Taşıma ve ticaret sigortası süreçlerinde poliçe talebi, genellikle fatura, konşimento, sevkiyat evrakı gibi birbirinden farklı formatlarda belgelerin elle incelenmesiyle başlar. PDF, taranmış görsel, Excel tablosu, Word dokümanı ya da e-posta olarak gelen bu belgelerden onlarca alanın tek tek okunup poliçe talep formuna aktarılması, hem zaman alıcı hem de hataya açık bir süreçtir. Belge hacmi arttıkça bu manuel yük daha da büyür ve operasyon ekiplerinin asıl işine ayırabileceği zamanı azaltır.
Bu yazıda, poliçe talep formu doldurma sürecini hızlandırmak için geliştirdiğimiz yapay zeka destekli belge analizi sistemini anlatacağım:
Sistemi Nasıl İşliyor?
Sistemi tasarlarken önceliğimiz, farklı belge tiplerini tek bir akışta işleyebilmek ve çıkarılan bilgiyi doğrudan mevcut Excel şablonuna yazabilmekti. Bu doğrultuda şu bileşenleri bir araya getirdik:
• Belge analizi katmanı: PDF, görsel (PNG, JPG, TIFF), Excel, Word/Office ve e-posta (EML) dosyalarından metin, tablo ve sayfa düzeni bilgisini çıkarmak için bulut tabanlı bir belge zekası servisi kullandık.
• LLM ile alan eşleme: Çıkarılan metin ve tabloları, poliçe talep formundaki alanlara JSON formatında eşlemek için büyük dil modeli tabanlı bir katman kurguladık.
• Kural tabanlı tamamlama: Para birimi, tarih, plaka ve IMO numarası gibi yapısal alanlar için regex ve alias eşleme kurallarıyla LLM çıktısını destekleyen ikinci bir katman ekledik.
• Excel şablon doldurma: Mevcut poliçe talep formu şablonunu programatik olarak okuyup ilgili hücrelere değer yazan bir modül geliştirdik.
• Önbellekleme: Aynı belgenin tekrar tekrar analiz edilmesini önlemek için belge bazlı bir JSON cache mekanizması kurduk.
• Web arayüzü: Belge yükleme, işlem takibi, alan düzenleme ve Excel indirme adımlarını tek ekranda toplayan bir frontend geliştirdik.
Süreç Nasıl İşliyor?
Kullanıcı belgeyi yüklediğinde sistem önce önbellekte aynı belge için bir sonuç olup olmadığını kontrol ediyor. Yoksa belge analizi servisine gönderiliyor ve metin, tablo, sayfa bilgisi çıkarılıyor; bu servise erişilemediği durumlarda sistem tamamen durmuyor, yerel çıkarım yöntemlerine (örneğin Excel için doğrudan hücre okuma, e-posta için başlık/gövde ayrıştırma) geçiyor. Ardından çıkarılan içerik, alan tanımlarıyla birlikte dil modeline gönderiliyor ve model her alan için hem bir değer hem de bu değerin belgenin neresinden geldiğine dair kısa bir kanıt metni üretiyor. Kural tabanlı katman eksik kalan alanları tamamlayıp normalize ettikten sonra, sonuçlar Excel şablonuna yazılıyor ve kullanıcıya düzenlenebilir bir form olarak sunuluyor.
Farkı Yaratan Özellikler Neler?
Sistemi klasik OCR çözümlerinden ayıran birkaç unsur var:
• Sadece okuma değil, anlamlandırma: Sistem belgeyi taramakla kalmıyor, çıkardığı bilgiyi doğrudan poliçe alanlarına eşliyor.
• Kanıt gösterimi: Her alan için değerin belgenin hangi bölümünden geldiği ayrıca gösteriliyor, bu da kullanıcı güvenini artırıyor.
• Çoklu format desteği: Aynı akış PDF, görsel, Excel, Word ve e-posta gibi farklı belge tiplerini destekliyor.
• Kullanıcı kontrolü: Otomatik doldurulan hiçbir alan nihai değildir; kullanıcı arayüz üzerinden tüm alanları gözden geçirip düzenleyebiliyor.
• Şeffaf operasyonel metrikler: Her işlem için süre, karakter sayısı, token kullanımı ve tahmini maliyet ayrı ayrı raporlanıyor.
• Dayanıklılık: Belge analizi servisine erişilemediğinde devreye giren yerel fallback yöntemleri sayesinde süreç tek bir bağımlılığa takılıp kalmıyor.
Sonuç ve Sonraki Adımlar
Bu çalışma bize gösterdi ki belge analizi ve büyük dil modellerini birlikte kullanmak, dakikalar süren manuel veri girişini saniyeler seviyesine indirebiliyor; üstelik çıktı, mevcut operasyonel şablonla birebir uyumlu olduğu için sürece kolayca entegre olabiliyor. Önümüzdeki dönemde alan bazlı güven skorları eklemeyi, belge kalitesine göre kullanıcı uyarıları göstermeyi ve toplu işlemede kontrollü paralelleştirmeyle toplam süreyi daha da kısaltmayı planlıyoruz.
*Bu yazı, TRAI kurumsal üyelerinden Venhancer’dan Mahiye Öztürk tarafından TRAI için kaleme alınmıştır.
