【玉山AI实例2】一年千万张支票如何消化？玉山银行靠票据辨识来加速

玉山银行一年要发出上千万张支票，为正确登记票据金额，往往得动用大量人力登打资料。

从流程上来说，每张支票或汇款单进入分行后，分行会开始审核、简单建档以及扫描影像，再由集中作业部人工建立完整档案、确认资料，最后才交给票据交换所。

而玉山银行的最大痛点，就在集中作业部。因为，他们得耗费大量人力和工时来登打资料，每到月初月底，还得调度人力应付大量业务。这种调度仰赖经验，没有系统能即时监控、辅助决策；也因为没有系统，支援纪录不被留存，考核时更难有依据依循。

为解决问题，玉山银行展开一项AI专案，要打造一套票据手写辨识模型，来辅助人员登打资料。

收集各种资料，要让模型辨识国字、数字和不同字体

这套模型的任务，是要辨识票据上的日期、新台币大写金额，以及阿拉伯数字金额。但对开发这套模型的智能金融处来说，还有个挑战，也就是不同字体的辨识。

举例来说，票据上的日期有可能是手写或印刷体，也有可能是机器打印。为了让模型学会辨识多元字体，玉山银行收集了大量票据资料来训练。

模型训练完毕后，就部署到内部MLaaS平台上，让业务系统透过API呼叫模型辨识。在辨识流程上，前端票据操作系统收到票据扫描档后，会呼叫MLaaS平台的票据辨识模型，来判断票据资讯。

设计专属Feedback API即时教模型，每天解放4、5名人力

这时，票据辨识模型会先告知系统，是否能正确辨识票据金额和日期。若能辨识，就会进入后续自动化流程，要是无法，则由前端票据操作系统触发人工处理通知。

这么做的好处是，团队可以即时回馈资料，用人工辨识的资料来重新训练模型、提高辨识准确度。为加强这一点，玉山还设计一支Feedback API，能从前端票据操作系统传递交易ID和基准值（Ground Truth）数值，来触发后端系统，重新训练模型。

玉山透露，现在约9成票据不再由人工辨识，相当于每天解放4、5名人力，来从事更有价值的工作。