Wer sich mit intelligenter Dokumentenverarbeitung (IDP) beschäftigt, stößt schnell auf viele Fachbegriffe, oft auf Englisch. Dieses Glossar erklärt die 52 wichtigsten in einfachen Worten.
Kennzahlen
Accuracy (Genauigkeit): wie oft ein System richtig liegt. Bei der Texterkennung wird das Ergebnis mit dem richtigen Text (Ground Truth) verglichen, meist gemessen als Zeichen- und Wortfehlerrate. Die Genauigkeit lässt sich auch für einzelne Aufgaben messen, etwa die Klassifikation oder das Auslesen von Feldern.
Automation Rate (Automatisierungsquote): der Anteil der Dokumente, die ganz ohne manuellen Eingriff verarbeitet werden. Je höher, desto weniger Handarbeit bleibt.
Average Handling Time (AHT): die durchschnittliche Zeit, die ein Mensch für ein Dokument oder einen Vorgang braucht.
Character Error Rate (CER, Zeichenfehlerrate): der Anteil falsch erkannter Zeichen im Vergleich zum richtigen Text. Je niedriger, desto besser.
Confidence (Konfidenzwert): ein Wert zwischen 0 und 1, der angibt, wie sicher sich ein KI-Modell ist, dass sein Ergebnis stimmt.
F1 Score: ein Wert zwischen 0 und 1, der Precision und Recall zu einer Zahl zusammenfasst.
Manual Effort (manueller Aufwand): die Arbeit, die Menschen noch von Hand erledigen, im Gegensatz zu automatisierten Schritten.
Precision: der Anteil der Ergebnisse eines Modells, die richtig sind. Ein Maß für die Qualität.
Recall: der Anteil aller richtigen Ergebnisse, die ein Modell tatsächlich findet. Ein Maß für die Vollständigkeit.
Return on Investment (ROI): das Verhältnis von Nettogewinn zur Investition über einen bestimmten Zeitraum.
Straight-Through Processing (STP, Dunkelverarbeitung): Ein Dokument läuft vollständig automatisch durch den Prozess und erreicht das Zielsystem, ohne dass jemand es prüft.
Threshold (Schwellenwert): der Konfidenzwert, ab dem ein Ergebnis automatisch übernommen wird. Darunter prüft ein Mensch.
Time to Value (TTV): die Zeit, bis eine Investition den erwarteten Nutzen bringt, bei IDP etwa die angestrebte Genauigkeit.
Word Error Rate (WER, Wortfehlerrate): der Anteil falsch erkannter Wörter im Vergleich zum richtigen Text. Je niedriger, desto besser.
Technologie
Barcode Recognition (Barcode-Erkennung): findet und liest Barcodes in Dokumenten und Bildern.
Capture (Erfassung): die erste Stufe der Dokumentenverarbeitung: eingehende Dokumente lesen, sortieren und in nutzbare Daten verwandeln. Mehr dazu in unserem Blogbeitrag zur digitalen Dokumentenerfassung.
Classification (Klassifikation): Dokumente anhand von Layout und Inhalt einer Dokumentart zuordnen. Mehr dazu in unserem Blogbeitrag zur PDF-Klassifikation.
Data Augmentation: automatisch leicht veränderte Kopien von Trainingsdaten erzeugen, damit ein Modell aus wenigen Beispielen mehr Vielfalt lernt.
Data Extraction (Datenextraktion): bestimmte Informationen aus Dokumenten lesen und als Daten weitergeben. Mehr dazu in unserem Blogbeitrag zur PDF-Datenextraktion.
Data Fields (Datenfelder): die einzelnen Werte, die aus einem Dokument ausgelesen werden, etwa in Formularen oder Tabellen.
Data Ingestion: Daten aus verschiedenen Quellen sammeln und in ein System laden, in Echtzeit oder stapelweise.
Data Labeling (Annotation): Rohdaten mit Beschriftungen oder Anmerkungen versehen, damit ein Modell daraus lernen kann.
Data Validation (Datenvalidierung): prüfen, ob die richtigen Daten ausgelesen wurden und ob sie stimmen, durch einen Menschen oder automatisch gegen Datenbanken oder Regeln.
Deep Learning: ein Verfahren des maschinellen Lernens auf Basis künstlicher neuronaler Netze mit vielen Schichten.
Document Splitting (Dokumententrennung): eine mehrseitige Datei in ihre einzelnen Dokumente aufteilen. Mehr dazu in unserem Blogbeitrag zum PDF-Trennen.
Entity Extraction (Entitätenextraktion): Namen, Datumsangaben, Beträge, Adressen und Ähnliches in Texten finden und einer Art zuordnen. Mehr dazu in unserem Blogbeitrag zur Entity Extraction.
Ground Truth: das bekannte richtige Ergebnis, mit dem Modelle trainiert und geprüft werden.
Human in the Loop (HITL): Ein Mensch prüft und korrigiert Ergebnisse, die nicht automatisch durchgelaufen sind.
Intelligent Character Recognition (ICR): die Erkennung handschriftlicher Zeichen, etwa in Formularfeldern.
Key-Value Pair Extraction: Paare aus Bezeichnung und Wert aus Dokumenten auslesen, etwa „Rechnungsnummer: 2024-0815“.
Low-Code-Plattform: eine Entwicklungsumgebung, in der Anwendungen weitgehend mit visuellen Werkzeugen und wenig Code entstehen.
Model (Modell): ein Programm, das mit Daten trainiert wurde, um bestimmte Muster zu erkennen.
Neural Network (neuronales Netz): ein Rechenmodell, das grob dem Gehirn nachempfunden ist, und die Grundlage von Deep Learning.
No Code: Anwendungen vollständig mit visuellen Werkzeugen bauen, ohne Code zu schreiben.
Optical Character Recognition (OCR): die Erkennung gedruckter Schrift und ihre Umwandlung in maschinenlesbaren Text. Mehr dazu in unserem Blogbeitrag zur PDF-Texterkennung.
Redaction (Schwärzung): vertrauliche Angaben in Dokumenten finden und unkenntlich machen. Mehr dazu in unserem Blogbeitrag zum Schwärzen von PDFs.
Signature Detection: Unterschriften in Dokumenten finden und als Bildausschnitt herauslösen.
Signature Verification: eine Unterschrift mit hinterlegten Beispielen vergleichen, um die Identität einer Person zu bestätigen.
Table Recognition (Tabellenerkennung): Tabellen in Dokumenten erkennen und Zeile für Zeile, Spalte für Spalte auslesen.
Betrieb und Anbindung
API (Application Programming Interface): eine Schnittstelle, über die zwei Softwaresysteme Daten austauschen.
DLL (Dynamic Link Library): eine Programmbibliothek, die andere Programme bei Bedarf laden.
On-Premises: Software läuft auf den eigenen Servern der Organisation statt in der Cloud. Mehr dazu in unserem Blogbeitrag zu On-Premises oder Cloud.
SDK (Software Development Kit): eine Sammlung von Werkzeugen und Bibliotheken, um Software für eine bestimmte Plattform zu entwickeln.
Web Client: eine Anwendung im Browser, die mit einem Server kommuniziert.
Einsatzbereiche
Automated E-Mail Processing: eingehende E-Mails automatisch lesen, sortieren und weiterleiten.
Digitization (Digitalisierung): Papier und andere analoge Informationen in digitale Form bringen.
Document Archiving (Archivierung): Dokumente langfristig so ablegen, dass sie auffindbar und rechtssicher bleiben.
Enterprise Content Management (ECM): Systeme, um unstrukturierte Inhalte wie Scans, E-Mails und Berichte zu speichern, zu verteilen, zu archivieren und wiederzufinden.
Indexing (Indexierung): Dokumente mit Merkmalen wie Kundennummer oder Datum versehen, damit sie später auffindbar sind.
Mailroom Automation (digitaler Posteingang): eingehende Papierpost digitalisieren und automatisch verteilen. Mehr dazu in unserem Blogbeitrag zum digitalen Posteingang.
Records Management (Schriftgutverwaltung): Regeln dafür, wie lange Dokumente aufbewahrt und wann sie gelöscht werden, oft als Teil eines ECM.
Scanning Service Provider (Scan-Dienstleister): ein Unternehmen, das im Auftrag anderer Dokumente scannt und indexiert.
Mit Ihren Dokumenten ausprobieren
In einer Demo zeigen wir Ihnen, was diese Begriffe in der Praxis bedeuten, mit Ihren Dokumenten.