Lược đồ trích xuất là gì: Quy cách xác định sẽ trích xuất gì từ tài liệu và theo định dạng nào, tổng quan đầy đủ

Lược đồ trích xuất là quy cách xác định mục nào sẽ được lấy từ tài liệu, với tên gọi, định dạng và điều kiện như thế nào, và là tiêu chuẩn để đưa kết quả trích xuất về cấu trúc dữ liệu mà hệ thống nghiệp vụ và các bước tự động hóa sau đó có thể dùng ngay.

Vì sao cần lược đồ trích xuất

Cùng một giá trị nhưng mỗi phòng ban gọi một tên.

Dù công nghệ trích xuất giá trị từ tài liệu đã tiến bộ, kết quả vẫn thường không dùng được trực tiếp. Một phòng gọi là đại diện pháp luật, phòng khác gọi là họ tên người đại diện. Ngày tháng thì trộn lẫn dấu chấm và dấu gạch nối, còn số tiền lại có lúc tính theo đơn vị won, có lúc theo nghìn won. Nếu trước khi nhập vào hệ thống nghiệp vụ, con người vẫn phải chỉnh lại định dạng, thì hiệu quả của tự động hóa sẽ giảm đi.

Các mục cần trích xuất cũng khác nhau giữa các tài liệu. Từ giấy đăng ký kinh doanh cần số đăng ký và ngày khai trương, còn từ giấy đăng ký pháp nhân cần họ tên các thành viên ban điều hành và ngày thay đổi. Nếu việc trích xuất mục nào từ biểu mẫu nào chỉ nằm trong kinh nghiệm của nhân viên, thì cũng không có tiêu chuẩn nào để kiểm chứng kết quả.

Lược đồ trích xuất cố định lời thỏa thuận này thành văn bản. Khi các trường đã định nghĩa được trích xuất đúng theo quy cách và gom thành cặp mục và giá trị đã chuẩn hóa, kết quả trở thành nền tảng cho các xử lý sau và tự động hóa.

Định nghĩa chính xác của lược đồ trích xuất: khác gì với mẫu tọa độ

Mẫu tọa độ và lược đồ trích xuất: ba trục khác biệt

Thứ nhất, tiêu chí làm gốc khác nhau. Mẫu tọa độ xác định giá trị nằm ở vị trí nào trên biểu mẫu. Lược đồ trích xuất không xác định vị trí mà xác định giá trị có ý nghĩa gì và sẽ nhận theo định dạng nào.

Thứ hai, ảnh hưởng khi biểu mẫu thay đổi khác nhau. Với mẫu tọa độ, chỉ cần vị trí ô hơi khác là phải làm lại. Với lược đồ trích xuất, nếu ý nghĩa của mục giữ nguyên thì có thể dùng tiếp dù biểu mẫu được sửa đổi.

Thứ ba, phạm vi thông tin chứa đựng khác nhau. Mẫu tọa độ chỉ chứa cách tìm giá trị. Lược đồ trích xuất chứa tên mục, định dạng giá trị, tính bắt buộc và điều kiện kiểm chứng, nên trở thành tiêu chuẩn để kiểm tra kết quả.

Việc trích xuất dựa trên mô hình ngôn ngữ thị giác đã phổ biến, cho phép tìm giá trị theo ý nghĩa mà không cần chỉ định vị trí. Nhờ đó vai trò của lược đồ, tức là quy định sẽ nhận giá trị nào theo định dạng nào, càng lớn hơn. Việc tìm giá trị giờ mô hình làm tốt hơn, nhưng cách nhận giá trị đã tìm được trong nghiệp vụ thì tổ chức vẫn phải tự quyết định.

Năm yếu tố cấu thành một lược đồ trích xuất

Năm yếu tố cần ghi khi định nghĩa một mục

Thứ nhất, tên mục. Tên phải khớp với tên trường của hệ thống nghiệp vụ, và các tên mà từng phòng ban gọi khác nhau được thống nhất thành một tên. Cùng một mục có thể được ghi là tên cửa hàng, tên pháp nhân hay tên công ty tùy biểu mẫu, nhưng trong kết quả vẫn nhận bằng một tên duy nhất.

Thứ hai, định dạng giá trị. Quy định định dạng mà kết quả phải tuân theo, như thứ tự năm tháng ngày và ký tự phân cách với ngày, đơn vị và dấu phẩy với số tiền, hay có hay không có dấu gạch nối với số hiệu.

Thứ ba, tính bắt buộc. Phân biệt mục nào sẽ chuyển thành ngoại lệ nếu trống với mục có thể để trống. Khi mục bắt buộc bị trống, cần ghi rõ sẽ yêu cầu bổ sung hay tìm ở tài liệu khác.

Thứ tư, quy tắc chuẩn hóa. Ghi quy tắc chuyển biểu thức gốc thành dạng chuẩn, ví dụ đổi số tiền viết bằng chữ Hangul thành số, hoặc bỏ danh xưng pháp nhân trước và sau tên công ty.

Thứ năm, điều kiện kiểm chứng. Điều kiện xác nhận giá trị có đúng hay không, như số chữ số của số đăng ký kinh doanh, quan hệ trước sau của ngày tháng, hoặc mục phải khớp với một tài liệu khác.

Tài liệu gom năm yếu tố này vào một bảng thường được gọi là bảng định nghĩa trường. Đây là điểm xuất phát để nhà phát triển và người phụ trách nghiệp vụ cùng nhìn kết quả theo một tiêu chuẩn.

Cách áp dụng lược đồ trích xuất trong thực tế

Xác định ngược từ các trường của hệ thống nghiệp vụ

Thay vì trích xuất mọi mục nhìn thấy trong tài liệu, hãy kiểm tra trước các trường mà hệ thống nghiệp vụ nơi kết quả sẽ đi vào có. Trích xuất cả những mục mà hệ thống không nhận cũng chỉ làm tăng đối tượng cần kiểm chứng.

Ngược lại, những mục không có trong hệ thống nhưng cần cho phán đoán thì phải đánh dấu riêng, để không bị bỏ sót ở bước phán đoán điều kiện phía sau. Lập một bảng tương ứng từng dòng giữa trường hệ thống và mục của lược đồ sẽ giúp phát hiện sớm lỗi định dạng ở khâu kết nối.

Tách theo biểu mẫu và gom các mục dùng chung

Tạo lược đồ cho từng biểu mẫu, nhưng các mục xuất hiện chung ở nhiều biểu mẫu, như số đăng ký kinh doanh hay người đại diện, nên dùng chung cùng một định nghĩa. Có định nghĩa chung thì mới có thể xây dựng quy tắc đối chiếu giữa các tài liệu.

Khi thay đổi định nghĩa của một mục chung, mọi biểu mẫu dùng mục đó đều bị ảnh hưởng, nên cần kiểm tra phạm vi trước khi thay đổi.

Quản lý theo phiên bản

Khi luật thay đổi hoặc tiêu chuẩn nghiệp vụ đổi khiến mục được thêm vào hoặc định dạng thay đổi, lược đồ cũng thay đổi theo. Hãy ghi lại phiên bản để biết đã đổi gì và khi nào, rồi đưa lược đồ mới vào vận hành sau khi so sánh với cùng bộ tài liệu đánh giá như trước. Cũng nên ghi kèm ai là người yêu cầu thay đổi và ai là người phê duyệt.

Nhờ có phiên bản, có thể giải thích được kết quả đã xử lý trong quá khứ được tạo ra theo tiêu chuẩn nào.

Lược đồ trích xuất trong bối cảnh Hàn Quốc

Tài liệu trong nước thường có những số hiệu được quy định định dạng như số chứng minh thư nhân dân, số đăng ký kinh doanh và số đăng ký pháp nhân, cùng cách ghi số tiền bằng chữ Hangul và ngày tháng ngăn bằng dấu chấm. Các mục như vậy cần ghi quy tắc chuẩn hóa và kiểm chứng ngay trong lược đồ thì kết quả mới nhất quán.

Với mục thuộc dữ liệu cá nhân như số chứng minh thư nhân dân, cần quyết định ngay ở bước lược đồ là sẽ ẩn danh hóa cùng lúc khi trích xuất hay sẽ giữ nguyên bản gốc. Có quyết định này thì việc lưu trữ và quản lý quyền truy cập mới không bị lung lay.