Van technische vertaling naar dezelfde betekenis
Financiële documenten reizen tussen organisaties, netwerken en systemen die niet altijd dezelfde taal spreken. Een bestelling kan uit een ERP-systeem komen als EDI-bericht, een leverancier stuurt een factuur in UBL, een ander systeem verwacht een eigen XML-structuur en een oudere applicatie kan alleen een vast CSV-bestand verwerken.
Daarnaast komen financiële documenten binnen als pdf, scan of afbeelding. Die bronnen zijn digitaal, maar daarmee nog niet gestructureerd of direct machineleesbaar. Voordat ze naar een ander formaat kunnen worden omgezet, moeten tekst, tabellen en relevante gegevens eerst worden herkend en van betekenis worden voorzien.
Conversie maakt zo’n document geschikt voor het ontvangende systeem. Daarbij gaat het niet alleen om de bestandsvorm. De inhoud moet dezelfde betekenis behouden. Een factuurnummer moet ook in het doelformaat een factuurnummer blijven, een korting mag niet als toeslag worden geïnterpreteerd en een orderreferentie moet op het juiste niveau terechtkomen.
Dat onderscheid is vastgelegd in standaarden voor elektronische facturatie. EN 16931 beschrijft een semantisch model met de betekenis van factuurgegevens en bedrijfsregels. Die betekenis kan vervolgens aan verschillende technische syntaxes worden gekoppeld. Ook UBL bevat herbruikbare datacomponenten en schema’s voor onder meer orders, verzendadviezen en facturen. Conversie is daarmee in essentie een semantische vertaling met een technische uitvoervorm.
Waar klassieke automatisering vastloopt
Klassieke conversie werkt met vooraf vastgelegde mappings: veld A uit het bronformaat wordt veld B in het doelformaat, eventueel aangevuld met transformaties en beslisregels. Voor stabiele, gestructureerde berichten is dit nauwkeurig, controleerbaar en efficiënt.
De complexiteit ontstaat door variatie. Organisaties gebruiken verschillende standaarden, versies en land- of sectorprofielen. Daarbovenop komen eigen uitbreidingen, codes en interpretaties. Zelfs partijen die formeel hetzelfde formaat gebruiken, kunnen informatie anders invullen of niet-verplichte velden verschillend benutten.
Daardoor groeit één conversie al snel uit tot een verzameling uitzonderingsregels. Een nieuw leveranciersformaat, gewijzigde veldnaam of afwijkende plaatsing van een referentie vraagt om een aangepaste mapping. Het aantal mogelijke verbindingen neemt verder toe wanneer ieder bronformaat rechtstreeks naar ieder doelformaat wordt vertaald.
Technische validatie vangt maar een deel van die problemen af. Een XML-schema kan controleren of elementen, datatypen en structuren zijn toegestaan. Aanvullende bedrijfsregels kunnen bijvoorbeeld verplichte gegevens, berekeningen en codelijsten toetsen. Toch kan een bericht technisch geldig zijn terwijl een bronveld inhoudelijk verkeerd is gekoppeld. Syntactische geldigheid is nog geen semantische juistheid.
OCR herkent tekst, maar nog niet altijd betekenis
Bij pdf’s, scans en andere minder gestructureerde bronnen begint de verwerking vaak met Optical Character Recognition (OCR). OCR zet tekens in een afbeelding om in machineleesbare tekst. Klassieke documentverwerking gaat doorgaans een stap verder met vaste sjablonen, herkenningszones, ankerwoorden en regels. Een waarde rechts van het label ‘factuurnummer’ kan zo aan een vooraf gedefinieerd veld worden gekoppeld.
Deze aanpak werkt goed zolang documenten een voorspelbare layout hebben. De uitval neemt toe wanneer leveranciers verschillende sjablonen gebruiken, velden verschuiven, tabellen over pagina’s doorlopen of dezelfde informatie anders benoemen. Ook de kwaliteit van het bronbeeld beïnvloedt de tekenherkenning.
Daarbij blijft een foutloze tekstherkenning nog iets anders dan inhoudelijk begrip. De waarde 14-05-2026 kan correct zijn gelezen, terwijl nog moet worden bepaald of het om de factuurdatum, vervaldatum of leverdatum gaat. Een bedrag kan een regelbedrag, btw-bedrag of factuurtotaal zijn. Voor conversie moet dus niet alleen worden herkend wat er staat, maar ook wat het gegeven in het document betekent.
Hoe intelligente automatisering kan verbeteren
Intelligente automatisering kan vooral helpen bij het deel dat niet doelmatig in vaste mappings is te beschrijven. Zij kan kenmerken uit veldnamen, waarden, documentstructuur en omliggende context combineren om mogelijke overeenkomsten tussen bron- en doelvelden te herkennen. Onderzoek naar schema matching richt zich precies op dit probleem: het vinden van semantische relaties tussen verschillende gegevensstructuren.
Intelligent Document Processing als voorportaal
Voor pdf’s, scans en afbeeldingen wordt hiervoor vaak de term Intelligent Document Processing (IDP) gebruikt. IDP is geen afzonderlijke AI-techniek, maar een verzamelnaam voor documentverwerking waarin OCR wordt gecombineerd met onder meer:
- classificatie van het documenttype;
- herkenning van layout, tabellen en de relatie tussen labels en waarden;
- extractie van velden en regels;
- normalisatie naar afgesproken datatypen en waarden;
- validatie en verwerking op basis van zekerheid en bedrijfsregels.
Het onderscheid met klassieke OCR is daarmee functioneel. OCR maakt tekst machineleesbaar. IDP probeert van die tekst en de visuele documentstructuur bruikbare, gestructureerde gegevens te maken. Het resultaat is bijvoorbeeld niet alleen de herkende tekst ‘31 mei 2026’, maar een waarde die als vervaldatum is geïdentificeerd en in een afgesproken datumnotatie wordt aangeleverd.
IDP is overigens niet automatisch hetzelfde als generatieve AI. Documentclassificatie, beeldherkenning, layoutanalyse, machine learning en vaste regels kunnen allemaal onderdeel zijn van dezelfde verwerking. De term zegt vooral iets over het doel: ongestructureerde of semigestructureerde documenten omzetten in betrouwbare procesdata.
Bij machineleesbare XML-, UBL- en EDI-berichten is OCR of IDP meestal niet nodig. Daar moeten gegevens rechtstreeks worden geparseerd en via gecontroleerde mappings worden verwerkt. Intelligente documentverwerking is vooral het voorportaal voor bronnen waarvan de structuur niet expliciet genoeg is.
De uitkomst hoeft niet direct een automatische conversie te zijn. De verwerking kan eerst het documenttype, de gebruikte variant en waarschijnlijke veldrelaties bepalen. Bij bestaande koppelingen kan zij afwijkingen herkennen en een passende mapping voorstellen. Onzekere of nieuwe relaties kunnen ter beoordeling worden aangeboden, terwijl bekende varianten volgens een goedgekeurde mapping worden verwerkt.
Een robuuste opzet gebruikt daarbij een canoniek gegevensmodel als tussenlaag. Bronformaten worden eerst naar één intern betekenismodel vertaald en van daaruit naar het gewenste doelformaat. Intelligente interpretatie helpt de bron aan dat model te koppelen; vaste transformaties genereren vervolgens het doelbericht.
Daarna blijven vaste, reproduceerbare controles leidend. Het resultaat moet voldoen aan het doelschema, de geldende bedrijfsregels, codelijsten en rekenkundige verbanden. Bedragen, btw-logica en verplichte referenties mogen niet worden ingevuld omdat een waarde aannemelijk lijkt. De oorspronkelijke bron, de toegepaste mapping en eventuele afgeleide interpretaties moeten bovendien afzonderlijk herleidbaar blijven.
OCR, IDP en formaatconversie vormen daarmee opeenvolgende, maar niet altijd allemaal benodigde stappen. OCR leest tekst uit een beeldbron. IDP structureert en interpreteert minder voorspelbare documenten. Vaste mappings vertalen de vastgestelde betekenis naar een canoniek model of doelformaat. Schema’s en bedrijfsregels controleren vervolgens of het resultaat mag worden verwerkt.
Intelligente automatisering vervangt de standaard dus niet. Zij helpt variatie vóór de standaard op te vangen:
Laat intelligente automatisering de betekenis herkennen waar de bron varieert, en laat vaste mappings en validatieregels bepalen wat het doelformaat accepteert.