの負担を減らせます。
韓国環境でのOCR API
韓国の金融機関や公共機関の多くは、ネットワーク分離の規定を受けています。業務ネットワークから外部APIを呼び出せないため、公開されたクラウドAPIしか提供しないソリューションは、検討の初期に外されることが少なくありません。まず、社内ネットワークにAPIサーバーを構築できるかどうかを確認してください。
文書の形式にも、韓国特有の条件があります。韓国語ワープロ文書が実際の処理対象に含まれているか、FAXで受け付けた低解像度のスキャン画像でも応答の品質が保たれるかを、実際のファイルで確認するとよいでしょう。公開されたサンプル文書で測定した値と、自社の受付窓口の文書で測定した値は異なって出ます。
エラー応答と再試行のルールを決めます
連携で手間がかかるのは、成功の経路よりも失敗の経路です。ファイルが開けない場合、形式が対応していない場合、ページが空の場合、処理中にタイムアウトした場合では、それぞれ異なる対応が必要になるからです。
設計の段階で決めておくべきことは3つあります。まず、どのエラーが再試行で解決するかを区別します。一時的なリソース不足は再送で解決しますが、対応していない形式は何度送っても同じ結果になります。次に、再試行の間隔と回数を決めます。最後に、再試行でも解決しなかった案件をどこに溜めておくかを決めます。この待機キューがないと、失敗した文書が静かに消えてしまいます。
エラーが原因ごとに区別されたコードで返るかどうかも、確認すべき項目です。すべての失敗が同じコードで返ってくると、受信側が対応を分ける方法がありません。
検証環境と運用環境を分けます
認証キーを1つだけ発行して、検証と運用の両方で使うと問題が起きます。検証中に送ったテスト文書が運用の統計に混ざり、連携を修正している間に運用の呼び出しが止まってしまうことがあるからです。
キーを分け、呼び出し先のアドレスも分けておけば、こうした事故を防げます。さらに、検証環境では実際の個人情報を含む文書の代わりに、マスキング済みのサンプルを使うルールを設けることをお勧めします。検証段階のログは、運用よりアクセス制御が緩いことが多いためです。
デプロイのタイミングも分けてください。抽出基準や応答スキーマが変わった場合は、まず検証環境で確認し、承認の手続きを経て運用に反映する流れを作っておくと、変更が事故につながりません。
処理量の上限と課金単位を確認します
導入の検討で見落とされやすい項目が上限です。1秒あたりの呼び出し数、同時処理の件数、1回のリクエストに含められるページ数に制限があるかを確認してください。月末や特定の時間帯に量が集中する業務では、この上限が実際の処理速度を決めます。
課金の単位も合わせて見ます。リクエストの件数を基準にするのか、ページ数を基準にするのかによって、コストの予測が大きく変わります。1件に15ページが含まれる審査業務であれば、2つの方式の差は10倍以上に広がることもあります。
社内設置の方式では、上限は契約ではなくハードウェアによって決まります。その場合は、必要なアクセラレーターの規模と増設の経路を、あらかじめ確認しておくとよいでしょう。
よくある質問
APIで先に検証してから、後で社内に設置できますか?
可能です。同じエンジンを構築型としても提供しているかを検討段階で確認しておけば、検証段階の設定をそのまま引き継げます。
どのファイル形式を送れますか?
画像やPDFに加えて、韓国語ワープロ文書、オフィス文書、表計算ファイルまで対応している構成が一般的です。実際に受け付けるファイル一覧を基準に、対応の可否を確認してください。
処理の速度はどのくらいですか?
運用事例では、バッチ単位の処理時間と時間あたりの処理量が確認されています。文書の状態とハードウェアの仕様によって変わるため、自社の文書で測定するほうが正確です。
認識結果の信頼度はわかりますか?
わかります。値ごとに原文の座標と確信の度合いが一緒に返るため、基準値以下の項目だけを確認対象として分けて運用できます。
ネットワーク分離の環境でも使えますか?
使えます。業務ネットワーク内にAPIサーバーをインストールする構成であれば、外部通信なしで動作します。この場合、クラウド呼び出しの方式とリクエストの仕様は同じように保てます。
失敗したリクエストはどう確認しますか?
エラーコードが原因ごとに区別されて返ってきます。再試行で解決するエラーとそうでないエラーを分け、解決しなかった案件を集める待機キューを併せて設計してください。
応答の形式を自社のシステムに合わせて変えられますか?
可能です。文書の種類ごとに抽出項目とスキーマを定義しておけば、その構造で結果が返ってきます。スキーマはバージョンで管理し、変更の履歴を残しておくとよいでしょう。
個人情報を含む文書を送ってもよいですか?
社内設置の方式であれば、文書は外部に出ません。外部呼び出しの方式を検討される場合は、個人情報の処理委託と国外移転の有無を、まずご確認ください。
連携仕様書とサンプルの応答をお送りします。文書を1種類ご提供いただければ、実際の応答もお返しします。
お問い合わせ



