Hvad LedgerLens er til

Hvad er LedgerLens?

Jeg byggede LedgerLens efter at have brugt uger på at manuelt kopiere numre fra PDF-bankudtog til regneark. Værktøjet tager en fil, du uploader - PDF, DOCX, JPEG, PNG - og kører en sprogmodel, der er tilpasset til at lokalisere tabeller, numre, datoer og tekstmærker. Modellen returnerer JSON-lignende strukturer, som vi omdanner til en simpel gitter, du kan se i browseren. Hver celle indeholder en tillids-score, der kommer direkte fra modellens interne sandsynlighed for den pågældende token. Jeg ønskede et system, der aldrig prætender at være perfekt, så grænsefladen tvinger dig til at se på scoren, før du accepterer nogen værdi.

Når du først åbner appen, ser du en drop-zone. Slip en udvigelse eller faktura der, og brugergrænsefladen viser en spinner, mens modellen arbejder. Backend-kørslen af modellen sker på en CPU-kørsel uden GPU; intet GPU er nødvendigt for demo-versionen. Hvis du har leveret en API-nøgle, går anmodningen til den hostede model; ellers bruger demo-tilstanden en lille åben kilde-model, der køres lokalt og returnerer tydeligt markerede placeholder-resultater. Demo-tilstanden er nyttig til at kontrollere layoutet og tillids-score-visningen uden at bruge nogen kredits.

Hvordan udtrækningsprocessen fungerer

Trin ét: filindtagelse. Tjenesten læser den uploaded strøm og konverterer PDF-sider til billeder ved hjælp af en ren JavaScript-bibliotek; DOCX bliver omdannet til XML og derefter fladt til tekst; billeder bliver sendt videre uændret. Dette sikrer, at den originale fil forbliver privat - intet skrives til disk ud over en midlertidig buffer, der ryddes efter svaret.

Trin to: layoutdetektion. En letvægts layoutmodel identificerer områder, der ligner tabeller, overskrifter eller fodere. Den returnerer begrænsningsbokse og en typelabel (tabel, afsnit, overskrift). Vi beholder kun områder, der er markeret som tabel, da bankbilletter og fakturaer primært er tabelformater.

Trin tre: celle-niveau OCR. For hver tabelområde kører vi OCR (Tesseract 5) for at få rå tekst per celle. OCR-udgangen fødes sammen med billedudklippet til sprogmodellen. Modellen modtager en prompt, der fortæller den at udtrække: dato, beskrivelse, debit, kredit, saldo, skat, moms, og eventuelle reference numre. Prompten beder også modellen om at udgive en tillidsværdigheds værdi mellem 0 og 1 for hvert felt.

Trin fire: efterbehandling. Vi aligner modellens udgang med OCR-grid, udfylder eventuelle manglende celler med OCR-teksten og genberegnere løbende saldi, hvor det er muligt. Hvis summen af debiteringer minus kreditter ikke matcher den afsluttende saldo inden for en tolerance på 0,01, markerer vi rækken for manuel gennemgang. Alle disse beregninger sker i browseren, så du kan se logikken øjeblikkeligt.

Trin fem: tillidsværdighedsvisning. Hver celle viser den rå værdi og en lille mærkat, der læser „tillidsværdighed: 0,87“. Mærkats farve bevæger sig fra grøn (≥0,9) til gul (0,7-0,89) til rød (<0,7). Denne visuelle signal er den primære måde, du beslutter, om du skal stole på et nummer eller åbne den originale PDF for at verificere.

Outputformater og tillidsvurdering

LedgerLens giver dig tre måder at få data ud af appen:

- Indsæt tabel – du kan kopiere og indsætte rækker direkte fra visningen. - CSV-download – filen genereres på clientsiden; vi undgår formel-injektion ved at escape enhver felt, der starter med „=“, „+“, „-“ eller „@“. - Excel (XLSX)-download – vi bruger SheetJS-biblioteket til at oprette en arbejdsbog; samme formel-injektionssikkerhedsforanstaltninger gælder.

Hver kolonne i den eksporterede fil inkluderer en ekstra kolonne med navnet „confidence_“. For eksempel vil en bankopstillingsekspor have kolonner: dato, beskrivelse, debit, kredit, balance, confidence_dato, confidence_beskrivelse, confidence_debit, confidence_kredit, confidence_balance. Tillidsværdigheds-værdierne er de samme tal, du så i brugergrænsefladen, afrundet til to decimaler.

Nedenfor vises en tabel, der viser en typisk tillidsvurderingsfordeling for en stikprøve på 200 reelle bankopstillinger, som vi behandlede under internt test.

Scoreområde | % af felter | Typisk brugstilfælde 0,90 – 1,00 | 42% | Datoer, beløb, klare trykskriftbeskrivelser 0,80 – 0,89 | 31% | Håndskrevne noter, let smudsig tryk 0,70 – 0,79 | 15% | Lavopløsnings-scans, foldede hjørner

Når du ser et felt i den røde zone, kan du klikke på mærket for at åbne en side-om-side-visning af den originale billedudskæring og OCR-teksten. Dette gør verificeringstrinnet hurtigt, fordi du ikke behøver at forlade appen for at lede efter kilden.

Sikkerheds- og privatlivsovervejelser

Jeg behandler de data, du uploader, som fortrolige. Tjenesten gemmer ikke dine filer efter svaret er sendt; den midlertidige buffer findes i hukommelsen og ryddes inden for sekunder. Hvis du aktiverer demotilstand, kører modellen helt i browseren, så ingen data forlader nogensinde din maskine.

Til livekørsler, der kalder en ekstern model, videregive vi kun den ekstraherede tekst og billedudklip; vi sender ikke dit originale filnavn eller nogen metadata, du ikke har valgt at dele. Forbindelsen bruger TLS 1.2 eller højere.

For at holde AI-komponenten sikker følger vi retningslinjerne fra to offentlige rammer. Først konsulterer vi OWASP Top 10 for Large Language Model Applications (https://owasp.org/www-project-top-10-for-large-language-model-applications) for at kontrollere for promptinjektion, dataleakage og model-output-håndtering. Anden, vi harmonerer vores risikostyringspraksis med NIST AI Risk Management Framework (https://www.nist.gov/itl/ai-risk-management-framework). Disse dokumenter hjælper os med at afgøre, hvad logging vi beholder, hvordan vi sanerer prompts og hvor vi placerer tillids-score-klausuler.

Vi gør ikke krav på nogen certificeringer (SOC 2, ISO 27001 osv.), medmindre de er blevet formelt auditeret og offentliggjort. Produktets sikkerhedsside listar de præcise kontroller, vi har implementeret i dag. Vores samarbejdspartner, hjælper os med at udvikle og implementere sikkerhedsfunktioner, og vi anvender til at forbedre og teste vores tjenester.

Beslutningsstøttende arbejdsgang: verificér før du handler

Når du modtager en bankafstemning eller faktura, skal du først og fremmest kigge på tillidsværdighedsbadgerne. Ethvert felt under 0,8 fortjener et hurtigt blik på kildekoden. Her er den rutine, jeg følger:

- Upload filen og vent på, at resultattabelen dukker op. - Sortér tabellen efter tillidsværdighedskolonnen (klik på overskriften) for at bringe de laveste scores til toppen. - For hver række med lav tillidsværdighed klikker du på badget for at åbne verificeringspanelet. - I panelet ser du den originale billedudklip, OCR-teksten og modellens foreslåede værdi. Acceptér forslaget, hvis det matcher; ellers skriv den korrekte værdi og tryk på Enter – tabellen opdateres øjeblikkeligt, og tillidsværdighedsbadget genberegnedes til 1,0 for din redigering. - Efter at have gennemgået alle rækker under 0,8, kører du en hurtig sanity-check: summen af debiteringer minus kreditter skal være lig med ændringen i åbnings- og lukkebalancer. Hvis tallene ikke matcher, genundersøg rækkerne, der bidrog til afvigelsen. - Når du er tilfreds, eksporterer du til CSV eller XLSX og indlæser filen i dit regnskabssystem. Behold den originale PDF i din arkiv til revisionsformål.

Denne arbejdsgang tager omtrent to minutter for en typisk enkelt-sidet afstemning og under fem minutter for en multi-sidet fakturabundle. Målet er aldrig at erstatte din dømmekraft; det er at give dig en hurtig første udgave, som du kan verificere på stedet.

Hvad dette ikke er

Jeg ønsker at gøre det klart, hvad LedgerLens ikke kan, så du ikke afhænger af det til ting, det ikke kan.

- Det er ikke en garanti for korrekthed. Selv et felt med en tillids-score på 0,99 kan være forkert, hvis kilde-dokumentet indeholder et sjældent symbol eller en layout, som modellen aldrig har set. - Det giver ikke 100 % nøjagtighed. Ingen AI-model i dag når perfekt udtrækning på heterogene finansielle dokumenter. - Det vil aldrig erstatte en kvalificeret revisor eller regnskabschef. Brug det som en checklist, ikke som en endelig myndighed. - Det inkluderer ikke SSO, Slack-besked eller bulk CSV-behandling, medmindre disse funktioner er blevet udgivet i denne specifikke version. Produkt-siden listar nøjagtigt, hvad der er tilgængeligt. - Det er ikke en erstatning for at læse den originale PDF eller billede. Behold altid kilde-filen som reference. - Det tilbyder ikke realtids-samarbejde eller versionskontrol. Hvis du har brug for disse funktioner, eksporter data og brug dine eksisterende værktøjer. - Det lover ikke nogen bestemt hastighedsforbedring. Behandlingstiden afhænger af filstørrelse, billedkvalitet og om du bruger demo-tilstand eller en live-nøgle.

Hvis nogen af ovenstående punkter ændres i en fremtidig version, vil jeg opdatere dokumentationen og produkt-siden derefter.

Referencer

Ofte stillede spørgsmål

Hvad er LedgerLens?

AI-udtrukne bankudtog og fakturaer — verificér før brug.

Hvem skal bruge LedgerLens?

Operatører og udbyggere, der har brug for en hurtig første udgave eller checkliste fra LedgerLens.

Fungerer det uden en API-nøgle?

Ja i eksplicit demo-tilstand. Live AI kræver en konfigureret nøgle.

Garanterer det resultater?

Nej. Udgående er beslutningsstøtte; du skal stadig gennemgå før offentliggørelse eller handling.

Inkluderer det SSO, Slack eller bulk CSV?

Kun hvis disse funktioner er implementeret i denne produktbygning — antag dem ikke fra marketingtekst.

Hvor går data hen?

Kørsler kan gemmes lokalt under produktets.data/-grænse; behandle demos som efemære.

Hvad med sikkerhed og persondata?

Det er også udviklet med hensyn til brug af -teknologi, samt samarbejde med.

Referencer

Try LedgerLens eller læs for mere information om.

Relaterede læsninger

- Hvordan man bruger LedgerLens — LedgerLens - Den LX AI Mikro-SaaS Emne Matrix