Assistierte Extraktion in PHP: akzeptieren, prüfen oder in Quarantäne stellen

Die assistierte Datenextraktion in PHP wandelt eingehende Dokumente, Formulare, E-Mails oder Datensätze in strukturierte Felder um. Das Erkennen eines Namens, eines Betrags oder eines Datums bedeutet jedoch nicht, dass dieser Wert ohne Eingriff eine Zahlung auslösen, eine Bestellung erstellen oder einen Vorgang ändern kann. Das Extraktionsergebnis ist ein Vorschlag: Es muss mit Geschäftsregeln, verfügbarer Evidenz und den Folgen eines Fehlers abgeglichen werden.

Ein sinnvoller Entwurf strebt nicht an, vom ersten Tag an 100 % der Fälle zu automatisieren. Er legt fest, welche Daten sicher akzeptiert werden können, welche eine menschliche Entscheidung erfordern und welche angehalten werden müssen, bis zusätzliche Informationen vorliegen. Diese Trennung schützt den Betrieb und ermöglicht, das System mit tatsächlichen Korrekturen statt mit Annahmen über einen Konfidenzwert zu verbessern.

Das Feld, seine Herkunft und die Fehlerkosten definieren

Bevor Sie einen Anbieter, eine Bibliothek oder ein KI-Modell auswählen, beschreiben Sie jedes Feld als Geschäftsobjekt. Es reicht nicht aus anzugeben, dass ein Datum extrahiert wird; es muss bestimmt werden, ob es sich um das Ausstellungs-, Fälligkeits-, Leistungs- oder Lieferdatum handelt. Semantische Mehrdeutigkeit ist ein anderes Risiko als ein Lesefehler.

• Zweck: Welcher Prozess das Feld verwendet und ob es eine irreversible Aktion auslösen kann.
• Herkunft: Originaldokument, Seite, Abschnitt, Bezeichnung, Koordinaten oder Ausschnitt, der den Wert belegt.
• Einschränkungen: Typ, Format, Pflichtangabe, Bereich, Währung, zulässiger Katalog und Beziehungen zu anderen Feldern.
• Auswirkung: Folge der Akzeptanz eines fehlerhaften, fehlenden oder dem falschen Dokument zugeordneten Werts.
• Abgleichquelle: führendes System, Vertragsregel, Lieferantendatenbank oder menschliche Prüfung, die die Angabe bestätigen kann.

Eine Steueridentifikationsnummer kann einen formal korrekten Ausdruck haben und dennoch zu einer nicht autorisierten Einheit gehören. Ein Gesamtbetrag kann numerisch und positiv sein, aber nicht mit der Summe aus Positionen, Steuern und Rabatten übereinstimmen. Deshalb muss die Validierung sowohl die Form des Feldes als auch seine operative Bedeutung umfassen.

Klassifizieren Sie außerdem die Sensibilität der Daten. Dokumente mit personenbezogenen, finanziellen oder vertraglichen Informationen erfordern die Festlegung, wer das Original sehen darf, wie lange es aufbewahrt wird und welche Informationen an externe Dienste gesendet werden. Der Nutzen der Automatisierung hebt die Pflichten zur Datenminimierung und Zugriffskontrolle nicht auf.

Eine strukturierte und überprüfbare Ausgabe entwerfen

Die Extraktion sollte eine stabile Struktur erzeugen, keinen Freitext, den eine andere Komponente erneut interpretieren muss. Der Vertrag kann den normalisierten Wert, den Literalwert, den Anwesenheitsstatus, die Evidenz und erkannte Warnungen enthalten. Die Aufbewahrung beider Werte verhindert, dass eine relevante Transformation verborgen bleibt: Beispielsweise hängt die Umwandlung von 1.250,00 in einen Dezimalwert von der erkannten Konvention ab.

{
  "invoice_number": {
    "raw": "F-01842",
    "normalized": "F-01842",
    "evidence": {"page": 1, "label": "Factura"},
    "warnings": []
  },
  "total": {
    "raw": "1.250,00 EUR",
    "normalized": 1250.00,
    "currency": "EUR",
    "evidence": {"page": 1, "label": "Total"},
    "warnings": ["sum_not_verified"]
  }
}

Das Schema muss unerwartete Felder, inkompatible Typen und das Fehlen von Pflichtangaben zurückweisen. In PHP kann eine spezifische Schicht das Ergebnis validieren, bevor es die Domäne der Anwendung erreicht. Technische Regeln umfassen Formate, Längen und Konvertierungen; Geschäftsregeln umfassen Duplikate, zulässige Zeiträume, Genehmigungsgrenzen und die Übereinstimmung mit vorhandenen Datensätzen.

Behandeln Sie den Konfidenzprozentsatz nicht als Entscheidung. Seine Kalibrierung ändert sich je nach Dokumenttyp, Bildqualität, Sprache und Feld. Er kann als zusätzliches Signal verwendet werden, ersetzt aber keine Prüfung darauf, ob der Lieferant existiert, das Datum plausibel ist oder der Gesamtbetrag aufgeht.

Annahme, Prüfung und Quarantäne trennen

Die drei Ziele müssen explizite Zustände des Ablaufs sein, mit Berechtigungen, Verantwortlichen und kontrollierten Übergängen. Sie sind keine visuellen Kennzeichnungen derselben Warteschlange.

• Automatische Annahme: Sie wird verwendet, wenn das Schema gültig ist, die Geschäftsregeln erfüllt sind, ausreichende Evidenz vorliegt und das Restrisiko innerhalb des festgelegten Schwellenwerts liegt. Es muss gespeichert werden, welche Regeln erfüllt wurden.
• Menschliche Prüfung: Sie wird angewendet, wenn der Fall verständlich ist, aber eine Bestätigung erfordert, etwa bei einer geringfügigen Abweichung, einer lokal niedrigen Konfidenz oder einem nicht schlüssigen Abgleich mit einem führenden System.
• Quarantäne: Sie hält unvollständige, potenziell betrügerische, doppelte, unleserliche, mit dem Schema inkompatible oder von einer kritischen Regel betroffene Fälle an. Sie darf nicht zulassen, dass ein automatischer Wiederholungsversuch eine bewusste Sperre in eine Annahme umwandelt.

Eine praktische Entscheidungsmatrix kombiniert Kritikalität und Überprüfbarkeit. Ein Feld mit geringer Auswirkung kann akzeptiert werden, wenn es Format und Katalog erfüllt. Daten, die eine Zahlung bestimmen, erfordern zusätzlich den Abgleich mit der Bestellung, einem autorisierten Lieferanten und eine stimmige Berechnung. Fehlt das Original, ist die Evidenz widersprüchlich oder wird eine mögliche Manipulation erkannt, ist Quarantäne die vernünftige Ausgabe, auch wenn andere Felder korrekt erscheinen.

Referenzablauf in PHP und sichere Persistenz

Ein robuster Ablauf trennt Verantwortlichkeiten, damit die Extraktion nicht mit der Geschäftsentscheidung vermischt wird. Der Empfang weist eine unveränderliche Kennung zu, prüft Typ und Größe der Datei und speichert das Original an einem Ort mit eingeschränktem Zugriff. Anschließend bereitet ein asynchroner Prozess das Dokument vor, ruft den Extraktor auf und validiert die Antwort gegen das Schema.

Die Entscheidung wird anhand normalisierter Daten und deterministischer Regeln getroffen. Der Dienst kann ein Entscheidungsobjekt mit Status, Gründen, betroffenen Feldern und der Regelversion zurückgeben. Erst nach dieser Entscheidung wird der Geschäftsdatensatz persistiert oder eine Prüfaufgabe erstellt. Idempotenz ist wesentlich: Dieselbe Datei oder dasselbe wiederholte Ereignis darf keine doppelten Datensätze oder Aktionen erzeugen.

$result = $extractor->extract($document);
$validated = $schemaValidator->validate($result);
$decision = $decisionEngine->decide($validated, $businessContext);
$repository->saveDecision($documentId, $decision);

Wenn KI eingesetzt wird, definieren Sie den Anwendungsfall klar abgegrenzt: etwa Dokumentklassifizierung, Lokalisierung von Feldern oder Interpretation schwer lesbaren Textes. Bewerten Sie die Qualität anhand eines repräsentativen Datensatzes, bevor Sie irgendeine Automatisierung aktivieren, behalten Sie für die definierten Szenarien eine menschliche Prüfung bei und begrenzen Sie die übermittelten Daten. Berechnen Sie außerdem Kosten pro Dokument, tolerierbare Latenz und das Verhalten bei teilweisen Antworten. Eine überzeugende Demonstration beweist nicht, dass der Ablauf im Maßstab betreibbar ist.

Menschliche Prüfung und Quarantäne wirksam gestalten

Die prüfende Person sollte das Dokument nicht von Grund auf rekonstruieren müssen. Die Benutzeroberfläche muss den vorgeschlagenen Wert zusammen mit seiner Evidenz, dem Original oder einem autorisierten Ausschnitt, den nicht erfüllten Regeln und den verfügbaren Alternativen anzeigen. Sie muss das Korrigieren, Bestätigen, Zurückweisen oder Anfordern von Informationen ermöglichen und dabei einen strukturierten Grund hinterlassen.

Erfassen Sie die Korrektur als ein vom ursprünglichen Ergebnis getrenntes Ereignis. So lässt sich feststellen, ob die Erkennung, die Normalisierung, eine Regel oder das Quelldokument fehlgeschlagen ist. Verwenden Sie nicht automatisch jede Korrektur als Trainingsdaten: Prüfen Sie zuerst Qualität, Berechtigungen, Repräsentativität und die mögliche Einbeziehung sensibler Daten.

Die Quarantäne benötigt einen Verantwortlichen, eine Priorität und eine Lösungsfrist. Wiederholungsversuche müssen eine konkrete Ursache, ein Limit und eine Protokollierung haben: Ein Wiederholungsversuch nach einem vorübergehenden Ausfall ist nicht dasselbe wie die erneute Verarbeitung einer unleserlichen Datei. Fälle ohne Lösung müssen eskaliert oder mit einem ausdrücklichen Grund geschlossen werden; sie dürfen niemals aus der Warteschlange verschwinden.

Nachvollziehbarkeit, Tests und kontrollierte Degradierung

Um eine Entscheidung erklären zu können, bewahren Sie die Dokumentkennung, den Fingerabdruck oder die Referenz des Originals, die Version des Schemas und der Regeln, Validierungsergebnisse, minimale Evidenz pro Feld, Status, prüfenden Akteur und Zeitstempel auf. Vermeiden Sie, das vollständige Dokument in jedem Log zu duplizieren oder sensible Texte zu speichern, wenn eine Kennung und eine sichere Referenz ausreichen.

Testen Sie mit repräsentativen Dokumenten und Grenzfällen: gedrehte Seiten, unscharfe Bilder, fehlende Felder, mehrere Währungen, mehrdeutige Bezeichnungen, Duplikate, regionale Formate und Dokumente mit unerwarteter Struktur. Messen Sie getrennte Raten für Extraktion, Validierung, automatische Annahme, Prüfung, Quarantäne, menschliche Korrektur und Lösungszeit. Eine hohe Annahmerate ist kein positives Signal, wenn danach Berichtigungen oder Vorfälle zunehmen.

Definieren Sie die Degradierung vor dem Deployment. Wenn der Extraktor nicht antwortet, die Latenz überschreitet oder eine ungültige Struktur zurückgibt, muss das Dokument erhalten bleiben und an eine manuelle Warteschlange oder einen autorisierten alternativen Mechanismus geleitet werden. Füllen Sie kritische Werte nicht mit stillschweigenden Schätzungen auf. Aktivieren Sie Änderungen an Regeln oder am Extraktor schrittweise, vergleichen Sie Ergebnisse und behalten Sie einen Weg zur Rücksetzung bei.

Checkliste vor der Automatisierung eines Feldes

• Hat das Feld eine eindeutige Geschäftsdefinition und einen identifizierten Verbraucher?
• Gibt es Regeln zu Format, Bereich, Katalog und Konsistenz mit anderen Daten?
• Kann ausreichende Evidenz angezeigt werden, um den Wert zu bestätigen?
• Sind die Auswirkungen eines falsch positiven Ergebnisses bekannt und wurde ein Risikoschwellenwert festgelegt?
• Gibt es einen Weg für Prüfung, Quarantäne, begrenzte Wiederholungsversuche und eine manuelle Alternative?
• Ermöglicht die Nachvollziehbarkeit, die Entscheidung zu erklären, ohne unnötige Daten aufzubewahren?
• Umfassen die Tests die vorhersehbaren Fehler und verfügt die schrittweise Aktivierung über eine Rücksetzung?

Ein Feld geht von Assistenz zu Automatisierung über, wenn es unter diesen Bedingungen Konsistenz zeigt, nicht nur weil ein Extraktor häufig richtig liegt. So koordiniert PHP einen überprüfbaren Prozess, in dem die Verarbeitungsgeschwindigkeit die Verantwortung für die Daten nicht ersetzt.