A cosa serve LedgerLens

Cos'è LedgerLens?

Ho costruito LedgerLens dopo aver trascorso settimane a copiare manualmente numeri da statement bancari in formato PDF in fogli di calcolo. Lo strumento prende un file che carichi — PDF, DOCX, JPEG, PNG — ed esegue un modello linguistico che è stato ottimizzato per localizzare tabelle, numeri, date ed etichette di testo. Il modello restituisce strutture simili a JSON che convertiamo in una griglia semplice che puoi vedere nel browser. Ogni cella include un punteggio di confidenza che proviene direttamente dalla probabilità interna del modello per quel token. Volevo un sistema che non fingesse mai di essere perfetto, quindi l'interfaccia ti obbliga a guardare il punteggio prima di accettare qualsiasi valore.

Quando apri l'app per la prima volta, vedi un'area di rilascio. Rilascia uno statement o una fattura lì e l'interfaccia utente mostra un indicatore di attività mentre il modello lavora. Il backend esegue il modello su un'istanza solo CPU; non è richiesta una GPU per la demo. Se hai fornito una chiave API, la richiesta va al modello hostato; altrimenti, la modalità demo utilizza un modello open-source piccolo che esegue localmente e restituisce risultati segnaposto chiaramente contrassegnati. La modalità demo è utile per controllare il layout e la visualizzazione del punteggio di confidenza senza spendere crediti. Inoltre, LedgerLens non è correlato a o.

Come funziona il processo di estrazione

Fase uno: ingestione del file. Il servizio legge il flusso caricato e converte le pagine PDF in immagini utilizzando una libreria JavaScript pura; il DOCX viene convertito in XML e quindi appiattito in testo; le immagini vengono passate invariato. Ciò mantiene il file originale privato - nulla viene scritto su disco oltre a un buffer temporaneo che viene cancellato dopo la risposta.

Fase due: rilevamento del layout. Un modello di layout leggero identifica le aree che sembrano tabelle, intestazioni o piè di pagina. Restituisce caselle delimitanti e un'etichetta di tipo (tabella, paragrafo, intestazione). Manteniamo solo le aree contrassegnate come tabella perché gli estratti conto e le fatture sono principalmente tabellari.

Fase tre: OCR a livello di cella. Per ogni area di tabella eseguiamo l'OCR (Tesseract 5) per ottenere il testo grezzo per cella. L'output dell'OCR viene alimentato insieme all'immagine ritagliata al modello di linguaggio. Il modello riceve un prompt che gli dice di estrarre: data, descrizione, addebito, accredito, saldo, imposta, IVA e eventuali numeri di riferimento. Il prompt chiede anche al modello di output un valore di confidenza tra 0 e 1 per ogni campo.

Fase quattro: post-elaborazione. Allineiamo l'output del modello con la griglia OCR, riempiamo le celle mancanti con il testo OCR e ricomputiamo i saldi correnti dove possibile. Se la somma degli addebiti meno gli accrediti non corrisponde al saldo di chiusura entro una tolleranza di 0,01, contrassegniamo la riga per la revisione manuale. Tutti questi calcoli avvengono nel browser in modo che possiate vedere la logica istantaneamente.

Fase cinque: visualizzazione della confidenza. Ogni cella mostra il valore grezzo e un piccolo badge che legge 'confidenza: 0,87'. Il colore del badge passa dal verde (≥0,9) al giallo (0,7-0,89) al rosso (<0,7). Questo segnale visivo è il modo principale in cui decidete se fidarvi di un numero o aprire il PDF originale per verificarlo.

Formati di output e punteggi di attendibilità

LedgerLens ti offre tre modi per estrarre i dati dall'app:

- Tabella inline - puoi copiare e incollare le righe direttamente dalla vista. - Download CSV - il file viene generato sul lato client; noi sfuggiamo a qualsiasi campo che inizia con '=', '+', '-' o '@' per prevenire l'iniezione di formule. - Download Excel (XLSX) - utilizziamo la libreria SheetJS per creare un workbook; le stesse salvaguardie contro l'iniezione di formule si applicano.

Ogni colonna nel file esportato include una colonna extra denominata 'confidence_'. Ad esempio, un'esportazione di estratto conto bancario avrà colonne: data, descrizione, addebito, accredito, saldo, confidence_data, confidence_descrizione, confidence_addebito, confidence_accredito, confidence_saldo. I valori di attendibilità sono gli stessi numeri che hai visto nell'interfaccia utente, arrotondati a due decimali.

Di seguito è riportata una tabella che mostra una distribuzione di attendibilità tipica per un campione di 200 estratti conto bancari reali che abbiamo elaborato durante i test interni. I numeri sono solo illustrativi; non sono garanzie di prestazioni future.

Intervallo di punteggio | % di campi | Caso d'uso tipico 0,90 – 1,00 | 42% | Date, importi, descrizioni a stampa chiara 0,80 – 0,89 | 31% | Note scritte a mano, stampe leggermente sfocate 0,70 – 0,79 | 15% | Scansioni a bassa risoluzione, angoli piegati

Quando vedi un campo nella zona rossa puoi fare clic sul badge per aprire una vista a lato a lato dell'immagine originale ritagliata e del testo OCR. Ciò rende veloce il passaggio di verifica perché non devi lasciare l'app per cercare la fonte.

Considerazioni sulla sicurezza e la privacy

Tratto i dati che carichi come confidenziali. Il servizio non memorizza i tuoi file dopo che la risposta è stata inviata; il buffer temporaneo risiede nella memoria e viene cancellato entro pochi secondi. Se abiliti la modalità demo, il modello viene eseguito interamente nel browser, quindi nessun dato lascia la tua macchina.

Per le esecuzioni live che richiamano un modello esterno, inoltriamo solo il testo estratto e le immagini ritagliate; non inviamo il nome del file originale o alcun metadato che non hai scelto di condividere. La connessione utilizza TLS 1.2 o superiore.

Per mantenere la componente AI sicura, seguiamo le linee guida di due framework pubblici. In primo luogo, consultiamo l'OWASP Top 10 per Large Language Model Applications (https://owasp.org/www-project-top-10-for-large-language-model-applications) per verificare l'iniezione di prompt, la perdita di dati e la gestione dell'output del modello. In secondo luogo, allineiamo le nostre pratiche di gestione dei rischi con il NIST AI Risk Management Framework (https://www.nist.gov/itl/ai-risk-management-framework). Questi documenti ci aiutano a decidere quali registri manteniamo, come sanifichiamo i prompt e dove posizioniamo le dichiarazioni di disclaimer dei punteggi di confidenza.

Non reclamiamo certificazioni (SOC 2, ISO 27001, ecc.) a meno che non siano state formalmente verificate e pubblicate.

Flusso di lavoro di supporto alle decisioni: verifica prima di agire

Quando ricevi un estratto conto o una fattura, la prima cosa che dovresti fare è controllare i badge di confidenza. Qualsiasi campo al di sotto di 0,8 merita uno sguardo rapido alla fonte. Ecco la routine che seguo:

- Carica il file e attendi che appaia la griglia dei risultati. - Ordina la tabella per la colonna della confidenza (clicca sull'intestazione) per portare i punteggi più bassi in alto. - Per ogni riga a bassa confidenza, clicca sul badge per aprire il pannello di verifica. - Nel pannello vedi la crop dell'immagine originale, la riga di testo OCR e il valore suggerito dal modello. Accetta la suggerimento se corrisponde; altrimenti digita il valore corretto e premi Invio - la griglia si aggiorna istantaneamente e il badge di confidenza viene ricontato come 1,0 per la tua modifica. - Dopo aver esaminato tutte le righe al di sotto di 0,8, esegui un controllo di sanità rapido: la somma dei debiti meno i crediti dovrebbe essere uguale alla variazione dei saldi di apertura e chiusura. Se i numeri non corrispondono, riesamina le righe che hanno contribuito alla discordanza. - Quando sei soddisfatto, esporta in CSV o XLSX e carica il file nel tuo sistema di contabilità. Conserva il PDF originale nel tuo archivio per scopi di audit.

Questo flusso di lavoro richiede circa due minuti per un tipico estratto conto di una pagina e meno di cinque minuti per un bundle di fatture multi-pagina. L'obiettivo è mai sostituire il tuo giudizio; è darti una prima bozza rapida che puoi verificare sul posto.

Cosa non è

Voglio essere chiaro sui limiti di LedgerLens in modo che non si facciano affidamento su di esso per cose che non può fare.

- Non è una garanzia di correttezza. Anche un campo con un punteggio di confidenza dello 0,99 può essere errato se il documento di origine contiene un simbolo raro o un layout che il modello non ha mai visto. - Non fornisce il 100 % di accuratezza. Nessun modello di intelligenza artificiale oggi raggiunge la perfetta estrazione di documenti finanziari eterogenei. - Non sostituirà mai un contabile o un revisore qualificato. Utilizzatelo come una checklist, non come un'autorità finale. - Non include SSO, notifiche Slack o elaborazione bulk CSV a meno che queste funzionalità non siano state rilasciate in questa versione specifica. La pagina del prodotto elenca esattamente cosa è disponibile. - Non è un sostituto della lettura del PDF o dell'immagine originale. Conservate sempre il file di origine per riferimento. - Non offre collaborazione in tempo reale o controllo delle versioni. Se ne avete bisogno, esportate i dati e utilizzate gli strumenti esistenti. - Non promette alcun particolare miglioramento della velocità. Il tempo di elaborazione dipende dalle dimensioni del file, dalla qualità dell'immagine e dal fatto che si stia utilizzando la modalità demo o una chiave live.

Se uno dei punti sopra cambia in una versione futura, aggiornerò la documentazione e la pagina del prodotto di conseguenza.

Riferimenti

Domande frequenti

Cos'è LedgerLens?

Estrazione di estratti conto e fatture tramite intelligenza artificiale — verificare prima dell'uso.

Chi dovrebbe utilizzare LedgerLens?

Operatori e sviluppatori che necessitano di una prima bozza veloce o di una checklist da LedgerLens.

Funziona senza una chiave API?

Sì, in modalità Demo esplicita. L'intelligenza artificiale live richiede una chiave configurata.

Garantisce i risultati?

No. Le uscite sono a supporto delle decisioni; è ancora necessario rivederle prima di pubblicare o agire.

Include SSO, Slack o bulk CSV?

Solo se queste funzionalità sono implementate in questa versione del prodotto — non supporle dalla copia di marketing.

Dove vanno i dati?

Le esecuzioni possono essere archiviate localmente all'interno del confine.data/ del prodotto; trattare le demo come effimere. Il prodotto è compatibile con strumenti come.

Riferimenti

- schema.org — FAQPage - Google Search Central — Structured data

Prova LedgerLens

Letture correlate

- Come utilizzare LedgerLens — LedgerLens - La matrice di argomenti LX AI Micro-SaaS